Ajatusjohtajat
Insinöörianalytiikka: Joustava Komplementti Paremmille Dataoperaatioille

Keskeiset kohdatData-engineering- ja analytiikkatiimit toimivat ristiriitaisilla aikaskaaloilla, mikä…
Näytä lisää
- Data-engineering- ja analytiikkatiimit toimivat ristiriitaisilla aikaskaaloilla, mikä aiheuttaa kalliita operatiivisia kitkoja.
- Liiketoimintastrategian ja data-analytiikkastrategian linjaus on välttämätöntä datan arvon hyödyntämiseksi.
- Päädatamanagement- ja datanhallintakehystot vahvistavat toimintojen välistä viestintää ja prosessien linjauksen.
Datatekniikan ja liiketoiminta-analytiikan välinen perustavanlaatuinen kuilu vaikeuttaa organisaatioiden toimintaa nopeasti kehittyvässä digitaalisessa ympäristössä. Yritykset hallitsevat ennennäkemättömiä määriä rakenteista ja rakenteetonta dataa lukuisista lähteistä, mutta monilla on vaikeuksia saada siitä merkittävää liiketoimintahyötyä. Ydinongelma on jatkuva ja kallis yhteistoiminnan puute datainfrastruktuuria rakentavien ja ylläpitävien tiimien sekä ajantasaisista ja tarkoista datapohjaisista havainnoista riippuvaisten tiimien välillä. Jotta datatekniikkaa ja liiketoiminta-analytiikkaa tukevat ratkaisut voidaan yhdistää tehokkaasti, johdon on ymmärrettävä kuilun synty ja sen tekniset ja toiminnalliset ilmenemismuodot. Haaste edellyttää kokonaisvaltaista lähestymistapaa, joka kattaa teknologian, prosessit ja organisaatiokulttuurin. Kyse ei ole pelkästä työkalujen päivityksestä vaan eri toimintoja yhdistävästä muutoksesta, jota datatekniikka ja liiketoiminta-analytiikka ohjaavat.
Datatyön jatkumo analytiikasta datatekniikkaan
IBM:n mukaan liiketoiminta-analytiikka tarkoittaa tilastollisia menetelmiä ja laskentateknologioita, joilla dataa käsitellään, louhitaan ja visualisoidaan paremman liiketoimintapäätöksenteon tueksi. Analytiikka tuottaa arvoa, kun sen käytännössä hyödynnettävät havainnot parantavat suorituskykyä, vähentävät riskejä tai lisäävät tehokkuutta. Analytiikkatiimit seuraavat suhteita ja malleja jatkuvilla mittareilla, tavallisesti keskeisillä suorituskykymittareilla eli KPI-mittareilla. INFORMS Analytics Framework kuvaa tämän syklinä, joka alkaa liiketoimintaongelmasta ja ulottuu ratkaisun elinkaaren hallintaan. Analytiikkaprosessia ohjaa ongelman määrittely, ja teknologia tukee sitä.
Liiketoiminnan tarpeiden ohjaamilla analytiikkatiimeillä on paine tuottaa havaintoja nopeasti, ja niiden työ edellyttää tuoretta dataa. Vanhentuneesta datasta saadaan vanhentuneita havaintoja. Tiimit tarvitsevat datainfrastruktuurin, jossa data voidaan jalostaa lyhyessä ajassa tai lähes reaaliajassa todellista liiketoimintahyötyä tuottaviksi havainnoiksi.
Datatekniikka edustaa jatkumon toista päätä, ja sitä ohjaavat infrastruktuurin ja teknologian vaatimukset. IBM määrittelee datatekniikan järjestelmien suunnitteluksi ja rakentamiseksi datan laajamittaista kokoamista, tallentamista ja analysointia varten. Vaikka työ tukee havaintojen tuottamista, datatekniikan työnkulut eroavat selvästi analytiikan viitekehyksestä ja keskittyvät datan logistiikkaan ja varastointiin.
Eri työrytmien jännitteet ja toisiaan täydentävät piirteet
Datatekniikan ja analytiikan tiimien jännitteet johtuvat tavallisimmin erilaisista aikajänteistä ja kilpailevista työnkulkuvaatimuksista. Teknisten tiimien infrastruktuuri- ja työkalupäätöksiin vaikuttavat järjestelmien käyttöönottonopeus, teknologiset innovaatiot, IT-kapasiteetti sekä resurssirajoitteet markkinoilla, joilla osaajia on niukasti. Analytiikka käyttää järjestelmiin tuotua dataa välituotteena havaintojen tuottamisessa. Siksi analytiikkatiimien on toimittava datatekniikan jo rakentamassa infrastruktuurissa sekä ennakoitava tulevat tarpeet ja viestittävä niistä.
Nämä erot muodostavat jatkumon, jossa dataoperaatioiden eli DataOpsin toiminnoilla on eripituiset aikajänteet. Eri rytmien vuorovaikutus on välillä toisiaan täydentävää ja välillä altista törmäyksille. Aikajänteiden yhdistäminen edellyttää organisaatiolta kykyä toimintojen väliseen viestintään ja liiketoimintaprosessien yhteensovittamiseen. Jos analytiikkatiimit ovat sidottuja vanhentuneeseen infrastruktuuriin, vanhojen järjestelmien tekninen velka hidastaa havaintojen tuottamista ja heikentää kilpailuetua. Jos datatekniikan tiimit taas joutuvat jatkuvasti vastaamaan nopean toimituksen odotuksiin, sääntelyn noudattaminen, liiketoiminnan jatkuvuus, turvallisuus, laatu ja markkinoihin liittyvät riskit vaarantuvat.
DataOpsin onnistuminen riippuu siitä, että tiimien välille tunnistetaan johdonmukaisesti kuhunkin tilanteeseen sopiva joustava tapa täydentää toisiaan. Tuore tutkimus on osoittanut, että liiketoimintastrategian ja data-analytiikkastrategian yhteensovittaminen vahvistaa suurten datamäärien analyysikykyä, jota voidaan hyödyntää ketterässä reagoinnissa markkinoihin. Myös toinen tutkimus tukee näkemystä, että liiketoiminnan ja datatieteen strategioiden yhteensovittaminen on keskeistä datan arvon hyödyntämisessä.
Yhteiset kipupisteet
Uudet teknologiat vaativat datainfrastruktuurin nopeaa muuttamista. Tietojärjestelmien monimutkaistuessa tiimit kehittävät edistyneempiä malleja ja arkkitehtuurikuvauksia haasteiden hallintaan. Yhtä tärkeää on teknisen suunnittelun yhteensovittaminen organisatoristen ja sosiaalisten tarpeiden kanssa. Suurten datainfrastruktuurien mukauttaminen toiminnan tarpeisiin vaatii usein prosessien selvittämistä: tekniset tiimit analysoivat tapahtumalokeja määrittääkseen järjestelmävaatimukset todellisen käytön perusteella.
Nämä toimintaa arvioivat prosessien parannuskäytännöt kilpailevat teknisten ja IT-tiimien niukasta ajasta ja heijastavat datainsinöörien kohtaamien viiveiden kertymistä. Koska DataOps-jatkumon tiimit seuraavat eri mittareita, suorituskykyvaatimusten muuntaminen dataputkien kehitystyöksi voi aiheuttaa yhteensopimattomuutta ja kalliita virheitä.
Miksi keksiä pyörää uudelleen?
Gartnerin raportti pitää erillistä data- ja analytiikka-arkkitehtuurin osaamisalaa keskeisenä toimintastrategian ja resurssien kohdentamisen toteuttamisessa. Liiketoiminta-arkkitehtuurin ja teknisen arkkitehtuurin yhteensovittaminen on yhä tärkeämpää teknologiavetoisissa liiketoimintaympäristöissä.
Prosessien yhteensovittaminen on vanha toiminnallinen haaste, joka ilmenee nykyään organisaatioiden koordinoinnin puutteet paljastavalla nopeudella ja mittakaavalla. Useat tekniikat tukevat osastojen välisten prosessien yhteensovittamista. Liiketoimintaprosessien hallinta (BPM) ja datan hallintamalli (DG) ovat kaksi vakiintunutta viitekehystä tähän tarpeeseen. Teknologiastrategian kasvava vaikutus liiketoiminnan tuloksiin lisää teknologian ja liiketoimintaprosessien yhteensovittamista tukevien osaamisalojen merkitystä.
Perustietojen hallinta (MDM) ja DG ovat osoittautuneet tehokkaiksi tavoiksi sovittaa yhteen liiketoimintaprosesseja ja dataoperaatioita. DataOps-tiimit, joilla MDM ja DG ovat käytössä, ovat parhaassa asemassa soveltamaan joustavan täydentämisen periaatteita toiminnan tehostamiseen. Selkeät datan omistajuusroolit ja vakiintunut arkkitehtuurin osaamisala vahvistavat prosessien yhteensovittamista ja toimintojen välistä viestintää teknisen ja liiketoimintastrategian tavoitteiden tukemiseksi. Yhteensovitetut dataoperaatiot hyödyntävät koko datan arvoketjua liiketoimintastrategian toteuttamisessa.
Datan laatua ja eheyttä koskevan palautteen tulkinta aiheuttaa yhteisiä haasteita datatekniikan ja analytiikan tiimeille. Insinöörien ja analyytikoiden väliset ymmärryskuilut heijastavat laajempaa arkkitehtuuritason ongelmaa, joka koskee teknologiastrategian ja liiketoimintamallin yhteensovittamista. Koska infrastruktuurin kehitys usein laahaa liiketoiminnan tarpeiden jäljessä, viestinnän kestävyys rajoittaa organisaation kykyä hyödyntää datan arvoa. Henkilöstön vaihtuvuus, markkinoiden epävarmuus, tekninen velka ja sisäinen kilpailu resursseista herättävät kysymyksiä toimintojen välisen viestinnän toimivuudesta paineessa. Analytiikan ja datatekniikan tiimien yhteyksien vahvistaminen toteutuksen, täsmällisyyden ja luotettavan toiminnan avulla kovassa paineessa on tärkeä askel kohti joustavia dataoperaatioita.












