Mitä dataohjautuvuus tarkoittaa liiketoiminnalle käytännön tasolla? Mihin tarvitaan dataputkea? Mitä eroa on tietovarastolla ja tietoaltaalla?
05 toukokuuta 2020
Datan onnistunut hyödyntäminen yrityksessä perustuu toimivaan kommunikaatioon ja yhteisymmärrykseen datan kanssa työskentelevien tiimien välillä. Termiviidakkoon voi kuitenkin eksyä, jos asioista ei puhuta samoilla sanoilla.
Kokosimme avuksesi datasanaston, josta voit tarkistaa datatermien selitykset ja syöksyä astetta syvemmälle datan maailmaan. Löydät termien yhteydestä linkkejä podcasteihin, webinaareihin ja artikkeleihin, joiden parissa voit syventää näkemyksiäsi datateemoista.
API-monetisaatio on prosessi, jonka avulla liiketoiminnot voidaan kerätä API-rajapintojen avulla. API-tarjoaja voi monetisaation tuella luoda jo olemassa olevasta datasta ja liiketoimintamalleista uusia liikevaihtoa tuottavia palveluita asiakkailleen ja kumppaneilleen.
BLOGI: Lue lisää API-monetisaatiosta (englanniksi)
API on ohjelmointirajapinta, jonka avulla eri osapuolet voivat vaihtaa tietoa ja tehdä pyyntöjä eri järjestelmien ja palveluiden välillä. API nähdään myös sopimuksena API-tarjoajan (API Provider) ja API-kuluttajan (API Consumer) välillä, missä API-kuluttaja saa palvelua sovitusti ja dokumentoituna.
APIen tuomat hyödyt liiketoiminnoille ovat uusien palveluiden nopeampi kehittäminen, kustannustehokkuus sekä uudet liiketoimintamahdollisuudet esimerkiksi API-monetisaation avulla. APIt tuovat myös enemmän ketteryyttä ja joustavuutta IT-toimintoihin.
APIt luokitellaan kolmeen kategoriaan: yksityiset eli yrityksen sisäiset APIt, asiakas- ja kumppani-APIt sekä julkiset eli avoimet APIt. Yksityiset APIt mahdollistavat mm. yritysten sisäisten järjestelmien tiedon vaihdon, mikropalveluiden integroinnin sekä pilvipalveluiden integroinnin.
Asiakas- ja kumppani-APIt tuovat yrityksille paremmat edellytykset tuottaa reaaliaikaisia palveluita omille asiakkaailleen sekä ketterämpää tiedon vaihtoa ja uusia liiketoimintamalleja ja -sovelluksia kumppaneiden kanssa (esim. IoT mahdollisuudet).
Avoimet API-rajapinnat tuovat yrityksille mukanaan täysin uusia liiketoimintamahdollisuuksia ja palveluita, kuten erilaiset web- ja mobiilisovellukset.
Jotta API-hallinta olisi sujuvaa ja hallittua koko APIn elinkaaren ajan, on kehitetty erilaisia hallinta-alustoja ja toimintamalleja keskitettyyn API-hallintaan ja -valvontaan. Nämä alustat sekä toimintamallit tukevat myös APIen tietoturvaa sekä antavat mahdollisuudet optimoida, monitoroida sekä kerätä analytiikkaa APIen toiminnasta ja käytöstä.
Data-arkkitehtuuri on osa kokonaisarkkitehtuuria ja sillä voidaan viitata useaan eri näkökulmaan. Usein viitataan data-arkkitehtuurin artefakteihin eri abstraktiotasoilla, eli tietomalleihin, määrittelyihin sekä tietovirtojen ja metadatan kuvauksiin.
Näiden artefaktien avulla datan käsittely voidaan suunnitella ja toteuttaa järjestelmähankkeissa siten, että ne tukevat data uudelleenkäyttöä, laatua, tietoturvaa ja yksityisyydensuojaa, sekä vastaavat liiketoiminnan vaatimuksiin yli toiminnallisten siilojen.
BLOGI: Mitä data governance tarkoittaa ja entä, jos sitä ei olisi olemassa?
Dataekosysteemi on avoin tai suljettu toimijoiden verkosto, jossa toimijoiden välillä on intressi vaihtaa dataa yhteisten sääntöjen – eli rajapintojen ja tietomallien – mukaisesti. Ekosysteemin jäseniä yhdistää se, että he hyötyvät muiden datasta niin paljon, että heidän kannattaa luovuttaa omaa dataansa muille. Vaihdanta voi perustua vaihtokaupan sijaan myös rahalliseen korvaukseen.
Dataekosysteemillä on yhteisesti sovittu visio, jonka avulla mahdollistetaan monimuotoisempi data- ja ratkaisupohja verrattuna siihen, mitä yksittäinen toimija voisi yksin saavuttaa. Ekosysteemillä voi olla omistaja, jolloin tyypillisesti on kyse yhden toimijan ylivoimasta ja hyödystä. Vaihtoehtoisesti ekosysteemin omistajuus voi olla hajautettu jäsenille, jolloin kaikki ekosysteemin toimijat ovat tasavertaisia.
Joissakin tilanteissa dataekosysteemillä on erillinen operaattoritoimija, joka huolehtii toimijoiden välisestä yhteensopivuudesta sekä datan liikuttamisesta toimijoiden välillä – ilman, että se itse hyödyntää ekosysteemin dataa omassa toiminnassaan.
Hyvässä dataekosysteemissä mukana oleminen tai jopa dataekosysteemin omistaminen on parhaimmallaan merkittävä kilpailuetu.
Lue tai kuuntele Tietoa tulevasta -podcastin kolmannesta jaksosta dataekosysteemin roolista kansainvälisessä yhteistoiminnassa.
Data governancen eli tiedonhallintamallin ytimessä on datan omistajuus. Yrityksen liiketoimintayksiköillä, laitteilla ja kiinteistöillä on omistaja, joka huolehtii niiden käytöstä ja pyrkii maksimoimaan niistä saatavan liiketoimintahyödyn. Näin pitäisi olla myös yrityksen omistamilla datajoukoilla.
Datajoukon omistajan tehtävänä on huolehtia siitä, että datan laatu on hyvä ja sen käyttöoikeudet noudattavat asetettuja sääntöjä. Yrityksen tiedonhallintamallin pitäisi määrittää datan omistajille sekä muille datan käyttäjille toimintamallit ja työkalut tätä varten.
Data governancen henkeen kuuluu, että mahdollisimman monella yrityksen työntekijällä on pääsy ja näkyvyys kaikkeen tarvittavaan dataan – yli organisaation yksikkörajojen. Datan käyttöoikeuksia rajataan vain hyvin perustein, kuten esimerkiksi yksityisyyssyistä.
Jotta organisaatio voi hyödyntää hallussaan olevaa dataa kokonaisvaltaisesti ja kehittää liiketoimintaansa dataohjautuvaksi on valtavan tärkeää, että tiedonhallintamalli on olemassa ja se on jalkautettu käyttöön. Mikäli tämä organisaatiolta vielä puuttuu, sen toteuttaminen kannattaa aloittaa sellaisesta datajoukosta, jolla on eniten liiketoiminta-arvoa ja joka on priorisoitu organisaation ylimmän johdon toimesta.
Usein nopeimmat hyödyt saadaan sillä, että lähtökohtana on jokin merkittävää liiketoimintahyötyä tuottava analytiikan kehitysprojekti.
Miten dataa hyödynnetään finanssimaailmassa? Haastattelimme Sameli Mäenpäätä, OP Financial Groupin CDO:ta. Lue artikkeli tai kuuntele podcast.
Moderni pilvipalveluihin perustuva data- ja analytiikka-alusta yhdistää perinteisen raportointikäytön moderniin analytiikkaan ja datatieteilijöiden palveluihin sekä tarjoaa alustan esimerkiksi tekoälyyn perustuville datalähtöisille sovelluksille.
Alusta hyödyntää kaiken muotoista dataa sekä organisaation sisältä, kumppaneilta että ulkoisilta tahoilta. Data prosessoidaan erilaisiksi tietotuotteiksi lähes reaaliajassa. Tämä mahdollistaa ajantasaisen näkymän organisaation tilaan. Perustietojen lisäksi näkymät voivat sisältää esimerkiksi koneoppimisalgoritmien tuottavia ennustuksia.
Alusta koostuu moderneista julkipilven palveluista. Palvelut ovat sekä teknisesti että lisenssimalliltaan elastisia, eli niistä täytyy maksaa vain käytön mukaan, ja palveluita voidaan viipaloida eri käyttäjäryhmille. Tällöin esimerkiksi yksittäinen raskas analytiikka-ajo ei häiritse normaaleja operatiivisia tiedonjalostusprosesseja, eikä esimerkiksi kerran vuodessa toistuvaan ajoon tarvitse varata koko vuodeksi resursseja.
Lue lisää pilviympäristön data- ja analytiikka-alustoista:
Tietovarasto vai tietoallas? Analytiikka-alustojen lähtökohtien vertailu
Tietoaltaat ja tietovarastot: Azure Synapse -näkökulma
Katso webinaareja modernista tietovarastoinnista (englanniksi:
Aika valjastaa modernin pilvianalytiikka-alustan mahdollisuudet – näin Telia onnistui Snowflakella
Aika modernisoida tietovarasto – ota haltuun parhaat käytännöt
Liiketoimintatransformaatiolla tavoitellaan merkittävää liiketoiminnan tai liiketoimintaprosessien uudistamista. Datalähtöisessä liiketoimintatransformaatiossa tämä mahdollistetaan datan ja analytiikan – eli dataohjautuvuuden – paremmalla hyödyntämisellä.
Nykyisellään organisaatiot joko eivät käytä dataa juuri lainkaan perinteisen talousraportoinnin lisäksi tai käyttävät sitä pistemäisesti. Uudenlaisessa datalähtöisessä ajattelussa data valjastetaan liiketoiminnan, johtamisen ja palvelutuotannon prosessien parantamiseen yli organisaation toimialarajojen.
Datalähtöinen liiketoimintatransformaatio edellyttää teknologian käyttöönottamisen lisäksi erityisesti datan saatavuuden, datan laadun, toimintamallien ja datalähtöisen kulttuurin kehittämistä.
Tiedon elinkaari (data lifecycle) tarkoittaa tietoelementtien ja tietovarojen eri vaiheita tiedon luonnista sen tuhoamiseen. Vaiheita ovat esimerkiksi tallentaminen, varastointi, siirto, käyttö ja arkistointi.
Tietoturvan ja yksityisyyden suojan vaatimusten vuoksi on tärkeää, että myös tiedon elinkaaren loppupäälle asetetaan liiketoiminnan vaatimukset, kuten kuinka kauan kyseistä tietoa saa/pitää säilyttää ja miksi.
Tiedon liikkumista eri järjestelmien välillä ja sen muuntumista matkalla tiedon lähteeltä sen kuluttajille visualisoidaan metatiedon hallintajärjestelmien avulla. Tiedon elinkaaren visualisoinnista käytetään termiä data lineage.
BLOGI: Mitä data governance tarkoittaa ja entä, jos sitä ei olisi olemassa?
Valmistavan teollisuuden yritysten liiketoiminta perustuu siihen, että rakennetaan laite, joka myydään tai vuokrataan asiakkaalle. Tällaiset yritykset keräävät liiketoiminnastaan paljon erilaista tietoa: mitä on myyty ja kenelle, mistä osista laitteet on valmistettu, kuka niitä käyttää, sekä milloin ja miten paljon laitteita on huollettu.
Jos tämä data on hyvin hallinnassa, voidaan laitteiden elinkaarta mallintaa tarkasti. Tämä mahdollistaa monenlaisten palveluiden tuottamisen aina laitteiden käyttöön perustuvista rahoitusratkaisuista ennakoivaan huoltoon ja varaosien myyntiin.
Jos data ei ole laadukasta, liiketoiminnan digitalisaatio on mahdotonta.
Eri perusjärjestelmistä saatavien tietojen yhdistäminen, rikastaminen sekä sen perusteella tehtävä ennustaminen mahdollistaa asiakkaiden käyttöön toimitettuihin laitteisiin liittyvien palveluprosessien automaation.
Lue aiheesta lisää tai kuuntele Tietoa tulevasta -podcastin jakso, jossa perehdytään globaalisti toimivan teollisuusyrityksen datan hallintaan ja digitalisaatioon.
Dataohjautuvuudella tarkoitetaan sitä, että organisaatiossa päätökset tehdään tietoon perustuen. Edellytyksenä dataohjautuvalle organisaatiolle on, että dataan voidaan luottaa ja se on helposti saatavilla. Teknologia ja järjestelmät eivät riitä, vaan onnistumiseen tarvitaan ihmisiä ja kulttuurinmuutosta. Dataohjautuvuus luo uusia mahdollisuuksia: oikein hyödynnettynä data tehostaa toimintaa, parantaa tuloksia, tuo kilpailuetua ja luo uusia liiketoimintamahdollisuuksia.
Liity dataohjautuvien organisaatioiden eturintamaan! Lue Data x Bisnes 2021 -raportti.
Ketteriä dataloikkia globaalissa yhtiössä, UPM. Lue artikkeli ja kuuntele podcast.
DataOps tulee sanoista Data Operations ja tarkoittaa toimintamallia, joka hyödyntää erilaisia henkilörooleja ja teknologioita dataputkien (data pipeline) automatisoituun hallintaan ja tukemaan datalähtöistä liiketoiminnan kehitystä.
Yritysten ymmärrys datan arvosta on lisääntynyt, mutta liiketoimintadatan tuotteistaminen hyötykäyttöön vaatii teknologiaorganisaatioiden ja liiketoimintojen yhteistyötä. Liiketoimintadatasta on pystyttävä nopeasti luomaan lisäarvoa tuottavia kokonaisuuksia (datatuotteita), jolloin liiketoimintojen ja niitä tukevien teknologiaorganisaatioiden välinen yhteistyö vaatii uudenlaista lähestymistä. Tähän DataOps pyrkii vastaamaan.
BLOGI: Näin valjastat tietovarastoautomaation tukemaan DataOpsia (englanniksi)
DataOps on itseasiassa liiketoimintaongelman ympärille muodostettava poikkitieteellinen tiimi, joka hyödyntää ketterää työskentelytapaa, DevOps-käytäntöjä ja automaatiota datan toimitusketjun hallintaan. Tiimi organisoi dataa, työkaluja, koodia ja kehitysympäristöjä pitäen samalla huolen dataputkien skaalautuvuudesta, toimivuudesta ja muutoksista. Tiimi pyrkii jatkuvan toimituksen (continuous delivery) periaatteiden mukaisesti tuottamaan lähdedatasta nopeasti liiketoimintoja hyödyttävää tietoa.
Dataputki (data pipeline) on hallittu toimintokokonaisuus datan jalostukseen ja liiketoiminta-arvoa tuottavien datatuotteiden luontiin. Datatuote voi olla esimerkiksi raportti tai koneoppimisalgoritmin tuottama ennuste, jota käytetään rajapinnan kautta.
Dataputki sisältää ja yhdistää useita komponentteja, jotka kattavat lähdedatan lukemisen, datan muokkauksen ja analysoinnin, tallennuksen eri tietomalleihin sekä datan aktivoinnin jalostetun datatuotteen kautta. Komponentit perustuvat mikropalvelumalliin, joten yksittäisillä komponenteilla voi olla eri kehittäjätahoja ja eri elinkaari.
Datavolyymien kasvu, muutokset lähdejärjestelmissä ja vaatimukset saada dataa päätöksentekoon lähes reaaliajassa ovat luoneet paineita perinteisille tietovarastoinnin suunnittelumenetelmille, kuten Kimball ja Inmon. Data Vault -menetelmä on suunniteltu parantamaan tiedon mallinnuksen ketteryyttä ja skaalautuvuutta erityisesti suurissa tietovarastoissa.
Data Vault -paradigma sisältää ajatuksen siitä, että tietomallit muuttuvat ja laajenevat ajan myötä. Data Vault -malli mahdollistaa tietomallin inkrementaaliset muutokset ja säännölliset päivitykset. Mallinnustyö on kuitenkin tehtävä huolellisesti, mikä tekee prosessista alttiin inhimillisille virheille. Siksi Data Vaultin täysimittaiseen hyödyntämiseen suositellaan tietovarastoautomaatiota.
BLOGI: Data Vault -paradigmalla ja tietovarastoautomaatiolla kohti DataOpsia (englanniksi)
Koneoppimisella ja tilastollisilla menetelmillä on mahdollista mallintaa tulevia tapahtumia aiemman datan perusteella. Kun analytiikka hyödyntää tällaista mallinnusta, sitä kutsutaan ennakoivaksi. Tyypillisiä sovellusalueita näille malleille ovat asiakaspoistuman todennäköisyys, talouslukujen ennustaminen ja laitteiston huoltotarpeen ennakointi.
Ennakoivaksi analytiikaksi kutsutaan myös mallinnusta, jossa aiemmasta tapahtumasta haetaan uutta tietoa. Esimerkkinä tälle on sentimenttianalyysi, jossa asiakkaan antaman palautteen tai kommentin sävyä arvioidaan automaattisesti. Vaikkapa kriittiseen palautteeseen voidaan tällöin reagoida välittömästi.
Ennakoiva analytiikka erotetaan yleensä kuvailevasta analytiikasta siksi, että tilanteen raportoinnin sijaan hankitaan uutta tietoa, joka ei välittömästi ollut saatavilla.
Industry 4.0 on visio kehittyneestä teollisuudesta, joka hyödyntää ekosysteemejä, teollista internetiä, moderneja teknologioita ja uusia liiketoimintamalleja. Vision taustalla on perinteisten valmistus- ja tuotantomenetelmien digitaalinen transformaatio. Sen vauhdittajina toimivat koneiden ja laitteiden älykkyyden ja yhdistettävyyden räjähdysmäinen kasvu sekä nopeasti kehittyvät teknologiat, kuten digitaaliset tuotantoketjut, robotiikka, sensorit, 3D-tulostus, lisätty todellisuus, digitaaliset kaksoset, Big Data -alustat, tekoäly ja koneoppiminen.
Industry 4.0:n keskiössä ovat kyberfyysiset järjestelmät. Ne kuvaavat älykkäitä, toisiinsa kytkeytyneitä teollisia tuotanto- ja logistiikkayksiköitä, jotka kykenevät kommunikoimaan keskenään sekä toimimaan ja mukautumaan itsenäisesti vaihtelevissa toimintaolosuhteissa. Tällaisten järjestelmien toiminta myös vaatii ja tuottaa paljon dataa, jonka hyödyntäminen vaatii analysointia ja prosessointia esimerkiksi tekoälyn ja koneoppimisen avulla.
Proaktiivinen integraatio, tiedon läpinäkyvyys ja välitys yritysten, asiakkaiden ja tuotteiden välillä onkin avainasemassa, jotta teknologiakehityksen tuomat hyödyt voidaan valjastaa hyötykäyttöön. Näin ollen datalähtöinen ajattelu, analytiikka ja esimerkiksi dataekosysteemit ja datan hallinta nousevat yrityksissä entistä merkittävämpään rooliin.
Lue aiheesta lisää (englanniksi).
Keino- eli tekoäly on sateenkaaritermi älykkääksi mielletyille ratkaisuille. Esimerkkejä keinoälystä ovat internetin hakukoneet, älykaiuttimet ja itseohjautuvat autot. Keinoälyyn usein liitetään järjestelmien autonomisuutta; riippumattomuutta ihmisen päätöksenteosta. Analytiikalla taas viitataan ihmiselle tuotettavaan dataperustaiseen raportointiin ja visualisointiin.
Analytiikka voi hyödyntää keinoälyn – usein koneoppimisen – avulla saatavaa tietoa. Toisaalta keinoälyn kehittämisessä hyödynnetään saatavilla olevan datan analytiikkaa. Voidaan vaikka selvittää, mitä ihmiset älykaiuttimelta toivovat sekä miten tuote on vastannut tarpeisiin. Samoin liiketoiminnan keinoälypohjaiset päätöksentekojärjestelmät vaativat alleen tarkkaa talouslukujen analytiikkaa.
Analytiikkaan verrattuna keinoäly ottaa kuitenkin monta askelta pidemmälle kohti itsenäistä tiedon hyödyntämistä.
tekoäly ja algoritmit auttavat Postia saavuttamaan yhtiön strategisia tavoitteita. Lue lisää artikkelista tai kuuntele podcast-jakso.
Tietovarastoautomaatio nopeuttaa analytiikkavalmiin tiedon saatavuutta poistamalla toistuvia suunnittelu-, kehittämis-, käyttöönotto- ja ylläpitotehtäviä. Tietovarastoautomaatiotyökalut ovat integroituja alustoja, jotka sisältävät suunnittelu- ja kehittämistoimintoja, templateja sekä visuaalisia käyttöliittymiä. Tehokkaiden suunnittelu- ja kehittämismallien noudattaminen räätälöidyn kehityksen sijaan parantaa tietovarastokehityksen ja -ylläpidon nopeutta ja laatua.
Automaatiotyökalut mahdollistavat modernien tietomallinnuksen menetelmien, kuten Data Vault, hyödyntämisen ja niitä käytetään usein luomaan yhteistä ymmärrystä tietomalleista datainsinöörien ja -kehittäjien sekä liiketoiminnan välillä. Tietovarastoautomaatiota pidetään yhtenä keskeisenä elementtinä DataOps-toimintatavassa.
Tietovarasto tukee organisaation perinteisiä ydintoimintoja ja vastausten saamista määriteltyihin kysymyksiin tunnetusta lähdedatasta. Tietoallas tukee ennustavampaa ja kokeellisempaa lähestymistapaa.
Tietovarasto on pääosin tarkoitettu rakenteellisen tiedon käsittelyyn. Tietoallas mahdollistaa organisaation kaikenlaisen datan käsittelyn. Koska tietovaraston ja tietoaltaan käyttötapaukset ovat erilaisia, täydentävät ne toisiaan.
Tietoallasta käytetään usein tietovaraston yhteydessä tallentamaan kaikki raakadata, josta tietovarastoon välitetään vain soveltuva osa. Viime aikoina markkinoille on tullut myös ratkaisuja, jotka ovat tietoaltaan ja tietovaraston sekoituksia. Tällaiselle hybridiratkaisulle ei ole vielä vakiintunutta termiä.
Lue lisää blogeista:
Tietovarasto vai tietoallas? Analytiikka-alustojen lähtökohtien vertailu
Tietoaltaat ja tietovarastot: Azure Synapse -näkökulma
Tilaa Tietoa tulevasta -podcast Spotifysta ja seuraa meitä Instagramissa, niin pysyt ajan tasalla uusista jaksoistamme, joissa datasanaston termit heräävät eloon käytännön esimerkkien avulla. Kun liiketoimintasi kaipaa uutta teknologiaa tavoitteiden saavuttamiseksi, on TietoEVRYn syväosaaminen käytössäsi.