Voiko Master Data –hanke onnistua?
Samalla kun teollisen internetin, koneoppimisen, ennakoivan analytiikan tai avoimen tiedon hyödyntäminen saa päättäjien leukaperät nyökkäilemään kiinnostuneesti, Master Datan mainitseminen aiheuttaa lähinnä kyllästynyttä päiden pyörittelyä. Kieltämättä on helpompi innostua erilaisista kylpyammeista kuin vesieristeistä laattojen alla. Miksi Master Datan pitäisi silti kiinnostaa? Siksi, että se kattaa yrityksen ydinasiat, joiden ympärillä koko liiketoiminta pyörii.
Miksi Master Datan hallinta epäonnistuu?
Kaksi yleisintä syytä MDM-hankkeen epäonnistumiseen ovat hankkeen turha teorisointi ja liian nopea yksityiskohtiin sukeltaminen. Teorisointi johtuu valitettavan usein osaamisen puutteesta. Liiketoimintaihmiset hämmennetään netistä ladatuilla maturiteettimalleilla ja kirjallisuudesta poimituilla viitekehyksillä vailla minkäänlaisia kytköksiä konkretiaan. Yksityiskohtiin sukeltamisen ongelma puolestaan on siinä, että kokonaiskuva jää ymmärtämättä ja ratkaisua työstetään vain yhdestä näkökulmasta. Molemmissa tapauksissa liiketoiminnan avainhenkilöt tiputetaan kärryiltä heti alkumatkasta, ja hankkeeseen sitoutuminen jää heikoksi.
On huomattavasti todennäköisempää onnistua Master Datan hallinnassa, jos käy edelliset pilarit läpi hankkeen määrittelyvaiheessa. Samalla pitää kuitenkin ymmärtää, ettei niitä voi tehdä kerralla alusta loppuun, vaan tekeminen pitää jakaa vaiheisiin: aluksi täytyy ymmärtää iso kuva ja vasta sen jälkeen voi paneutua yksityiskohtiin.
Tuotettava arvo (miksi?)
Tänä päivänä mikään hanke ei ui pitkälle ilman selkeitä liiketoiminnallisia perusteita. Isoa kuvaa kartoittaessa täytyy nimetä hankkeen liiketoiminnalliset tavoitteet, sitoa ne organisaation strategian painopistealueisiin ja tukea niitä kevyellä business case -laskelmalla. Yksityiskohtia täsmennettäessä näitä voidaan syventää määrittelemällä mittarit ja tavat tuotetun arvon mittaamiseen. Onnistumista tukee, jos edellisten lisäksi vaivautuu kaivamaan konkreettisia operatiivisen tason hyötyjä, joilla eri toimintojen vastarintaa saadaan pienennettyä.
Master Datojen määrittäminen (mitä?)
Mikäli organisaation keskeisten toimintojen kesken halutaan jakaa Master Dataa, pitää määritellä, mikä on Master Dataa. Tässä työssä totuus tulee liiketoimintojen puolelta usein vain esittämällä yksinkertaisia oikeita kysymyksiä. Master Datojen määrittely on ehdottomasti sosiaalinen tapahtuma. Se vaatii neuvottelua ja rajaamista, eivätkä kaikki voi valitettavasti saada näkemyksiään läpi.
Isoa kuvaa hahmoteltaessa riittää, kun selvittää mitä kyseinen “masteroitava” asia (esim. tuote tai asiakas) tarkoittaa eri toimintojen näkökulmasta, ja mitä se pitää sisällään. Tämän lisäksi pitäisi vielä sopia asioille yhteiset määritelmät. Tietomallintaja jalostaa niistä näppärästi ylätason käsitemallin, joka kuvaa entiteetit, joista Master Data muodostuu. Yksityiskohtia täsmennettäessä täytyy sopia, mitä faktoja tarvitsemme yksilöimään ja kuvaamaan masteroitavia entiteettejä. Näitä faktoja kutsutaan attribuuteiksi, jotka sitten myöhemmin esiintyvät kenttinä järjestelmissä. Attribuuteille kannattaa sopia yhteiset määritelmät ja laatusäännöt. Tässä vaiheessa on hyvä tehdä analyysi organisaation nykyisen Master Datan sisällöstä, jotta ymmärretään kuinka paljon työtä vaaditaan sen tavoitetilaan saattamiseksi.
Tiedon ylläpidon vastuut (kuka?)
Kun tiedetään, mitä Master Dataa tarvitaan, pitää tunnistaa, missä kaikissa toiminnoissa sitä hyödynnetään ja kenen vastuulla sen luominen, päivittäminen ja lopulta arkistointi on. Lisäksi olisi hyvä ottaa kantaa siihen, miten tiedon laatu varmistetaan osana näitä prosesseja.
Isoa kuvaa hahmotellessa tunnistetaan organisaation päätason toiminnot tai ydinprosessit, joissa tietoa käytetään. Näistä muodostuu prosessikartta. Yksityiskohtiin mentäessä tutkitaan kaikki yksittäiset prosessit, ja sovitaan attribuutti attribuutilta missä prosessissa niitä saa luoda, päivittää ja arkistoida. Tämä linkittää Master Data -tietomallin operatiiviseen toimintaan, ja varmistaa että kaikki tarvittavat tiedot tulee kerättyä ja pidettyä ajan tasalla. Tässä vaiheessa kannattaa myös listata ketkä pelkästään hyödyntävät tietoa, koska tehtävät muutokset heijastuvat myös heille.
Teknologiat, joilla edellisiä tuetaan (miten?)
Teknologiat saavat usein aivan liian suuren painoarvon MDM-hankkeissa. Teknologiat ovat myös se osuus Master Datan hallintaa, jossa historiassa tehdyt päätökset vaikuttavat kaikkein eniten tiedon laatuun sekä erilaisten prosessi- ja tietomallimuutosten käytäntöön viemiseen.
Isoa kuvaa selvitettäessä tulisi tutkia, mitä järjestelmiä eri toiminnoissa käytetään, ja mitkä ovat niiden keskeisimmät käyttötapaukset. Lyhyesti totean, että tarvittavien teknologioiden pitää pystyä tukemaan ihmisiä prosesseissa jotka luovat, ylläpitävät ja hyödyntävät yhteisesti sovittua Master Dataa. Yksityiskohtia täsmennettäessä tulisi selvittää käytettävien järjestelmien tietomallit kyseessä olevan Master Datan osalta. Tämä auttaa ymmärtämään, miten ne voidaan sovittaa yhteisesti sovittuun Master Data –malliin ja mitä mahdollisia muutostöitä tarvitaan.
Ainoa tapa onnistua on aloittaa
Master Datan hallinta on helpohkojen asioiden tärkeäksi tekemistä ja ennen muuta hihojen käärimistä. Master Datan hallinnassa onnistuu, kun muistaa lähteä liikkeelle isosta kuvasta ja pitää mielessä “GEFN”-periaatteen (good enough for now). Asiat täsmennetään tarvittavalle tasolle kun niiden aika on. Ensin pitää kuitenkin selvittää mihin kaikkeen Master Data linkittyy organisaatiossanne.
Mikäli Master Datan hallintaa ei nähdä organisaatiossanne tärkeänä, ehdotan että pyydätte ensi vuoden toimintasuunnitelmaan kirjattavaksi seuraavan: “Emme aio laittaa vuonna 2015 niitä tietoja kuntoon, joiden ympärillä liiketoimintamme pyörii”.
