Näin etenet aidosti datalla johdettuun liiketoimintaan teollisuusyrityksessä

Liiketoimintaa tulisi johtaa datalla, mutta mitä, jos saat jatkuvasti sisäistä palautetta virheellisestä ja puutteellisesta datasta? Saat kyllä yrityksesi analytiikan kuntoon - ja osaksi niin päivittäistä tekemistä kuin pitkäjänteistä strategiaakin. Tie aidosti datalla johdettuun toimintaan ei ole nopea eikä eteneminen aina kivutonta, mutta kehittämämme mallin avulla pääset kohti ajantasaisen datan hyödyntämistä liiketoiminnassasi. Tässä siis reitti maailmaan, jossa koko yrityksesi toimii datan perusteella ja työntekijät uskaltavat luottaa datan oikeellisuuteen.

Fellowmind-Nain etenet-aidosti-datalla-johdettuun-Blog_image.jpg

Onko analytiikkasi peili menneeseen, ei kokonaiskuva nykyhetkestä ja tulevasta?

Valmistavan teollisuuden kaltaisilla perinteisillä toimialoilla dataa ei vielä pystytä käyttämään kaikessa sen potentiaalissa. Dataa ei käytetä niin, että se johtaisi toiminnan muuttumiseen. Se näkyy niin tuotannon, myynnin ja markkinoinnin seurannassa kuin vuodesta toiseen samalta näyttävissä hallitusraporteissa.

Päätösten tekeminen epävarman datan perusteella on haitallista, mutta myös turhauttavaa. Jos käytettävissä on vain puutteellisia raportteja, tyytymättömyys on taattu. Silloin on helppo palata tekemään raportteja manuaalisesti ja luoda kussakin yksikössä omia Exceleitä johtamisen tueksi.

Kuinka siis kuljettaa yritys kohti datalla johtamista, jossa datasta tunnistetut muutokset johtavat todella toimintatapojen muutokseen? Kuinka korjata huonolaatuinen data ja valaa henkilöstöön uskoa analytiikkatyökaluihin?

Lue myös aiemmin kirjoittama blogimme: Maailma muuttuu – miten valmistava teollisuus vastaa muutostarpeisiin 

Datasta bisneshyötyä - ratkaisuna 18 kuukauden matka kohti uutta

Jotta voit kehittää yrityksesi datakypsyyttä, sinun täytyy pureutua aluksi datalla johtamisen esteisiin ja juurisyihin.

Varaa yrityksesi analytiikan kehittämiseen vähintään 18 kuukautta. Kyllä, yli puolitoista vuotta. Tämä saattaa kuulostaa haasteelliselta, mutta yrityksesi todella kannattaa käyttää tämä aika.

Tällä 18 kuukauden data-analytiikan “estejuoksulla” varmistat, että yrityksesi saa analytiikan uudistuksesta aitoa liiketoimintahyötyä. Kaikkea ei kannata yrittää ratkaista kerralla tai yhdessä yössä, vaan varaa muutokselle riittävästi aikaa, koska sen enempää data kuin ihmisten datanlukutaitokaan eivät mullistu sormia napsauttamalla.

Lue, miksi paras tie teollisuusyrityksen liiketoiminnan kilpailukyvyn kasvattamiseen on datan yhä laajempi ja suunnitellumpi käyttö: Tiedolla johtaminen teollisuusyrityksissä – tyypilliset haasteet ja 3 tapaa hyödyntää dataa paremmin

10 askelta luotettavaan analytiikkaan

Vaihe 1: Täsmennä analytiikan merkitys kaikissa rooleissa ja yksiköissä

Varmista, että analytiikan kehittämishanke nähdään yrityksessäsi bisneshankkeena, ei IT-projektina. Siksi yrityksesi liiketoiminnan on määriteltävä tavoitteet ja linjattava datan käyttämisen merkitys jokaisessa tehtävässä.

Kirkasta kaikille yrityksesi työntekijöille, että datan hyödyntäminen kuuluu olennaisesti heidän työnkuvaansa, vaikka he eivät työskentelisikään esimerkiksi IT- tai talousosastolla.

Vaihe 2: Nimitä projektipäällikkö edistämään bisneksen ja IT:n välistä yhteistyötä

Varaa budjettia tarvittaessa uusien projektipäälliköiden rekrytoimiseen. Yrityksesi tarvitsee tahon, joka toimii viestinviejänä liiketoiminnan ja IT:n välillä ja auttaa vahvistamaan datan asemaa kaikilla liiketoiminta-alueilla. Lisäksi tarvitset projektipäällikön konkretisoimaan, miten data tulee osaksi kaikkien työnkuvaa.

Vaihe 3: Siirrä vanhat datan säilömistavat uuteen data-alustaan

Vanhat datasäiliöt kannattaa siirtää pilvidatavarastoihin, oli kyseessä sitten koneella pyöritellyt Excelit tai jo olemassa olevat datakuutiot. Jos yrityksesi kypsyys datan hyödyntämiselle on vielä alhainen, tämä vaihe kannattaa toteuttaa POC:ina (Proof of Concept), jossa viet yhden säiliön datan sellaisenaan uuteen data-alustaan. Ensimmäisestä siirrosta viisastuneena voit tehdä analytiikan pilvisiirtymää (esimerkiksi Qlik Sense -ratkaisuihin) seuraavassa vaiheessa monimutkaisemmin.

Vaihe 4: Kirkasta etenemismalli ja aikataulut liiketoimintajohdon kanssa sekä priorisoi ne bisneshyödyn perusteella

Kun data on siirretty pilveen, laadi roadmap ja selkeä aikataulu datan laadun parantamiselle ja datan käytön uusille toimintatavoille. Datan laatua ja toimintamalleja täytyy kehittää systemaattisesti, koska vanha data uudessa näkymässä ei vielä muuta mitään.

Aloita yrityksesi liiketoiminnan kriittisimmistä raporteista ja datasta. Helpointa valmistavassa teollisuudessa on aloittaa myynnin ennusteesta ja sen linkittämisestä hankinnan raportteihin: miltä myynnin data näyttää nyt hankinnan silmissä ja miksi siihen ei voisi luottaa?

Vaihe 5: Määrittele johtamisen hetket ja niissä tarvittavat raportit

Mitä dataa tarvitaan tuotantolinjojen viikkopalavereissa? Mitä tietoa kaipaavat myynti ja markkinointi kuukausittaisissa läpikäynneissään? Määrittele, mitä tietoa kukin tarvitsee missäkin työtehtävässään ja linjaa, mistä tieto tuodaan heille.

Tässä vaiheessa vieroitu vanhoista Exceleistä ja omista laskelmista kokonaan. Vaikka kaikki data ei olisikaan oikein, Excel-tiedostojen pyörittelyyn ei pidä palata. Uskalla olla tiukka henkilöstön protestien edessä – uusi analytiikkamalli ei jalkaudu, ellei siihen tartuta rohkeasti jo tässä vaiheessa ja siedetä puutteellisia lukuja. Kerro heille kenen puoleen kääntyä, jos data ei ole kunnossa.

Kun datan virheistä annetaan palautetta omien Excel-laskelmien sijasta, vapautat työntekijöille lisää työaikaa ja kasvatat heidän datanlukutaitoaan.

Vaihe 6: Aloita datan laadunhallinta ja reaaliaikaisen datan käyttäminen johtamisen hetkissä

Tämä on se vaihe, jossa yrityksesi alkaa konkreettisesti siirtyä pois vanhasta mallista kohti uudenlaista liiketoiminta-ajattelua ja uusia, kilpailuetua tuottavia datalähteitä.

Luo vanhoille, tutuille esimerkiksi Qlik-raporteille omat dashboard-näkymät uuteen analytiikkaan ja ala käyttää niitä johtamisessa. Konkreettinen dashboard-näkymä tarjoaa työntekijöillesi heti paikkoja ajatella uudella tavalla: millaista dataa lisäämällä tämä näkymä olisi informatiivisempi?

Muista, että tässä vaiheessa dashboardeilla voi vielä näkyä virheellistä analytiikkaa. Se ei tarkoita, että dashboardissa tai analytiikkasovelluksessa olisi jotain vikaa. Se kertoo vain, että data on tuoretta, sitä on vähän ja toimintamallit ovat vielä kehittymässä.

Vaihe 7: Kehitä datan laatua ja kerää palautetta koko organisaatiosta

Kun uudet dashboardit on otettu käyttöön ja niiden on huomattu näyttävän puutteellista tai väärää dataa, saat siitä palautetta. Valitukset voivat tuntua tukalilta, mutta muista, että kyse on luonnollisesta ilmiöstä. Kaikki yrityksen data ei voi yhdessä yössä muuttua laadukkaaksi.

Osoita henkilöstölle, että heidän toiveensa ja tarpeensa kuullaan oikeasti: huomiot datan laadusta todella noteerataan ja niihin tartutaan liiketoiminnan prioriteettien mukaisesti. Viestintä on tärkeä avain tämän estejuoksun onnistumisessa.

Samalla se nostaa työntekijöiden motivaatiota panostaa oman datan oikeellisuuteen heidän käyttämissään järjestelmissä. Exceleiden pyörittelystä vapautuvaa työaikaa voi käyttää esimerkiksi lähdejärjestelmien datan korjaamiseen.

Vaihe 8: Käytä datan laatuanalyysiin erillisiä työkaluja

Kun dashboardien lukemia kyseenalaistetaan, selvitä datan laatu ja laatupoikkeamien syyt käyttämällä siihen tarkoitettuja työkaluja kuten NodeGraph tai Qlik Lineage. Työkalut ovat huomattavasti ihmisiä tehokkaampia tunnistamaan laatupoikkeamat, ja ne lisäksi osoittavat laatupoikkeamien syyt puolueettomasti.

Erikoistuneen työkalun raportti konkretisoi työntekijöille selkeästi, miten esimerkiksi yksittäinen myyjä voi omalla toiminnallaan parantaa dataa niin, että hän itse hyötyy siitä saamalla luotettavat raportit.

Vaihe 9: Arvioi ihmisten datanlukutaitoa ja auta heitä hyödyntämään dataa paremmin

Osaavatko työntekijät todella seurata oikeita mittareita ja tehdä niistä oikeita johtopäätöksiä?

Jokaisella ei automaattisesti ole valmiuksia tulkita monimutkaista data, saati ymmärtää, mikä vaikuttaa datan laatuun. Kouluta heidät siksi tarvittaessa näkemään yksittäisten numeroiden taakse ja tunnistamaan olennaiset muutokset. Varmista myös, että analytiikassa on huomioitu, kuka päätöksentekijöistä päättää mistäkin asiasta.

Lue, kuinka asiakkaamme LähiTapiola uudisti tiedolla johtamisen kultuurinsa ja siirtyi QlikView:stä moderniin Qlik Senseen.

Vaihe 10: Viesti edistyksestä ja saavutuksista ja toista vaiheet 1–9

Erityisesti ylimmän johdon täytyy näyttää, miten analytiikan käytössä on yrityksessäsi kehitytty, miten laadukkaampi data on siirtynyt osaksi päivittäisjohtamista ja miten tämä kaikki vaikuttaa liiketoimintanne tuloksiin. Yrityksesi ei ehkä vieläkään elä täydellisessä maailmassa, mutta tee näkyväksi kehitysaskeleet ja kehu organisaatiota onnistumisista – esimerkiksi kuntoon saaduista dashboard-näkymistä.

Lopulta tämän prosessin voi aloittaa alusta.

Tee muutos – hylkää “mutu” ja uskalla vaatia analytiikalta enemmän

On selvää, että teollisuudenaloillakin yhä kasvavaa datamäärää täytyy käyttää jatkuvasti fiksummin. Kilpailukyky ja hyvä asiakaskokemus riippuvat siitä, että yritystä johdetaan reaaliaikaisen datan ja täydellisen kokonaiskuvan perusteella.

Esittelemämme malli osoittaa, että kehnotkin numerot voi saada kuntoon. Analytiikan kehitysponnistus vaatii onnistuakseen sitoutuneen liikkeenjohdon määrittämään tavoiteltavat bisneshyödyt ja priorisoimaan toimenpiteet sekä oikeat ihmiset tulkkaamaan IT:n, bisneksen ja tuotantolattian työntekijöiden välisiä tarpeita.

Lisätietoa:

Jos haluat kuulla lisää tiedolla johtamisen haasteista ja ennen kaikkea haasteiden ratkaisuista, ota yhteyttä meihin. Keskustellaan lisää, miten voimme auttaa yritystäsi kohti aidosti datajohdettua liiketoimintaa.

Autamme myös mielellämme siirtymässä vanhentuneista QlikView-ympäristöistä nykyaikaisiin tiedolla johtamisen Qlik Sense -ratkaisuihin.

Niko Tuominen

Advisor, Data & Analytics

Ole yhteydessä: niko.tuominen@fellowmind.fi