IT-projekteissa tuppaa usein unohtumaan, että mitähän liiketoimintatavoitetta tässä oikein palvellaan. Yhtä lailla datastrategiaprojekteissa on alkuun ensiarvoisen tärkeätä ymmärtää organisaation strategia sekä tavoitteet ja mitä organisaatio oikeastaan haluaa saavuttaa datan avulla. Muutoin ollaan nopeasti sivuraiteilla.

Liikkeelle datasta vai liiketoiminnasta?

Toisinaan datan hyödyntämisen potentiaalia lähestytään olemassa olevan datan näkökulmasta. Esimerkiksi “meillä on tällaista asiakas- ja kuittidataa ja kertokaahan, mitä kaikkea siitä voisi saada irti?”.

Siitähän voi toki tehdä kaikenlaista (teoriassa siis, oikeassa elämässä harvemmin), kuten laskea asiakkuuden arvoa, ennustaa myyntiä, tehdä ostoskori- tai hintajoustoanalyysiä, arvoida kampanjoiden vaikutuksia tai vaikka optimoida mainontaa. Tärkeitä asioita kaikki, mutta ihan alkuun on hyvä nostaa lentokorkeutta hieman. 

Liiketoimintaprosessien mallintaminen

Eräänlainen välimalli on lähteä liikkelle liiketoimintaprosessien mallintamisesta ja ymmärtää millaista dataa ne kuluttavat ja toisaalta myös, millaista uutta dataa ne tuottavat. Tyypillisesti myös tunnistetaan päätietoryhmiä, joita voidaan puolestaan käyttää esimerkiksi löytämään keskeisin masteroitava tieto. Samoin ymmärretään, missä tietojärjestelmä(kokonaisuuksissa) datat lymyävät. Jos vielä missään.

Tärkeitä harjoituksia nämäkin, mutta johtavat helposti siihen, että metsä hämärtyy puilta. Riskinä on nimittäin mennä alla olevan nelikentän vasempaan alalaitaan ja ainoastaan virtaviivaistaa liiketoimintaprosesseja unohtaen muut laatikot.

Tällöin jäävät löytämättä ne oikean yläkulman moonshotit, jota datastrategia palvelee osana isompaa digitaalista transformaatiota. Säästetään siis prosessien mallintaminen datastrategiatyön myöhempiin vaiheisiin. Palaamme myös nelikenttään myöhemmin.


Liikkeelle visiosta, strategiasta ja tavoitteista

Ennen datastrategiaprojektia ainakin näistä asioista olisi hyvä olla tietoinen:

  • Yrityksen visio ja missio
  • Strategiset teemat seuraaville vuosille
  • Tulevaisuuden painopistealueet
  • Liiketoimintaympäristö (rakenteet, asiakkaat, kasvun moottorit ja jarrut, liiketoiminta-alueet, kilpailuasetelma, kilpailuetu jne.)
  • Keskeisimmät mittarit

Ja lisäksi ymmärrys:

  • Miten organisaatio on valmistautunut muuttamaan toimintaansa KUN distruptiivisia liiketoimintamalleja ilmaantuu alalle?
  • Mikä estää organisaatiota saavuttamasta visiotaan?
  • Miten data auttaisi asetettujen tavoitteiden (visio ja strategia) saavuttamisessa?

Ja vielä “operatiivisemmin”:

  • Miten datastrategia yhdistyy liiketoimintastrategiaan?
  • Miten datastrategia liittyy käynnissä oleviin ohjelmiin ja hankkeisiin?
  • Mitkä ovat datastrategiaprojektin odotukset ja tavoitteet?

Esimerkiksi strategisista teemoista nousee jo heti esiin tärkeitä asioita. Jos yhtenä strategisena teemana on asiakkaan kokeman arvon kasvattaminen, niin voi olla tarpeen miettiä miten asiakassuhdetta voidaan parantaa. Voidaanko esimerkiksi asiakkaan käyttäytymisestä sekä mieltymyksistä oppia lisää elinkaaren eri vaiheissa ja mitä teknologiaa sekä dataa tähän tarvitaan.

Kriittiset menestystekijät eivät ole huonoja nekään. Jos toimitustäsmällisyys on logistiikkafirman yksi kriittinen menestystekijä (toivottavasti on), johtaa tämä nopeasti keskusteluihin reittien optimoimisesta (tekoälyn avulla) ja tätä kautta toimintakustannuksien alentamiseen. Sitten ratkaistaan enää kauppamatkustajan ongelma.

Data on business casejen raaka-ainetta ja datan tulee palvella organisaation strategisia vaatimuksia. Liiketoimintastrategiasta johdettu datastrategia luo raamit ja ohjenuorat datan hallinnalle.

 

Data Awareness

Miten rajata datastrategiaprojekti?

Lopettelin edellistä blogia avoimella kysymyksellä datastrategiaprojektien rajaamisesta. Hieman kärjistäen on mahdollista tunnistaa kaksi ääripäätä:

  1. Holistinen datastrategia, jossa tarkastellaan laajasti datan mahdollisuuksia koko organisaatiossa tai sen osassa
  2. Prosessikohtainen datastrategia, jossa syvennytään tiettyyn liiketoimintaprosessiin, kuten liidistä maksuun tai teemaan, kuten jäsenien edunvalvontaan (eräällä etujärjestöllä)

Molemmissa on omat vahvuutensa ja ne palvelevat eri käyttötarkoituksia.

Holistinen datastrategia

Holistisemmassa datastrategiassa tunnistetaan usein valtava joukko erilaisia liiketoiminnan kehitysmahdollisuuksia, mutta ei mennä erityisen syvälle niihin. Priorisoinnin jälkeen nostetaan esille usein muutama business case, jolla taustalla piilevää toteutushanketta on helpompi myydä myöhemmin johdolle tai hallitukselle.

Tämä on hyvä vaihtoehto, jos fokuksessa on rakentaa esimerkiksi uusi data platform -ympäristö ja tarpeena on selvittää vaatimukset sekä saada pitkä lista liiketoiminnan kehitysaihoita jatkotyöstettäväksi.

Holistisen datastrategian kehittämisessä korostuu myös arkkitehtuurisuunnittelu eli miten data saadaan mahdollisimman järkevästi integroitua eri tietolähteistä, käsiteltyä, yhdistettyä, rikastettua ja jaettua sitä tarvitseville henkilöille, digitaalisille palveluille ja keskeisille sidosryhmille. Arkkitehtuurisuunnittelussa kuvataan tyypillisesti nyky-, tavoitetila- ja transitiovaiheen arkkitehtuurit.

Ei ole kerta eikä toinenkaan, kun tämän tyyppisessä harjoituksessa valmis materiaali on toiminut myös kilpailutusmateriaalina kuvaamassa hankittavaa kohdetta.

Prosessikohtainen datastrategia

Nimensä mukaisesti prosessikohtainen datastrategia keskittyy rajatumpaan kokonaisuuteen, usein liiketoimintaprosessiin. Esimerkiksi myynnin tai asiakkuudenhallinnan osalta se voisi tarkoittaa prosesseja kuten kontaktista liidiin, liidistä myyntimahdollisuuteen, myyntimahdollisuudesta tarjoukseen, tarjouksesta tilaukseen ja tilauksesta maksuuun.

Tällöin keskitytään kuvaamaan tarkemmin, millaista dataa prosessissa syntyy, millaista dataa prosessi kuluttaa, millaisia käyttökohteita datalle löydetään eri vaiheissa (esim. älykäs asiakasprospektointi, liidien scoraus, dynaaminen hinnoittelu, asiakaspoistuman mallintaminen jne.), mistä tarvittavat datat löytyvät (jos löytyvät vielä mistään) ja millaisilla tempuilla, teknologioilla ja rooleilla sekä osaamisilla ne saadaan hyödynnettäväksi.


Miten saada johtoryhmä kiinnostumaan datasta?

Eräs pitkän uran tehnyt ja isoa suomalaisyritystä rautaisella otteella johtanut vanhempi herrasmies totesi kerran työpajassa, että

En ole kymmeneen vuoteen tarvinnut dataa. Jos tarvitsen jotain, soitan talousjohtajalle.

Oletettavasti tällaisessa organisaatiossa dataohjautuneen kulttuurin rakentaminen on hieman hankalampaa. Jos liiketoimintajohto ei pidä dataa ja analytiikkaa tärkeänä, ei dataohjautuvaa organisaatiota voi luoda. Ja juurinkin kulttuurin rakentaminen tai muuttaminen on usein se vaikein asia, jotta datasta saisi jotain pidempiaikaista arvoa.

Toinen ääripää on pelifirmat, joissa datan hyödyntäminen on rakennettu jo geeneihin. Hyvässä asemassa ovat myös teknologiastartupit sekä diginatiivit yritykset, joiden liiketoimintamalli lähtökohtaisesti perustuu dataan (Google, Amazon, Alibaba, Facebook jne.). Itse asiassa myös isot yritykset ovat verraten hyvässä asemassa, sillä niillä on tyypillisesti mahdollista tehdä tarvittavia investointeja - hyvänä esimerkkinä usein mediassa näkyvä Stora Enso.

Entäpä jos olet keskisuuressa yrityksessä, joka ei ole millään tavalla teknologiaintensiivisessä liiketoiminnassa ja tekee vieläpä B2B-kauppaa?

Osaamisen ja ennakkoluulojen päivittäminen

Yleisesti ylin johto kyllä ymmärtää, että data (ja analytiikka) voivat muuttaa liiketoimintaa, mutta eivät välttämättä tiedä miten. Näin ollen on usein tarpeen avata datan mahdollisuuksia, joka tietenkin parhaiten onnistuu toimialalle sopivien esimerkkien avulla. Kun mieli on avoin datalle, on myös kehityskohteiden innovointi (tai pölliminen muilta) helpompaa.

Datalobbarin tai dataevankelistan löytäminen

Erityisen hyvässä asemassa olet, jos löydät organisaatiosi sisältä energisen muutosagentin, joka toitottaa datan tärkeyttä, luo kiinnostusta datan ympärille, verkottuu, kertoo miten data auttaa liiketoimintaa, rakentaa yhteistä tarinaa, toimii siltana liiketoiminnan ja IT:n välissä ja ennen kaikkea saa asioita tapahtumaan.

Ylimmän johdon esimerkki

Parhaat kokemukset onnistuneista (datastrategia)projekteista tulevat, kun ylin johto on sitoutunut. Muutoin tulokset jäävät helposti laihoiksi tai ainakin ilman rahoitusta. Kannattaa ottaa johtoryhmän jäsen(iä) mukaan tekemiseen.

Nopeat voitot

Lueskelin jostain, että sisäiset kilpailut ja Hackathonit ovat ylimmän johdon tuen jälkeen toiseksi tärkein asia dataohjautuneen kulttuurin rakentamisessa. Näiden kautta saadaan nopeasti ihan hyviä tuloksia, mutta on toki hyvä muistaa, että tuotannollistaminen voi viedä pitkäänkin.

Eurot ja älyttömät arvolupaukset

Loppupeleissä raha ja hyvä business case ratkaisevat. Mitäs jos miettisitkin jonkun älyttömän arvolupauksen, jossa data on avainroolissa.

Kymmenen esimerkkiä:

  1. Karsimalla kannattamattomat asiakkaat portfoliostamme, saamme viivan alle vuosittain 1 M€ enemmän ja vapautamme resurssejamme tuottavampaan toimintaan
  2. Vähennämme logistiikkakustannuksia 20 % paremmalla rekkojen / konttien täyttöasteella, pienemmällä hävikillä ja paremmalla toimitusvarmuudella
  3. Tiputamme käyttöpääoman määrää 20 M€ paremmalla varastojen / toimitusketjun ohjauksella
  4. Ensi vuonna dataan perustuvat palvelut tuovat 30 % liikevaihdostamme
  5. Nostamme yrityksemme valuaatiota 20 % datamme ja tehokkaan dataohjautuvuuden ansiosta
  6. Parantamalla verkkokauppamme tuotetietoja, saamme välittömän vaikutuksen asiakkaan pysyvyyteen ja ostohalukkuuteen
  7. Nostamme keskihintojamme 2 % paremman hinnoitteluanalytiikan johdosta - mikä on 2 M€/vuosi lisää omistajille tai investoitavaksi 100 M€ vaihtavassa yrityksessämme
  8. Parannamme hinnoitteluamme saadaksemme 2 % paremman katteen, joka tarkoittaa 40 M€ puhdasta tuottoa
  9. Vähennämme reklamaatioita 20 % paremmilla poikkeamien ennustamisella
  10. Vuoden loppuun mennessä data parantaa kolmen miljoonan loppuasiakkaamme kokemusta palvelusta päivittäin

Eivätkä nuo niin älyttömiä edes ole  -  näistä melkein kaikki on toteutunut ihan oikeastikin. 😉

Seuraavassa blogisarjan osassa sukelletaan liiketoiminnan kehityskohteiden tunnistamiseen teemalla business caset datalle. Tämä on myös yksi lempiaiheistani eli pysyhän kuulolla!