Prosessin kyvykkyyden arviointi tilastollisella prosessinohjauksella34

Prosessin kyvykkyys määritellään prosessin kyvyksi saavuttaa nykyiset tai aiotut lii-ketoiminnan tavoitteet (ISO/IEC 33020:2015). Tilastollisella prosessiohjauksella

pro-Six

35 sessin kyvykkyydelle voidaan laskea tunnuslukuja ja määrittää prosessin kyvykkyy-den taso (Smith, 1993). Prosessin kyvykkyys riippuu prosessin lopputuloksien vaihte-lusta (Montgomery, 2000), joten prosessin kyvykkyys riippuu sekä prosessin loppu-tuotteiden yhdenmukaisuudesta (conformity) että prosessin vakaudesta (Wheeler &

Chambers, 1992).

Tilastollisen prosessinohjauksen tarkoitus on laadun ohjaus (quality control), proses-sin lopputuloksien vaihtelun vähentäminen, johtaminen sekä prosesproses-sin laatuvaatimuk-sien täyttäminen. Liiketoiminnassa yleisesti laatu ymmärretään tavoitteiden täyttämi-senä. Tämä eroaa tilastollisen prosessiohjauksen laadun käsitteestä, sillä tilastollisesti laatua ovat yhdenmukaiset prosessin lopputulokset ja jatkuva prosessin parantaminen (Wheeler & Chamber, 1992).

Vakaan prosessin lopputulosta pystytään ennustamaan prosessin aikaisemman suoriu-tumisen perusteella määrittelemällä rajat, joiden sisällä prosessin voidaan perustellusti olettaa vaihtelevan myös tulevaisuudessa. Vakaan prosessin tärkein ominaisuus onkin ennustettavuus. Ennustettavalle prosessille voidaan määritellä kyvykkyyttä. Kyvyk-kyyden arvioinnissa käytetään prosessin ohjeellisia rajoja (Process Specification Li-mits), jotka ovat lähtöisin liiketoiminnan tarpeista tai tavoitteista prosessin toivotulle vaihteluvälille. Esimerkiksi tuotteiden toimitusajoille yritysjohto voi määritellä ohjeel-lisiksi rajoiksi 0-3 päivää. Luonnolliset prosessin rajat (Natural Process Limits) puo-lestaan lasketaan tilastotieteellisesti prosessista kerätyn datan perusteella. Esimerkiksi tuotteiden todellisille toimitusajoille voidaan puolestaan laskea luonnolliset prosessin ylä- ja alaraja toimitusajoista kerätystä historiadatasta. (Wheeler & Chambers, 1992) Luonnolliset prosessin rajat määrittelevät prosessin todellisen kyvykkyyden. Luonnol-lisia prosessin rajoja voidaan kutsua myös ”prosessin ääneksi”, sillä ne muodostuvat suoraan prosessista kerätystä datasta tilastotieteellisillä kaavoilla. Luonteva tapa mää-ritellä vakaan prosessin kyvykkyyttä on verrata luonnollisia prosessin rajoja prosessin ohjeellisiin rajoihin. Jos luonnolliset prosessin rajat ovat täysin prosessin ohjeellisten rajojen välissä, voidaan puhua vakaasta ja kyvykkäästä prosessista. Tällöin prosessi on ideaalisessa tilassaan tuottaen yhdenmukaisia lopputuloksia tilastotieteellisesti

36 kontrolloidusti. Jos vakaan prosessin luonnolliset rajat menevät ohjeellisten rajojen ul-kopuolelle voidaan puhua rajatilasta: prosessi on tilastotieteellisessä kontrollissa, mutta ei tuota täysin yhdenmukaisia lopputuloksia johdon näkökulmasta. Tällöin pro-sessi on vakaa, mutta ei kyvykäs. (Wheeler & Chambers, 1992)

Tilastollisen prosessinohjauksen yksi päätavoite on ennustaa prosessin toimintaa. Ti-lastotieteellisesti kontrolloimattoman prosessin toimintaa ei voida ennustaa, sillä se käyttäytyy ennakoimattomasti. Vaikka prosessin jokaisen suorituskerran lähtökohdat olisivat muuttumattomia, silti epävakaan prosessin lopputulokset ovat ennakoimatto-mia. Ennakoimattomia lopputuloksia tuottava prosessi ei voi olla hyvin määritelty ja on kontrolloimaton prosessi. Kontrolloitu ja hyvin määritelty prosessi helpottaa tasa-laatuisilla lopputuloksillaan liiketoiminnan näkökulmasta muun muassa suunnittelua, tuotantoa ja johtamista. Prosessin tulevaisuuden lopputulosten yhdenmukaisuutta voi-daan tutkia kontrollikaavioilla, joilla tarkastellaan, onko prosessi tilastollisessa kont-rollissa eli ennustettava. (Wheeler & Chambers, 1992)

Edellisissä kappaleessa esitetyn prosessin kyvykkyyden tutkiminen vaatii ennustetta-vaa prosessia, jonka täytyy olla tilastotieteellisesti kontrollissa, että prosessin aikai-semmasta suoriutumisesta voidaan ennustaa tulevaisuutta. Prosessin tilastollinen kont-rolli voidaan määritellä Six Sigman tilastollisilla prosessiohjauskaavioilla (Statistical Process Control chart, SPC-chart). Kaaviot on alun perin luonut Walter Shewhart pro-sessien parantamiseksi ja prosessin lopputulosten laadunvaihtelun vähentämiseksi (Shewhart, 1930). Kaavioita kutsutaan välillä niiden keksijän mukaisesti Shewhartin kaavioiksi (Nelson, 1984). Shewhartin työtä tilastollisen prosessiohjauksen kehittä-miseksi on edelleen kehittänyt William Edwards Deming (Deming, 1983). Hänen ja Shewhartin (1930) teoriat muodostavat suurimmaksi osaksi laaja-alaisen laatujohta-misen perustan, mihin Six Sigma paljolti perustuu.

Tilastollisen prosessinohjauksen tarkoituksena on parantaa prosesseja dataan perus-tuen. Tilastollinen prosessiohjaus perustuu ajatukseen, että kaksi asiaa, kuten kaksi tuotetta tai palvelua, eivät voi olla milloinkaan täysin identtisiä. Jokaisessa prosessissa on vaihtelua ja se voi olla joko kontrolloitua tai kontrolloimatonta. Kontrolloitu vaih-telu on kaikissa mittauksissa näkyvää tasaista ja yhdenmukaista vaihvaih-telua, kun taas

37 kontrolloimaton vaihtelu on ajan mittaan muuttuvaa vaihtelua, joka ilmenee vain muu-tamissa arvoissa. Kontrolloitu vaihtelu on satunnaista, kun taas kontrolloimaton vaih-telu näkyy säännönmukaisuuksina kuten laskevana tai nousevana kehityssuuntana.

Kontrolloimaton vaihtelu johtuu aina ulkoisesta syystä tai tapahtumasta, joka täytyy tunnistaa ja poistaa prosessin vaihtelun vähentämiseksi. (Montgomery, 2000)

Prosessin vaihtelua kuvatessa voidaan käyttää tilastollisia prosessiohjauskaavioita (Kuva 5). Kaavioiden ylä- ja alakontrollirajat eli luonnolliset prosessin rajat ovat noin kolmen keskihajonnan etäisyydellä kaavion keskiviivasta eli havaintojen keskiarvosta.

Kaavio jaetaan kuuteen yhtä suureen osaan, joista jokainen on yhden keskihajonnan pituinen. Osat uloimmista osista alkaen nimeten ovat: alueet A (zone A), alueet B (zone B) ja alueet C (zone C) (Nelson, 1984). Tämän tutkielman kokeellisessa osuu-dessa (Luku 5.3) keskitytään I-MR -kaavioihin (Individual Moving Range chart), joita käytetään datan jokaisen havainnon sisältäessä vain yhden mittauksen ja data ollessa jatkuvaa (continuous). Kaavioita on olemassa erilaisia muun muassa diskreetille da-talle sekä dada-talle, jossa yhdellä havainnolla on useampia mittauksia (Shewhart, 1930;

Deming, 1983; Wheeler & Chambers, 1992).

Kuva 5: Kontrollikaavio

38 Jotta prosessia voidaan parantaa, on löydettävä prosessin kohdat, joissa prosessissa on kontrolloimatonta vaihtelua ja poistaa vaihtelun aiheuttajat. Kontrolloimattoman vaih-telun aiheuttajia kutsutaan erityisiksi syiksi (special cause; assignable cause) (Nelson, 1984). Western Electric Company (1958) kehitti ensimmäisen sääntöjoukon, jonka avulla tilastollisista prosessiohjauskaavioista voidaan tunnistaa erityisten syiden ai-heuttamaan luonnotonta vaihtelua. Niitä kutsutaan WECO-säännöiksi. WECO-sään-töjen pohjalta on kehitetty useita erilaisia sääntöjoukkoja, kuten Nelsonin säännöt. Ti-lastotieteellisissä ohjelmissa, kuten SPSS, SAS Enterprise Guide ja Minitab, käytetään tällä hetkellä Nelsonin sääntöjä. Ne sisältävät kahdeksan sääntöä, joista säännöt 1, 2, 5 ja 6 on otettu suoraan WECO-säännöistä. Nelsonin (1984) säännöt ovat seuraavat:

1. Yksi piste kontrollirajojen ulkopuolella

2. Yhdeksän pistettä peräkkäin samalla puolella alueella C tai kauempana keski-viivasta

3. Kuusi pistettä peräkkäin nousevat tai laskevat 4. 14 pistettä peräkkäin vaihtelevat ylös ja alas

5. Kaksi kolmesta peräkkäisestä pisteestä ovat alueella A tai kauempana keski-viivasta

6. Neljä viidestä pisteestä peräkkäin ovat alueella B tai kauempana keskiviivasta 7. 15 pistettä putkeen alueella C kummalla puolella tahansa keskiviivaa

8. Kahdeksan pistettä putkeen kummalla puolella tahansa keskiviivaa ilman pis-teitä alueella C

Tilastollinen kaavio on itseasiassa kuva prosessista kerätyn datan arvojen jakaumasta ja vaihtelusta. Luonnollisessa vaihtelussa pisteet vaihtelevat satunnaisesti, jolloin pis-teet eivät muodosta mitään tunnistettavaa systeemiä tai kuviota ja suurin osa datan arvoista ryhmittyy yleensä keskiarvon läheisyyteen. Kun tunnistetaan epäluonnollisten syiden aiheuttajia prosessista sääntöjoukoilla, on huomioitava, että aiheuttaja on to-dennäköisesti ollut prosessissa mukana jo epäluonnollista hajontaa edeltävissäkin pis-teissä (Western Electric Company, 1958).

5.3 Esimerkki prosessin kyvykkyyden arvioinnista

Tutkielman kokeellisessa, tai oikeastaan havainnollistavassa osuudessa, arvioidaan Savon Voima Oyj:n esimerkkiprosessin kyvykkyyttä kerätyn datan perusteella kont-rollikaavioilla. Tuloksien esittämiseen käytetään tilastollista Minitab-ohjelmaa. Pro-sessin kyvykkyyden arvioinnissa datana on käytetty Savon Voima Oyj:n 105 sisäisen palvelupyynnön läpimenoaikoja. Jokainen palvelupyyntö kohdistetaan pääsääntöisesti yhdelle työntekijälle käsittelyyn ja kukin palvelupyyntö saattaa sisältää useampia ala-tehtäviä. Kun palvelupyynnön suorittaja alkaa käsittelemään palvelupyyntöä, merki-tään tehtävienhallintajärjestelmään palvelupyynnön tilaksi ”Työn alla”. Kun palvelu-pyyntö on saatu tehtyä loppuun, palvelupyynnön lopputulos käy vielä työn tilaajalla arvioitavana. Arvioinnin ajaksi työn tila muuttuu ”Arvioinnissa” -tilaksi ja mahdolli-sesti, jos tehtävässä on korjattavaa tai täydennettävää, ottaa työn käsittelijä sen vielä uudelleen ”Työn alle”-tilaan. Tehtävienhallintajärjestelmässä ”Työn alla” olevia teh-täviä saa olla maksimissaan kolme yhdellä työntekijällä kolme kappaletta.

Palvelupyyntöjen data on haettu manuaalisesti tehtävienhallintajärjestelmästä ja mu-kaan on otettu kaikki palvelupyynnöt, jotka olivat datan keräyspäivänä 28.2.2018

”Valmiina”-tilassa. Palvelupyynnöistä ulkopuolelle jätettiin ne tehtävät, jotka eivät ol-leet missään vaiheessa olol-leet ”Työn alla” -tilassa; muiden tiimien työntekijöiden teh-tävät ja tehteh-tävät, jotka ovat käyneet useamman kerran ”Työn alla” -tilassa eli asiakas oli halunnut työhön muutoksia arviointinsa jälkeen. Dataa kerätessä tehtävienhallinta-järjestelmästä haettiin jokaiselle mukaan otetulle tehtävälle ”Työn alla” -tilaan ja siitä pois siirtämisen päivämäärä ja kellonaika. Tehtäväpyynnön tekemiseen kulunut aika laskettiin alku- ja loppupäivämäärän välisten arkipäivien määränä, sillä pyyntöjä käsi-tellään pääasiallisesti arkipäivisin. Arkipäiviin ei ole laskettu mukaan arkipyhiä ja ylei-siä lomapäiviä kuten itsenäisyyspäivää ja juhannusaattoa. Mikäli tehtävää oli suoritta-nut kaksi työntekijää, jaettiin suoritusaika kahdella ja jaettiin tehtävä kahdeksi eri teh-täväksi tutkimusdataan. Lisäksi pyynnöt järjestettiin järjestykseen työn aloittamisajan-kohdan mukaan vanhimmasta uusimpaan.

40 Esimerkkiprosessin kyvykkyyksien arviointi tehtiin mukaillen Wheeher ja Chamber-sin (1992) mallia jatkuvasta parantamisesta tilastollisten prosessiohjauskaavioiden avulla (Kaavio 1). Kaaviot havainnollistavat epäkohtia, joihin tulee kiinnittää huomia, kun prosessia kehitetään. Jotta tilastollisella prosessiohjauksella saadaan parannettua prosessin tilastollista kontrollia ja kyvykkyyttä, täytyy prosessia parantaa jatkuvasti Six Sigman jatkuvan parantamisen metodologian mukaisesti. Datan pohjalta tehtyjen päätelmien ja muutoksien jälkeen on tarkasteltava prosessintilannetta muutoksien jälkeen keräämällä uudelleen dataa prosessista. Jokaisella mallin suorituskierroksella prosessi muuttuu lähemmäksi tavoitettaan eli ennustettavuutta ja laadukkuutta. Lisäksi jatkuvan parantamisen seurauksena prosessin lopputuotteiden laatu ja prosessin kyvykkyys paranee sekä liiketoiminnan tavoitteet saavutetaan.

Koska tämän tutkielman kokeen tavoite oli tutkia vain kertaalleen palvelupyyntöjen prosessin kyvykkyyttä, suoritetaan malli vain kertaalleen ylhäältä alas. Jos haluttaisiin pidemmällä aikavälillä seurata prosessia ja tehtyjen toimenpiteiden vaikutuksia pro-sessiin, täytyisi prosessia seurata mallin mukaisesti jatkuvasti uusilla iteraatiokierrok-silla. Prosessiin tehtyjen parannusten jälkeen on kerättävä uutta mittausdataa, jonka takia kontrollikaavioiden luonnolliset kontrollirajat muuttuvat jokaisella mallin suori-tuskierroksella. Vaikka prosessin vaihtelu ei olisi vielä tilastotieteellisesti kontrollissa, voidaan sen datasta laskettuja kontrollirajoja pitää tarpeeksi hyvinä, jotta datasta voi-daan löytää pisteitä, jotka eivät ole kontrollissa (Wheeler & Chambers, 1992).

Vuokaavion (Kaavio 1) mukaisesti ensimmäisenä havainnollistuksessa päätettiin pro-sessin tutkittava ominaisuus, joka on luonnollisesti palvelupyynnön eli tehtävän suo-ritukseen kulunut aika. Toisena vaiheena palvelupyyntöjä päätettiin tarkastella kont-rollikaavioissa palvelupyyntö kerrallaan eikä ryhmitellä mitenkään, sillä jokaisella palvelupyynnöllä oli yksi mittaus eli suoritukseen kulunut aika. Jokainen yksi data-piste kaaviossa on yksi tehtävänhallintajärjestelmästä poimittu tehtävä. Jos 100 pis-teessä peräkkäin ei ole poikkeamia prosessiohjauskaavioissa, voidaan prosessin sanoa olevan kontrollissa (Wheeler & Chambers, 1992). Näin ollen 105 tehtäväpyyntöä ovat riittävän kuvaava datajoukko prosessissa päättelemään prosessin kyvykkyyttä ja toi-mintaa.

41 Kolmannessa vaiheessa datasta eli palvelupyyntöjen suoritusajoista kokonaisina arki-päivinä laskettuna laskettiin tilastotieteellisiä tunnuslukuja (Kuva 6). Kuvan Kuva 6 histogrammista ja laatikkokuviossa (box plot) x-akselina on palvelupyynnön suoritta-miseen kulunut aika. Histogrammissa y-akselina on palvelupyyntöjen määrä. Histo-grammista nähdään, että suurin osa palvelupyynnöistä on suoritettu alle 15 työpäivässä muutamia poikkeuksia lukuun ottamatta ja palvelupyyntöjen suoritusajat ovat yleisim-min alle viisi päivää. Laatikkokuvio havainnollistaa samaa asiaa datan jakaumasta, sillä alimman neljänneksen ”viikseä” ei näy edes kuviossa sen rajan ollessa sama kuin alin arvo eli yksi työpäivä. Suoritusaikojen keskiarvo on reilut viisi työpäivää ja kes-kihajonta noin kahdeksan päivää.

Kaavio 1: Vuokaavio tilastollisen prosessiohjauksen käyttämisestä jatkuvaan prosessin paranta-miseen Wheeler ja Chambers (1992)

Kuva 6: Palvelupyyntöjen suoritusaikojen tilastotieteelliset tunnusluvut

Tunnuslukujen laskemisen jälkeen datasta muodostettiin tilastollisen prosessiohjaus-kaaviot. Koska jokaisella tehtävällä on vain yksi mittausarvo, luotiin datasta I-MR-kaaviot (Kuva 7; Kuva 8; Kuva 9; Kuva 10; Kuva 11). Ylempi kaavio on kuvissa 7, 8, 9, 10 ja 11 on Individual-kaavio, jossa tarkastellaan prosessin arvojen muutoksia.

Alempi kaavio kuvissa 7, 8, 9, 10, ja 11 on vaihteluvälikaavio (Moving Range chart, MR), jossa tarkastellaan peräkkäisten pisteiden arvojen eroamista toisistaan. Yhdessä kaaviot tukevat toistensa informaatiota. Tilastollisissa prosessiohjauskaavioissa näkyy noin kolmen keskihajonnan päässä keskiarvosta oleva yläraja (upper control limit, UCL), joka on datalla 19 päivää. Alakontrolliraja (lower control limit, LCL) eli ha-vaintojen keskiarvo miinus noin kolme keskihajontaa olisi tutkimusaineistossa miinus seitsemän päivää, mutta selvyyden vuoksi kaavioiden alarajaksi (lower bound, LB) on laitettu nolla päivää, sillä suoritusaika ei voi saada nollaa tai negatiivista arvoa.

Seuraava vaihe tilastollisen prosessiohjauksen mallissa (Kaavio 1) on päättää, ovatko mittaukset tarpeeksi tarkalla tasolla. Kaavioissa mittauksien pyöristäminen liian karkealle tasolle tuottaa vääränlaista informaatiota ja vääristää tuloksia.

Demonstraatiossa tehtävien suoritusajat pyöristettiin minuuttien tai tuntien sijaan kokonaisille päiville. Tutkielman datassa ylä- ja alakontrollirajojen välissä on 19

43 mahdollista arvoa suoritusajoille. Näin ollen suoritusaikojen mittauksia ei ole pyöristetty liian karkealle tasolle ja mallissa voidaan edetä eteenpäin.

Luvussa 5.3 esitellyllä Nelsonin säännöillä yksi (Kuva 7), kaksi (Kuva 8) viisi (Kuva 9) ja kuusi (Kuva 10) löytyi pisteitä tilastollisista prosessiohjauskaavioista. Kaavioissa säännön ehdon täyttävät pisteet on merkitty punaisella. Puolestaan sääntöjen 3, 4, 7 ja 8 ilmaisemaa erityistä vaihtelua ei prosessista löytynyt. Säännön yksi eli yli kaikkien kontrollirajojen menevät pisteet on helppo erottaa kaaviosta (Kuva 7). Säännön kaksi pisteet kaaviossa ovat yhdeksäs ja sitä seuraavat pisteet samalla puolella keskiviivaa (Kuva 8). Säännöllä viisi löytyneet pisteet puolestaan ovat alueella A tai kauempana keskiviivasta kaksi pistettä kolmesta peräkkäin (Kuva 9). Sääännöllä viisi löytyneet pisteet löytyivät myös muilla säännöllä, joten sääntö ei tuo yhtään uutta pistettä tarkasteltavaksi. Säännön kuusi pisteet ovat neljä viidestä peräkkäisestä pisteestä alueella B tai kauempana (Kuva 10). Säännöillä yksi ja kaksi löytyi suurinpiirtein samat pisteet molemmista I-MR -kaavioiden kaavioista. Säännöillä viisi ja kuusi vaihteluvälikaavioissa ei ollut yhtään ehtoja täyttävää pistettä, vaikka Individual-kaaviosta hälyttäviä pisteitä löytyi.

Kuva 7: Sääntö 1

Kuva 8: Sääntö 2

Kuva 9: Sääntö 5

Kuva 10: Sääntö 6

Kuva 11: Säännöt 3, 4, 7 ja 8.

46 Tarkastellulla aikavälillä esimerkkiprosessi ei ole ollut tilastollisessa kontrollissa, koska erityistä vaihtelua osoittavilla säännöillä löytyy pisteitä kaavioista. Erityisten syiden löytämiseen kehitetyt säännöt löytävät pisteet, joissa todennäköisimmin on erityisten syiden aiheuttamaan vaihtelua, mutta luonnottoman vaihtelun aiheuttaja voi olla ollut prosessissa mukana jo pisteissä ennen hälyttäviä pisteitä. Reagoineissa säännöissä 2, 5 ja 6 kyse on useamman peräkkäisen pisteen tarkastelusta ja niiden välisen vaihtelun moninaisuudesta. Koska Minitab merkitsi näiden sääntöjen pisteistä vain viimeisimpiä pisteitä, otettiin erityisiä syitä tarkastellessa huomioon myös hälytystä ennen olleet pisteet. Esimerkiksi sääntö kaksi reagoi kahdeksan pisteen ollessa vain toisella puolella keskiviivaa ja tällöin Minitab merkitsee kahdeksannen ja sitä seuraavat ehdon täyttävät pisteet, vaikka seitsemän edeltänyttäkin pistettä ovat aiheuttaneet säännön toteutumisen.

Palvelupyyntöjen suorituksia läpikäymällä epäluonnolliseen vaihteluun tunnistettiin olevan muun muassa seuraavanlaisia erityisiä syitä: palvelupyynnöt, jotka erosivat tiimin normaaleista joka päiväisistä tehtävistä kuten kouluttaminen ja uusien sovelluksien käyttöönotto; pienten muutoksien ja toimitusten tekeminen sekä olemassa olevan logiikan muuttaminen järjestelmissä. Jotta voidaan arvioida prosessin kyvykkyyttä, täytyy prosessin olla tilastollisessa kontrollissa. Ilman tilastollista kontrollia palvelupyyntöjen suoritusaikoja ei voida ennustaa, sillä tutkimuksen tarkasteluvälilläkin tulokset ovat heitelleet miten sattuu. Tarkasteltava prosessi ei ole tilastollisessa kontrollissa eli ennustettava, joten sen kyvykkyydestä ei voida sanoa mitään. Kyvykkyyden arviointiin tarvittasiin myös prosessin ohjeelliset rajat, jotka tutkitussa prosessissa voisivat olla esimerkiksi 0-10 työpäivää eli maksimissaan kahden viikon suoritusajat palvelupyynnöille.

6 Johtopäätökset ja pohdinta

Tutkielman alussa esitettiin kolme tutkimuskysymystä, joihin lähdetiin etsimään vas-tauksia: Miten liiketoiminnan kahtalaisuus vaikuttaa liiketoimintatiedon hallintaan?

Miten liiketoimintatiedon hallinnan kehitystä johdetaan? Voidaanko liiketoimintatie-don hallinnan kyvykkyyttä tai kypsyyttä arvioida? Miten dataa voidaan hyödyntää pro-sessikyvykkyyksien kehittämisessä?

Liiketoiminnan kahtalaisuudella voidaan kuvata yrityksen tasapainottelua kustannus-tehokkuuden ja kasvun välillä. Yrityksen strategian asemoituminen kahtalaisuuksien suhteen vaikuttaa myös datastrategiaan. Liiketoiminnan strategian kanssa yhtäläinen datastrategia tukee liiketoimintastrategian toteuttamista tukemalla yrityksen toimintaa tiedon hyödyntämisen avulla. Kokonaisvaltaisella liiketoimintatiedon hallinnalla voi-daan tukea kahtalaisia liiketoiminnan tavoitteita. Kasvu ja kustannustehokkuus vaati-vat erilaisia asioita liiketoimintatiedon hallinnalta ja näitä näkökulmia oli käsitelty myös liiketoimintatiedon hallinnan kirjallisuudessa. Kirjallisuuden perusteella voi-daan todeta, että liiketoiminnan kahtalaisuus vaikuttaa liiketoimintatiedon hallintaan vaatimalla kokonaisvaltaista lähestymistapaa, sillä liiketoimintatiedon hallinnan jär-jestelmän täytyy olla tarpeeksi joustava ja ketterä, että se pystyy tukemaan liiketoimin-taa kahtalaisten tavoitteiden saavuttamisessa.

Liiketoimintatiedon hallinnan kehittämiseen sopii kirjallisuuden perusteella metodo-logiana ketterä kehitys perinteisiä ohjelmistotuotannon kehityksen menetelmiä parem-min, koska liiketoimintatiedon hallinnan kehitys on iteratiivista ja inkrementaalista luonnostaan. Ketterän kehityksen periaatteisiin liitetyt johtajuuspiirteet: fasilitoida dialogia ja neuvotteluja, tulosorientoituneisuus, erilaisten näkemysten arvostaminen ja joustavuus löytyivät kaikki vain Six Sigman johtajuustyylistä. Erilaisten johtamistyy-lien vertailun perusteella tunnistettiin yksi johtamistyyli, Six Sigma, joka oli ketterä ja jonka johtajien piirteet tukivat luonnostaan ketterää kehitystä.

48 Kolmanteen tutkimuskysymykseen vastaukseksi tutkielmassa löydettiin, että liiketoi-mintatiedon hallintaan on kehitetty useita erilaisia kypsyysmalleja, joilla voidaan ar-vioida organisaation kyvykkyysien tämän hetkistä tasoa ja kuinka hyvin liiketoimin-tatiedon hallinnan prosessi on määritelty. Kypsyysmalleista osa keskittyi johonkin tiet-tyyn liiketoimintatiedon hallinnan osaan, kuten tietovarastoihin. Kokonaisuudessaan liiketoimintatiedon hallintaan vaikuttavilla malleilla voidaan arvioida, kuinka korke-alla tasolla ollaan kokonaisvaltaisen liiketoimintatiedon hallinnan tason saavuttami-sesta. Lisäksi datan hyödyntämiseen organisaatiossa vaadittaviin kyvykkyyksiin konstruoitiin kyvykkyysmalli kirjallisuuden pohjalta, missä tarvittavat kyvykkyydet oli jaoteltu aineettomiin, aineellisiin ja ihmisiin. Kolmea kyvykkyysluokkaa ja niiden aliluokkia voidaan hyödyntää tarvittavien kyvykkyyksien arvioinnissa ja liiketoimin-tatiedon hallinnan kyvykkyyden määrittämisessä.

Neljänteen tutkimuskysymykseen luotiin teoriapohja tarkastelemalla tilastollista pro-sessiohjausta ja Six Sigmaa, minkä perusteella tehtiin Savon Voima Oyj:n esimerkki-prosessin prosessikyvykkyyden arvioinnista havainnollistaminen tilastollisilla proses-siohjauskaavioilla. Demonstraatiossa huomattiin, että kyseinen prosessi ei ollut tilas-tollisessa kontrollissa eikä sen takia prosessin toimintaa tulevaisuudessa pystytty en-nustamaan. Prosessin kyvykkyyden arviointi vaatii ennustamista prosessin historiada-tan perusteella, joten prosessin prosessikyvykkyyttä ei voida arvioida ennen kuin pro-sessi on tilastollisessa kontrollissa. Demonstraatiossa esiteltiin jatkuvan parantamisen malli tilastolliseen prosessinohjaukseen, mitä noudattamalla prosessi voidaan saada ti-lastollisesti kontrolliin prosessin erityisiä syitä tunnistamalla ja poistamalla.

Kokeellisen osuuden data eli tehtävien suoritusajat olivat saatavilla minuuttikohtai-sesti tehtävienhallintajärjestelmästä, jossa tehtävän suorituksen aloittaminen tai lopet-taminen täytyy käydä manuaalisesti työntekijän muuttamassa tehtävän tilaksi. Koska tehtävienhallintajärjestelmän perusteella ei tapahdu mitään muuta raportointia, kuten työajan seurantaa, ei tehtävien aloitus- ja lopetusaikoja voida pitää minuutilleen tai edes tunnilleen paikkaansa pitävinä. Tutkimustuloksista olisi saatu vielä tarkempia, jos kaavioihin käytetty datan olisi ollut päivien sijaan minuutti- tai tuntitasolla.

Lähdejärjestelmän tiedon laatu aiheutti rajoituksia kuitenkin edellä mainittujen syiden

49 takia tarkkuustasolle. Lisäksi jokaisella palvelupyyntöjen suorittajalla voi olla useampi kortti kerrallaan ”Työn alla”-tilassa suorituksessa, jonka takia jokaiseen tehtävään käytettyä aikaa on mahdotonta saada tehtävienhallintajärjestelmästä yksiselitteisesti.

Tutkielman tulokset painottuivat paljon prosessijohtamiseen ja laaja-alaiseen laatujoh-tamiseen, joiden teoriat ovat pohjana kyvykkyys-, kypsyysmalliajattelussa. Teoriat muodostavat pohjan myös tilastolliseen prosessiohjaukseen, jatkuvaan parantamiseen ja Six Sigma -johtajuustyyliin. Uusien käytänteiden ja toimintatapojen jalkauttaminen vaatii johtamista ja sen takia on perusteltua tarkastella johtajuutta. Lisäksi prosesseista halutaan laadukkaita, joka tapahtuu yhdenmukaisilla virheettömillä prosessien loppu-tuloksilla ja kyvykkäillä prosesseilla. Six Sigman tavoitteina on muun muassa pitää loppuasiakkaat tyytyväisinä ja toimia kustannustehokkaasti; sekä vähentää prosessin virheet lähes nollaan. Prosessin kyvykkyyksien kehittäminen on osa yrityksen jatku-vaa parantamista.

Viitteet

Alter S. (2002). The work system method for understanding information systems and information systems research. Communications of the Association for Information Sys-tems, 9(1).

Beck, K., Grenning, J., Martin, R. C., Beedle, M., Highsmith, J., Mellor, S., Bennekum, A., Hunt, A., Schwaber, K., Cockburn, A., Jeffries, R., Sutherland, J., Cun-ningham, W., Kern, J., Thomas, D., Fowler, M., Marick, B. (2001). Manifesto for Ag-ile Software Development. Saatavilla: www.agAg-ilemanifesto.org/

Cates, J.E., Gill, S.S. & Zeituny, N. (2005). The Ladder of Business Intelligence (LOBI): a framework for enterprise IT planning and architecture. International Jour-nal of Business Information Systems, 1(1-2), 220-238.

Collins, J. (2001). Level 5 leadership: The triumph of humility and fierce resolve. Har-vard Business Review, 79(1), 66-76.

Cosic, R., Shanks, G. & Maynard, S. B. (2015). A business analytics capability frame-work. Australasian Journal of Information Systems, 19, 5-19.

Cronemberger, F. & Rorissa, A. (2018). Big Data Analytics Literacy Development and LIS Education: Looking Forward From Within. Proceedings of the 2018 ALISE An-nual Conferences, 16-20

DalleMule, L. & Davenport, T. H. (2017). What’s Your Data Strategy. Harvard Busi-ness Review. Saatavilla: https://hbr.org/2017/05/whats-your-data-strategy

Deming, E. W. (1983). Quality, Productivity and Competitive Position. Quality En-hancement Seminars, Inc.

Dennis, A. L. (2017). Data Management vs. Data Strategy: A Framework for Business Success. Dataversity. Saatavilla: http://www.dataversity.net/data-management-vs-data-strategy-a-framework-for-business-success/

51 Dremel, C., Overhage, S., Schlauderer, S. & Wulf, J. (2017). Towards a Capability Model for Big Data Analytics. Proceedings Der 13. Internationalen Tagung Wirtschaftsinformatik (WI 2017)

Eckerson, W.W. (2009). TDWI's Business Intelligence Maturity Model. The Data Warehousing Institute.

Fraser, P., Moultrie, J., Gregory, M.: (2002) The Use of Maturity Models/Grids as a Tool in Assessing Product Development Capability. IEEE International Engineering Management Conference, 1, 244-249.

Fisher, T. (2005). How Mature Is Your Data Management Environment? Business In-telligence Journal, 10(3), 20-26.

Gardiner, J. J. (2006). Transactional, transformational, and transcendent leadership:

Metaphors mapping the evolution of the theory and practice of governance. Leader-ship Review, 6, 62–76.

Goleman, D., Boyatzis, R. & McKee, A. (2002). The new leaders: Transforming the art of leadership into the science of results. London: Harvard Business Review Press Goodwin, V. L., Wofford, J. C. & Whittington, J. L. (2001). A theoretical and

In document Kokonaisvaltainen liiketoimintatiedon hallinta - datan hyödyntämiskyvykkyyksien arviointi ja prosessikyvykkyyksien kehittäminen (sivua 35-55)