Skip to content

Mitä tulee huomioida data science -tiimiä perustettaessa - Osa 1: Organisaatio ja operatiivinen malli

Täysin uutta liiketoimintayksikköä perustettaessa mielessä on paljon kysymyksiä. Mihin se sijoittuu organisaatiorakenteessa? Hajautettu vai keskitetty? Kenen pitäisi johtaa sitä, ja kenelle hän raportoi? Mitä investointeja täytyy tehdä? Ostetaanko ulkopuolista osaamista, kuinka paljon, ja mihin tarkoitukseen?

Tässä kolmiosaisessa blogisarjassa käsittelen kolmesta eri näkökulmasta, mitä kaikkea data science -tiimiä perustavan organisaation kannattaa huomioida. Tämä osa käsittelee organisaatiota ja sen operatiivista mallia.

Sarjan muut osat:

Osa 2: Osaaminen ja rekrytointi

Osa 3: Teknologiainvestoinnit

Onko organisaatiosi kulttuuriltaan valmis?

Yksi data science -tiimin tärkeimmistä tarkoituksista on edistää liiketoimintaa tuottamalla päätöksentekoa tukevia analyysejä, sekä ennustaa tulevia tapahtumia ja sitä kautta tehostaa tai automatisoida prosesseja.

Tämä tarkoittaa pohjimmiltaan sitä, että jotkut työntekijät joutuvat luovuttamaan osan vaikutusvallastaan matematiikalle. Asiakkuudenhallintaa on tehty tiettyjen vakiintuneiden periaatteiden mukaan, kunnes eräänä päivänä data science -tiimin hassusti puhuva nörtti sanoo neuroverkkoalgoritminsa ennustaneen, että tietyt asiakkaat ovat riskissä vaihtaa kilpailevalle palveluntarjoajalle. Asialle pitäisi tehdä jotain, vaikkapa tarjota alennusta tai sitouttaa jollain muulla tavalla. Onko asiakkuudenhallintatiimi valmis muuttamaan toimintatapaansa ja huomioimaan tämän churn-analyysin tulokset?

Jos haluat hankkeen onnistuvan, ennakoivan analytiikan ei kannata yrittää kilpailla ihmisten kanssa tai korvata heitä. Tällaisella tavoitteella saa vastaansa ainoastaan valtavan muutosvastarinnan. Analyyttiset työkalut kannattaa suunnitella auttamaan ihmisiä ja tehostamaan heidän työtään, ei poistamaan heitä.

Esimerkiksi verkkokauppojen ylläpitäjät käyttävät usein paljon aikaa tuotelistojen järjestelyyn. Tuotelistat olisi täysin mahdollista muuttaa itseään automaattisesti konversio-optimoiviksi ja trendejä ennakoiviksi, mutta tällaisen muutoksen läpivienti saattaa olla poliittisesti haastavaa. Paremman onnistumistodennäköisyyden saat, jos annat ylläpitäjälle vielä mahdollisuuden tehdä tietyn määrän tuotteiden järjestelyjä itse (esim. listan neljä ensimmäistä tuotetta valitaan manuaalisesti), ja loput listasta järjestetään automaattisesti optimaaliseen järjestykseen. Kontrollin tunne säilyy, työ tehostuu, ja liikevaihto kasvaa.

Jos organisaatiossasi on tapana pitää parhaiten ansaitsevan henkilön mielipidettä totuutena, data sciencen jalkauttaminen saattaa olla kivinen tie. Innostusta on kuitenkin mahdollista herättää valitsemalla jokin yleisesti tunnistettu kipupiste, ja tekemällä sisäisen yrittäjyyden hengessä nopea pilottiprojekti tämän poistamiseen. Huonosti toimivilla vanhoilla työkaluilla tehtävien vaivalloisten töiden automatisointi tai tehostaminen saa yleensä melko vähän vastustusta, ja voi parhaimmillaan toimia business casena koko alkuvaiheen data science -tiimille.

Liiketoimintaa vai IT:tä?

Analytiikka on helppo mieltää teknilliseksi asiaksi ja sitä kautta osaksi IT:tä. Ilman tiivistä yhteistyötä liiketoiminnan kanssa, analyytikon saattaa kuitenkin olla vaikea tehdä järkevää hypoteesia tutkimastaan ilmiöstä. Pelkkä datan katselu ilman liiketoimintakontekstia ja kokemukseen pohjautuvaa ongelman muotoilua voi johtaa valheellisiin korrelaatioihin ja vääriin johtopäätöksiin. Maailman vaarallisimmat paikat ovat sairaala ja oma sänky. Nicolas Cagen näyttäytyminen elokuvissa johtaa hukkumisiin.

Nicolas-cage-drowning-correlation

Lähde: http://www.tylervigen.com/spurious-correlations

Koska ennakoivan analytiikan on tarkoitus muuttaa liiketoimintaa enemmän datalähtöiseksi, sen luontevin paikka ei ole IT:ssä osana tukifunktiota, vaan liiketoiminnassa. Huomattavasti vaikeampi kysymys on, kannattaako sen olla keskitetty, vai hajautettu osaksi eri liiketoimintayksikköjä.

Keskitetty vai hajautettu?

Minkä tahansa liiketoiminnan organisoinnissa täytyy ennen pitkää päättää, halutaanko toimia keskitetysti, hajautetusti vai jonkinlaisella välimuodolla.

Täysin keskitetty IT ei ole enää toiminut suuryrityksissä viimeiseen kymmeneen vuoteen. Jokaisella liiketoimintayksiköllä on painetta tehostaa toimintaansa digitaalisilla työkaluilla, ja keskitetyn IT:n kaista ei riitä kaikkien palvelemiseen. Koska IT muodostuu pullonkaulaksi, liiketoimintayksiköt hankkivat minkä tarvitsevat SaaS-palveluina tai omina projekteinaan.

Vastaavaa pakottavaa tarvetta ei kuitenkaan vielä ole ennakoivalle analytiikalle. Jokainen liiketoimintayksikkö varmasti voi hyötyä ennakoivasta analytiikasta, mutta perustusvaiheessa tätä uutta kyvykkyyttä ei ole välttämätöntä hajauttaa liiketoimintayksiköihin.

Hajautetulla mallilla on kuitenkin omat etunsa. Koska analyytikot työskentelevät vain yhden liiketoiminta-alueen sisällä, heidän on mahdollista erikoistua ja oppia kyseisestä funktiosta huomattavasti enemmän.

Toisaalta, analyytikolle on urakehityksen kannalta parempi saada kokemusta monesta eri liiketoimintafunktiosta ja eri tyylisistä ongelmista. Työviihtyvyyden kannalta keskitetty malli, joka mahdollistaa liiketoimintakontekstin ajoittaisen vaihtamisen, on usein parempi. Keskitetyllä mallilla aloittaminen mahdollistaa myös yleisten käytäntöjen muodostamisen, josta on hyötyä jos ennakoivaa analytiikkaa aletaan tulevaisuudessa siirtää myös osaksi liiketoimintayksiköitä. Lisäksi tiivis yhteistyö kollegoiden kanssa ja heiltä oppiminen tekee työskentelystä mielekkäämpää.

Sitä mukaa, kun eri liiketoimintayksiköt alkavat tunnistaa tarpeita analytiikalle, analytiikkafunktion on luonnollista muuttua täysin keskitetystä asteittain enemmän hajautetuksi.

Analyytikolle saattaa myös olla mielekästä työskennellä ajoittain komennuksen omaisesti osana liiketoimintayksikköä. Hän oppii kyseisen liiketoiminnan osa-alueen hyvin, ja voi tuoda tämän osaamisen takaisin osaksi keskitettyä yksikköä.

Kun tiedämme pääpiirteittäin, mikä data science -tiimin rooli ja paikka organisaatiossa on, on luontevaa alkaa miettiä tiimin perustamista. Osassa 2 käsittelen, millaisia taitoja tähän tiimiin rekrytoitavalta henkilöltä pitää odottaa, ja osassa 3  käsittelen tarvittavia teknologiainvestointeja.

Asko Relas (kirjoittaja työskenteli Loihde Advancella joulukuuhun 2018).