Susanna Somerikko
MASTER DATAN HALLINNAN KEHITTÄ- MINEN KOHDEORGANISAATIOSSA
Tekniikan ja luonnontieteiden tiedekunta
Diplomityö
Elokuu 2019
TIIVISTELMÄ
Susanna Somerikko: Master datan hallinnan kehittäminen kohdeorganisaatiossa Diplomityö, 114 sivua, 1 liitesivu
Tampereen yliopisto
Tuotantotalouden diplomi-insinöörin tutkinto-ohjelma
Tarkastajat: Tenure track -professori Teemu Laine ja professori Samuli Pekkola Elokuu 2019
Master datan hallinta on viime aikoina noussut yrityksissä merkittävään roolin yritysten ym- märtäessä datan laadun merkitykset liiketoiminnalle. Laadukkaalla datalla voidaan mahdollistaa tehokkaammat prosessit sekä proaktiivinen toiminta ja sen tulisi tukea sekä operatiivista että ana- lyyttista toimintaa. Master datan hallintaan ei kuitenkaan olla helposti valmiita investoimaan, sillä siitä saatavat hyödyt eivät ole heti havaittavissa vaan ne vaativat aikaa. Ongelma ei sinällään ole uusi, sillä yritykset ovat kamppailleet datan laatuongelmien kanssa jo vuosia ja datan määrän lisääntyessä ongelma on vain kasvanut. Master datan hallinta nähdäänkin usein järjestelmäläh- töisenä ongelmana, vaikka juurisyy on yleensä prosesseissa ja toimintatavoissa. Viime vuosina yritykset ovat kuitenkin panostaneet datan laatuun ja Master datan hallintaan ja älykkäät organi- saatiot ymmärtävät niiden merkityksen tehokkaassa päätöksenteossa.
Tutkimus on diplomityö, joka toteutettiin yhteistyössä kohdeorganisaation kanssa laadullisena tapaustutkimuksena osana yrityksen Master data -projektia. Tutkimuksen tavoitteena oli löytää tapoja kehittää yrityksen Master datan hallintaa sekä tehdä myös kirjallisuuden näkökulmasta arvokkaita löytöjä olemassa olevien Master datan hallinnan kehittämisen työkalujen hyödyntämi- seen yrityksessä. Tutkimuksen empiirinen aineisto kerättiin teemahaastattelujen avulla ja aineis- tona käytettiin myös yrityksen Master dataan ja toiminnanohjausjärjestelmään liittyvää dataa. Li- säksi työaikana toteutettiin aktiivista havainnointia kohdeyrityksessä. Työssä hyödynnettiin Mas- ter datan hallintaan, sen kypsyyden mittaamiseen sekä käyttöönottoon liittyvää kirjallisuutta. Ana- lyysissa hyödynnettiin sekä kypsyysmalleja että käyttöönoton vaiheita. Näiden avulla kartoitettiin Master datan hallinnan nykytila sekä rakennettiin lista tärkeimmistä kehityskohteista ja suosituk- sista.
Tutkimuksessa havaittiin, että yrityksen Master datan hallinnan nykyinen kypsyystaso oli al- hainen ja sen kehittämiseksi oli vasta alettu tehdä toimenpiteitä. Haasteita oli datan elämänkaa- ren kaikissa vaiheissa sekä niihin liittyvissä prosesseissa. Ohjeiden, kontrollin ja osaamisen puute oli johtanut siihen, että järjestelmässä oleviin tietoihin ei voitu luottaa, minkä vuoksi sen ei annettu ohjata toimintaa. Lisäksi perustiedoissa esiintyi merkittävä määrä virheitä, jotka vaikuttivat opera- tiiviseen toimintaan sekä raportointiin.
Kypsyysmallin avulla saatiin kartoitettua Master datan hallinnan eri osa-alueiden osalta nykyi- nen kypsyystaso ja sitä kautta luotua yksityiskohtaisemmat kehitystoimenpiteet kunkin osa-alu- een kehittämiseksi. Tärkeimpänä tutkimustuloksena yrityksen kannalta oli kuitenkin suositus aloit- taa Master data -projekti uudelleen. Uuden aloituksen myötä tulisi ottaa huomioon aiemmin aloi- tetussa projektissa väliin jätetyt vaiheet kuten tavoitteiden ja tarpeiden määrittely sekä ny- kyprosessien hahmottaminen. Aloittamalla projekti uudelleen ja ottamalla kokonaisuus huomioon, vältetään osaoptimointi ja otetaan yrityksen prosessien linkittyminen toisiinsa paremmin huomi- oon. Näin voidaan kehittää Master datan hallintaa kokonaisvaltaisesti sekä pysyvällä tavalla.
Avainsanat: ydindata, Master data, Master datan hallinta, Master datan hallinnan käyttöönotto
Tämän julkaisun alkuperäisyys on tarkastettu Turnitin OriginalityCheck –ohjelmalla.
ABSTRACT
Susanna Somerikko: Developing Master Data Management in Case Organization Master’s Thesis, 114 pages, 1 appendix page
Tampere University
Master’s Degree Programme in Industrial Engineering and Management Examiners: Tenure track professor Teemu Laine and professor Samuli Pekkola August 2019
Master data management has recently raised to a significant role in organizations as organi- zations have understood the value of data to the business. Good quality data enables efficient processes and proactive actions and the data should enable both operative and analytical actions.
Organizations are not easily willing to invest in Master data management since it takes time until the benefits are realized. The problem itself is not new since organizations have struggled with poor data qualityover the years, but the problem has risen due to the increased amount of data.
Master data management is usually seen as a system problem although the root cause is usually in the processes and policies. Within the last years organizations have started to invest in the data quality and Master data management, and intelligent organizations understand the value of these actions in efficient decision making.
This research is a master’s thesis conducted as a qualitative case study in the case organiza- tion in line with a Master data project inside the organization. The aim of this study was to find ways to develop the Master data management and from the literature point of view to provide significant findings on how to apply the current literature in organizations. The empirical data was collected through theme interviews and data from the Master data, and systems were also utilized.
In addition, observations were conducted in the case organization during daily operations. Liter- ature about Master data management, maturity of Master data management and how to imple- ment Master data management was utilized in the study. Based on the collected data the maturity of the Master data management in the organization was measured and a list of the most important recommendations and improvement areas were provided.
The findings from the study show that the current maturity of the Master data management in the organization was low and actions to improve the maturity have just been started to take. There were several challenges in every phase along the data life cycle and processes linked to these phases. The lack of guidelines, control and know-how had led to a situation where the data inside the systems was unreliable, and for that reason the systems were not let to guide the operations.
In addition, there were a significant number of mistakes in the Master data that influenced nega- tively the daily operations and reporting.
By using a maturity model the current state of different fields in the Master data management was measured and a list of development areas was created. The most important result was to suggest that the organization should restart the project. While restarting, the organization should consider earlier skipped phases as setting the goals and figuring out the needs and understanding the current processes. By starting all over and considering big picture, the organization will be able to avoid partial optimization and consider the integrations between the business processes.
In that way the organization can develop Master data management comprehensively and in a long-lasting way.
Keywords: Master data, Master data management, Implementing MDM
The originality of this thesis has been checked using the Turnitin OriginalityCheck service.
ALKUSANAT
Tätä kappaletta kirjoittaessani aloin pikkuhiljaa ymmärtää, että noin 18 vuotta kestänyt opiskelu oli ainakin hetkeksi loppumassa ja ensimmäistä kertaa en enää palaisi syksyllä koulun penkille. Uudet tuulet puhaltavat ja elämässäni tulisi aika ilman tenttiviikkoja ja kavereiden kanssa myöhään iltaisin opiskelua. Toisaalta tunne on erittäin haikea, mutta toisaalta odotan innolla tulevaa.
Tämä työ toteutettiin yhteistyössä toimeksiantoyrityksen kanssa ja haluankin kiittää heitä tästä mahdollisuudesta. Kiitos erityisesti työni ohjaajalle tuesta ja kiinnostuksesta työtäni kohtaan. Kiitos myös jokaiselle kohdeorganisaation työntekijälle, joka osallistui työhöni ja osoitti kiinnostusta työtäni kohtaan. Haluan kiittää myös erityisesti ohjaajiani professori Teemu Lainetta sekä Samuli Pekkolaa. Olen saanut teiltä tukea ja ohjausta aina tarvit- taessa.
Haluan kiittää myös omaa perhettäni, lähisukulaisiani ja ystäviäni. Olette tukeneet ja kan- nustaneet läpi koko koulutieni. Olette jaksaneet kuunnella valitukseni väsymyksestä ja ajoittaisesta motivaation puutteesta. Olette antaneet minulle aikaa ja omaa tilaa tehdä tämän työn loppuun. Lisäksi olette huolehtineet siitä, että tämän työn lisäksi minulla on ollut muutakin ajateltavaa viimeisen puolen vuoden aikana.
Vaikka tämä elämänvaihe onkin nyt ohi ja opiskelutaival hetkeksi kuljettu, odotan, mitä uusia haasteita tulevaisuus tuo tullessaan. Viimeiset opiskeluvuodet ovat toistaiseksi ol- leet elämäni parasta aikaa ja niihin liittyykin paljon muistoja, muutamia hieman raskaam- pia, mutta erityiseen paljon hauskoja ja iloisia muistoja. Niiden voimalla on hyvä ponnis- taa tästä eteenpäin ja niihin on aina mukava palata!
Salossa, 25.8.2019
Susanna Somerikko
SISÄLLYSLUETTELO
1. JOHDANTO ... 1
1.1 Tutkimuksen tausta ... 1
1.2 Tutkimuksen tärkeys kohdeyrityksen kannalta ... 2
1.3 Tutkimuksen tavoite ja tutkimuskysymykset ... 3
1.4 Tutkimuksen näkökulma ja rajaukset ... 4
1.5 Työn rakenne ja eteneminen ... 4
2. MASTER DATAN MERKITYS YRITYKSELLE ... 6
2.1 Data, datatyypit ja tiedon tasot ... 6
2.2 Master data ja sen merkitys ... 9
2.2.1Material Master data ... 9
2.2.2Master datan elinkaari ... 10
2.2.3Datan laadun merkitys liiketoiminnalle ... 11
2.2.4Datan laadun parantaminen ... 14
2.2.5Master datan ja datan laadun mittarit ... 16
3. MASTER DATAN HALLINTA JA PROSESSI ... 20
3.1 MDM prosessi ... 22
3.2 Datan hallinta ... 26
3.3 Datan huolenpitäjät ja roolit sekä vastuut ... 27
3.4 Master datan laatumalli ... 29
3.5 Master datan kypsyys ... 29
3.6 Master datan hallinnan käyttöönoton vaiheet ... 36
3.7 Yhteenveto ... 40
4. TUTKIMUKSEN TOTEUTUS ... 42
4.1 Tutkimuksen metodologia ... 42
4.1.1 Tieteenfilosofia ... 43
4.1.2 Tutkimusote ... 44
4.1.3Tutkimusstrategia ... 44
4.1.4 Aineistonkeruumenetelmät: kirjallisuuskatsaus ja haastattelut .... 45
4.2 Case-tutkimus ... 48
4.2.1 Kohdeorganisaatio ... 48
4.3 Tutkimuksen toteuttaminen ja aineisto ... 49
4.4 Aineistojen analysointi ... 50
5. MASTER DATAN HALLINTA YRITYKSESSÄ... 55
5.1 Nimikkeiden avaaminen ... 55
5.2 Nimikkeiden hallinta ... 61
5.3 Nimikkeiden perustietojen hyödyntäminen ... 67
5.4 Roolit ja vastuut prosessissa ... 72
5.5 Laadunvarmistus prosessissa ... 76
5.6 Kommunikaatio prosessissa ... 80
5.7 Toiveita projektin osalta ... 85
5.8 Yhteenveto tuloksista ... 87
6.MASTER DATAN HALLINNAN KEHITTÄMINEN KOHDEORGANISAATIOSSA 89 6.1 Nykyinen kypsyystaso ... 89
6.2 Toimenpiteet seuraavalle tasolle ... 93
6.2.1 Siirtyminen seuraavalle kypsyystasolle ... 93
6.2.2 Aloitetut kehitystoimenpiteet ... 99
6.2.3 Tärkeimmät kehityskohteet pitkällä aikavälillä ... 102
7. PÄÄTELMÄT ... 109
7.1 Tavoitteiden saavuttaminen ja tulosten merkitys yritykselle ... 109
7.2 Tieteellinen kontribuutio ... 110
7.3 Tutkimuksen arviointi ja rajoitteet ... 111
7.4 Jatkotutkimusaiheita... 113
LÄHTEET ... 115
KUVALUETTELO
Kuva 1. Datan laadun parantaminen (mukaillen Knapp & Hasibether 2011) ... 10
Kuva 2. MDM mittarit (mukaillen Allen & Cervo 2015) ... 17
Kuva 3. MDM rooli dataekosysteemissä (mukaillen Smith & McKeen 2008) ... 21
Kuva 4. MDM peruspilarit (mukaillen Radcliffe 2007) ... 24
Kuva 5. MDM prosessit (mukaillen Reichert, Otto & Österle 2013) ... 25
Kuva 6. Master datan hallinnan viisi osa-aluetta (mukaillen Cleven & Wortmann 2010) ... 26
Kuva 7. Datan hallinnan osa-alueet (mukaillen Brous et al. 2016) ... 27
Kuva 8. Master datan hallinnan kehittämisen prosessimalli (mukaillen Vilminko- Heikkinen & Pekkola 2017) ... 38
Kuva 9. Kirjallisuuden eri osa-alueiden merkitys työn tavoitteiden kannalta ... 40
Kuva 10. Tutkimuksen sipulimalli (mukaillen Saunders et al. 2009, s. 108) ... 42
Kuva 11. Toimipisteet ja haastateltavien ID ... 50
Kuva 12. Aineiston analyysin vaiheet ... 51
Kuva 13. Yritykselle luotu kypsyysmalli ... 90
Kuva 14. Käynnissä olevat kehitystoimenpiteet ... 101
Kuva 15. Suositeltavat jatkotoimenpiteet tutkimuksen jälkeen... 108
TAULUKKOLUETTELO
Taulukko 1. Tiedon tasot (mukaillen Thierauf 2001; Galliers & Newell 2007) ... 8
Taulukko 2. Datan laadun ulottuvuudet ja kriteerit (mukaillen Wang et al. 1998; Otto & Ebner 2010) ... 15
Taulukko 3. Esimerkki tuloskortista ja sen täytöstä (mukaillen Cervo & Allen, 2011) ... 19
Taulukko 4. Kypsyyden kokonaistilanteen seuraaminen (mukaillen Allen & Cervo 2015) ... 31
Taulukko 5. Kypsyyden eri osa-alueiden mittarit (mukaillen Allen & Cervo 2015)... 33
Taulukko 6. Master datan kypsyyden eri mallit ... 35
Taulukko 7. Yhteenveto nimikkeiden avaamisesta ... 61
Taulukko 8. Yhteenveto nimikkeiden hallinnasta ... 66
Taulukko 9. Yhteenveto nimikkeiden hyödyntämisestä ... 72
Taulukko 10. Yhteenveto rooleista ja vastuista ... 76
Taulukko 11. Yhteenveto laadunvarmistuksesta ... 80
Taulukko 12. Yhteenveto kommunikaatiosta ... 85
Taulukko 13. Yhteenveto tutkimuksen tuloksista ... 87
Taulukko 14. Yritykselle luotu kypsyysmalli osa-alueittain ... 91
LYHENTEET JA MERKINNÄT
ERP Toiminnanohjausjärjestelmä
MDM Master datan hallinta
SAP Systeme, Anwendungen und Produkte in der Datenverarbeitung, yrityksellä käytössä oleva toiminnanohjausjärjestelmä
CRM Asiakastietojenhallintajärjestelmä
IT Informaatioteknologia
KPI Key performance indicators, tärkeimmät suorituskyvyn mittarit SPEND-analyysi Muodostetaan kokonaiskuva organisaation sisäänostoista ja toimit-
tajista
S&OP Toimitusketjunohjauspalaveri EAN-koodi Standardoitu viivakoodi
1. JOHDANTO
1.1 Tutkimuksen tausta
Datan arvo ei ole datassa itsessään vaan siinä, miten sitä voidaan hyödyntää liiketoimin- nassa (Gokhale, 2007). Vaikka yrityksillä on paljon dataa olemassa, se ei ole täsmällistä, luotettavaa ja oikea-aikaista, minkä vuoksi sitä ei voida hyödyntää luotettavien ja turval- listen päätösten apuna (Unsworth et al., 2011). Datan laatuongelmat informaatiojärjes- telmissä ovat yhtä vanha ongelma kuin informaatiojärjestelmät itse, etenkin puhuttaessa huonolaatuisen datan vaikutuksista operaatioihin ja päätöksentekoon. Tutkimuksen mu- kaan noin 80 % vastaajista kokee, että parempi informaatio auttaisi tekemään parempia päätöksiä ja alentamaan kustannuksia. (Ebner, Otto & Österle, 2012, s. 363)
Master data tarkoittaa yrityksen perusdataa eli asiakas-, tuote-, toimittaja- ja henkilöstö- tietoja (Mukherjee, 2013). Master data on yrityksen tärkeintä dataa liiketoiminnasta, ydin- dataa. Master dataa jaetaan ja käytetään koko yrityksen laajuisesti ja se määrittelee koko yrityksen. Jotta järjestelmät, organisaatioyksiköt, päätöksentekotilanteet ja liiketoiminta- prosessit voivat toimia, tarvitaan Master dataa. (Dreibelbis et al., 2008). Kaikki transak- tiodata perustuu Master dataan. Sen laatu ei vaikuta pelkästään päätöksentekoon vaan myös koko liiketoiminnan tehokkuuteen eri osa-alueilla kuten hankinta, myynti ja logis- tiikka. (Knapp & Hasibether, 2011)
Organisaatioiden data ei ole yhdenmukaista. Syynä tähän on se, että ongelmia on pyritty ratkomaan järjestelmien näkökulmasta, mikä on heikentänyt datan laatua entisestään.
Vuosien aikana dataa on kehitetty siiloissa, mikä on johtanut siihen, että datan määritte- lyt, formaatit ja arvot ovat epäyhtenevät ja siksi organisaatioiden on vaikea ymmärtää ja käyttää sen ydindataa. (Smith & McKeen, 2008) Vuosien aikana useammat tekijät ovat pahentaneet organisaatioiden tilannetta. Ensinnäkin mahdollisuus tallentaa lähes rajat- tomasti dataa on lisännyt datan määrää yrityksissä, minkä vuoksi sen hallinta, analysointi ja hyödyntäminen on heikentynyt. Toiseksi uusien järjestelmien implementointi (kuten toiminnanohjausjärjestelmien (ERP) tai asiakastietojen hallintajärjestelmien (CRM)) on vain monimutkaistanut tilannetta, vaikka toisin on ajateltu. Kolmanneksi ongelmia on yri- tetty korjata laastariratkaisuin, jotka ovat kestämättömiä. Neljänneksi datasta ei haluta ottaa vastuuta eikä kukaan omista dataa, jolloin sitä ei hallita. Viimeiseksi kasvanut tarve hyödyntää ja jalostaa dataa on ohjannut yritykset lyhyen aikavälin ratkaisuihin, jotka eivät
korjaa tilannetta pitkällä aikavälillä ja vievät resursseja väärään kohteeseen. (Smith &
McKeen, 2008)
Master datan epäjohdonmukaisuus on herättänyt kiinnostusta Master datan hallintaan (Gokhale, 2007). Master datan hallinnan (MDM) tavoitteena on luoda ja säilyttää korkea- laatuinen ja luotettava data (Snow, 2008). Se pyrkii tarjoamaan yhteneväistä, tarkkaa, täydellistä ja oikea-aikaista Master dataa koko ekosysteemissä (Gokhale, 2007). Master datan hallinnalla tarkoitetaan prosessia, joka kuvaa, omistaa ja hallitsee yrityksen ydin- datan. Se takaa yhteneväisyyden ja ajantasaisuuden tarjoamalla ohjeet hallintaan sekä luo yhteisen näkemyksen siitä, mikä on ydindataa. (Smith & McKeen, 2008) Master da- tan hallinnan tavoitteena on taata pääsy informaatioon, tunnistaa yritykselle tärkeä infor- maatio, sekä luoda malli datan hallinnalle ja omistajuudelle. Näin voidaan taata korkea- laatuinen Master data. (Loshin, 2009)
MDM myyminen yrityksille on hankalaa, sillä sen hyötyjä ei ymmärretä. MDM:n avulla on kuitenkin saavutettavissa merkittäviä parannuksia, kuten esimerkiksi alentuneet kustan- nukset, parantuneet liiketoimintamahdollisuudet sekä paremmat tekniset mahdollisuu- det. (Smith & McKeen, 2008) Laadukkaalla ja hyvin hallitulla Master datalla voidaan vai- kuttaa positiivisesti yrityksen liiketoimintaan (Loshin, 2009). Master datan hallintaan pa- nostaminen voidaan nähdä keinona saavuttaa parempaa ja eheämpää dataa (Smith &
McKeen, 2008), jolloin yritykset voivat olla valmiita investoimaan MDM:ään (Loshin, 2009).
1.2 Tutkimuksen tärkeys kohdeyrityksen kannalta
Tutkimus on erittäin tärkeää kohdeyrityksen kannalta, sillä tällä hetkellä huonolaatuinen Master data ja sen hallinnan puute aiheuttavat mittavia ongelmia yrityksessä. Nykyisel- lään nimikkeiden perustamisvastuu on ollut yrityksen kontrollereilla, minkä jälkeen hal- linta ja ylläpito on ollut olematonta. Nimikkeiden avauspyynnöt tulevat kiireellisesti ja vir- heellisin tai puutteellisin tiedoin. Kun nimikkeitä avataan järjestelmään, kopioidaan vas- taavanlainen nimike pohjaksi. Tämä sisältää omat riskinsä, sillä mahdollisuus sille, että tietoja ei muuteta uuden tuotteen tiedoiksi ja vanhassa nimikkeessä olleet tiedot ja mah- dolliset virheet siirtyvät eteenpäin, on suuri. Tuotteiden avauksessa ei ole selkeää toi- mintatapaa ja varmistusta sille, että tiedot korjattaisiin avauksen jälkeen oikeaksi. Lisäksi ongelmia on tuotteiden elinkaaren muissakin vaiheissa, kuten lopettamisessa. Ongel- mana on myös toisinaan informaation kulku. Tämä näkyy mm. siinä, että avataan uudes- taan jo olemassa olevia tuotteita, lopetettavia tuotteita ei suljeta ajoissa tai vastaavasti ne suljetaan liian aikaisin.
Ongelmat johtavat siihen, että transaktiodata on virheellistä, raportit ovat puutteellisia ja väärin, työ ei ole sujuvaa, tiedolla johtaminen on haastavaa ja virheitä esiintyy paljon.
Kaikki tämä kärjistyy siihen, että järjestelmään ei luoteta ja sen vuoksi sen ei anneta nimensä mukaisesti ohjata toimintaa. Paremmalla Master datan hallinnalla, jossa mää- ritellään mm. vastuut, roolit, aikataulut sekä säännöt, voidaan nykytilannetta parantaa huomattavasti. Tämän vuoksi työ on erittäin tärkeää kohdeyritykselle. Lisäksi, kun Mas- ter datan hallintaa ja laatua parannetaan, se mahdollistaa yritykselle myös muita kehi- tystoimenpiteitä esimerkiksi hankinnan digitalisaatioon tai tiedolla johtamiseen liittyen.
Tutkimuksen avulla luodaan pohja paremmalle Master datan hallinnalle ja Master datan laadulle. Tavoitteena ei ole korjata kaikkia ongelmia välittömästi, vaan priorisoida muu- tostarpeet ja auttaa kohdeyritystä pääsemään alkuun Master datan hallinnassa.
1.3 Tutkimuksen tavoite ja tutkimuskysymykset
Tutkimuksen tavoitteena on kehittää kohdeyrityksen Master datan hallintaa sekä paran- taa Master datan laatua. Tavoitteen toteutuminen edellyttää, että kartoitetaan yrityksen nykyisen Master datan hallinnan kypsyys sekä selvitetään olemassa olevat ongelmat.
Näiden pohjalta pyritään löytämään tapoja kehittää toimintaa sekä parantaa datan laa- tua. Työn tuloksena pyritään löytämään kehityskohteita ja parannusehdotuksia nykyi- seen toimintaan, jotta päästään kohti tavoitetilaa ja parempaa kypsyysastetta.
Tavoitteesta muodostuu työn tutkimuskysymys:
• Miten Master datan hallintaa voidaan kehittää kohdeorganisaatiossa?
Tutkimuskysymys voidaan jakaa seuraaviin apukysymyksiin, jotka etenevät tutkimuksen kaltaisesti kronologisessa järjestyksessä:
1) Mikä on kohdeorganisaation Master datan hallinnan nykytila?
2) Mikä on kohdeorganisaation Master datan hallinnan tavoitetila ja kehityskohteet?
3) Miten kehityskohteet tulisi priorisoida?
4) Miten laatu ja hallinta voidaan jatkossa paremmin varmistaa?
Ensimmäisessä kysymyksessä pyritään kartoittamaan kohdeyrityksen Master datan hal- linnan nykytila. Selvitetään, mitä ongelmia ja puutteita Master datan hallinnassa on ja mitä vaikutuksia näillä puutteilla on toimintaan. Toisessa kysymyksessä pyritään kartoit- tamaan tavoitetilaa Master datan hallinnalle sekä löytämään selkeitä kehityskohteita.
Kolmanteen kysymykseen pyritään löytämään vastaus tietotarpeiden ja kehityskohtei- den kautta. Tutkitaan kohdeyrityksen tietotarpeita eli mitä tietoa tarvitaan, milloin ja missä muodossa ja tätä kautta pyritään löytämään kriittisimmät kehityskohteet ja käyttämään niitä apuna priorisoinnissa. Neljännessä kysymyksessä pyritään muodostamaan tapoja,
joilla jatkossa voidaan taata Master datan parempi laatu ja hallinta yrityksessä. Apuky- symysten avulla pyritään vastaamaan varsinaiseen tutkimuskysymykseen eli miten Mas- ter datan hallintaa voidaan kehittää kohdeorganisaatiossa.
1.4 Tutkimuksen näkökulma ja rajaukset
Tutkimus rajataan teemallisesti valmistavan elintarviketeollisuuden Master datan hallin- nan kehittämiseen. Tässä työssä Master dataan sisältyy vain nimikkeiden perustiedot eli rajataan ulos mm. toimittaja- ja asiakastiedot. Työn rajauksen lähtökohtana ovat koh- deyrityksen tarpeet. Tällä hetkellä suurimmat ongelmat Master datassa ja sen hallin- nassa keskittyvät nimenomaan nimikkeiden perustietoihin ja siksi aihe on rajattu sen mukaisesti.
Työssä pyritään vastaamaan tutkimuskysymyksiin ja pääsemään niiden kautta asetet- tuun tavoitteeseen. Työn tarkoituksena on löytää kehityskohteita nykytilaan ja niiden kautta kartoittaa tietä kohti tavoitetilaa. Työn toteutuksen aikana ei kuitenkaan toteuteta kaikkia kehityskohteita.
1.5 Työn rakenne ja eteneminen
Työ jakautuu kuuteen erilliseen osaan: johdanto, kirjallisuuskatsaus, tutkimuksen meto- dologia, tulokset, tulosten tarkastelu sekä päätelmät. Kirjallisuuskatsauksen tarkoituk- sena on esitellä Master datan hallinnan vaiheita, Master datan hallinnan käyttöönottoa sekä kypsyystilan määrittelyä. Lisäksi esitellään datan laadun vaikutuksia organisaatioi- den toimintaan. Kirjallisuutta käytetään pohjana nykytilaa ja tavoitetilaa kartoitettaessa.
Kirjallisuuden avulla on luotu teemahaastattelujen kysymysrunko sekä kartoitettu nykyti- lan kypsyys yrityksessä. Kypsyysmallien avulla on pyritty kartoittamaan myös kehitys- kohteet kohti seuraavaa kypsyystasoa. Master datan hallinnan käyttöönoton vaiheita on puolestaan hyödynnetty yrityksen nykyisen projektin arviointiin ja sitä kautta suosituksiin projektin sisällöstä ja vaiheista.
Kirjallisuuskatsauksen jälkeen siirrytään työn empiiriseen osuuteen. Aluksi esitellään työssä käytetyt tutkimusstrategiat ja -menetelmät. Tutkimusstrategiaksi valittiin tapaus- tutkimus, sillä tutkimusta tehtiin nimenomaan yhdessä yrityksessä ja tutkimuksessa py- rittiin löytämään kohdeorganisaatiolle sopivia kehitystoimenpiteitä. Dataa kerättiin kvali- tatiivisesti havainnoinnin ja puolistrukturoitujen haastattelujen avulla. Haastattelumene- telmäksi valikoitui puolistrukturoidut haastattelut, sillä haastateltavien rooli yrityksessä ja rooli Master datan hallinnassa vaihteli merkittävästi, joten haastattelumenetelmän tuli myös sopeutua tähän. Lisäksi sekundääridatana oli kohdeyrityksen tiedostoja. Luvussa
esitellään myös kohdeyritys tarkemmin. Lisäksi luvun lopussa esitellään työssä käytetyt analysointimenetelmät.
Viidennessä luvussa esitellään työn tulokset. Tulokset käydään teemoittain läpi ja teemat ovat jaettu vielä pienemmiksi osa-alueiksi: nykytila, ongelmat, tavoitetila, kehityskohteet sekä haasteet. Tuloksia analysoidaan ja tarkastellaan tarkemmin luvussa kuusi, missä esitellään yrityksen Master datan hallinnan nykytilan kypsyys, sekä tuodaan esiin, mikä olisi seuraava kypsyystaso, miten sinne päästään ja mitä haasteita tavoitetilaan pääse- misessä saattaa esiintyä. Luvussa esitellään yrityksessä jo aloitetut kehitystoimenpiteet sekä suositellaan jatkotoimenpiteitä yritykselle toiminnan kehittämiseksi entisestään.
Viimeisessä luvussa tiivistetään tutkimuksen tärkeimmät tulokset sekä pohditaan niiden merkitystä ja luotettavuutta. Lisäksi pohditaan jatkotutkimusaiheita tulevaisuuden tutki- mukselle.
2. MASTER DATAN MERKITYS YRITYKSELLE
2.1 Data, datatyypit ja tiedon tasot
Data sana tulee alun perin latinan kielisestä termistä ”datum”, jolla viitataan johonkin annettuun (Levitin & Redman, 1998). Informaatioteknologiassa datalla viitataan johonkin numeeriseen informaatioon, jota tietokoneet pystyvät käsittelemään (Levitin & Redman, 1998). Levitin & Redman (1998) määrittelevät datan totuuden kautta eli data edustaa totuuksia asioista. Davenport & Prusak (1998) puolestaan määrittelevät datan erillisinä, objektiivisina totuuksina tapahtumista. Erityisesti yritysmaailmassa data on helpointa ku- vata transaktiokirjausten kautta. Kaikki yritykset tarvitsevat dataa ja ovat erittäin riippu- vaisia siitä (Davenport & Prusak, 1998). Data kuvataan usein numeroina, symboleina tai muina totuuksia kuvaavina asioina, joista voidaan jalostaa informaatiota, jota tarvitaan jokapäiväisten operaatioiden ja päätöksenteon tukena. (Cleven & Wortmann, 2010).
Allen & Cervo (2015) mukaan data voidaan jakaa neljään eri tyyppiin: Master data, transaktio data, metadata ja referenssidata. Master datalla viitataan perinteisesti yrityk- sen yhtenäiseen perusdataan, joka sisältää asiakastiedot, tuotetiedot, toimittajatiedot, henkilöstötiedot jne. (Mukherjee, 2013). Master dataa jaetaan ja käytetään koko yrityk- sen laajuisesti, esimerkiksi uusien tuotteiden tai asiakkuuksien yhteydessä. Se on yrityk- sen tärkeintä dataa, ydindataa yrityksen liiketoiminnasta. Master data määrittelee koko yrityksen. Sitä tarvitaan eri organisaatioyksiköissä, eri järjestelmissä, eri päätöksenteko- tilanteissa sekä liiketoimintaprosesseissa. (Dreibelbis et al., 2008). Talburt & Zhou (2015) ilmaisevat Master datan olevan ikään kuin substantiiveja datan ja informaation kieliopissa. Master dataa kuvaavat hyvin seuraavat piirteet: se voi esiintyä itsenäisesti, se muuttuu harvoin ja sen määrä pysyy melko vakiona (Cleven & Wortmann, 2010).
Master data sisältää perinteisesti kolme määrittelyjoukkoa: sijainti (location), asia (thing) ja osapuoli (party). Osapuoli sisältää Master dataa, joka liittyy asiakkaisiin, toimittajiin, jakelijoihin, työntekijöihin sekä asukkaisiin. Asia sisältää puolestaan tuotteisiin ja palve- luihin liittyvää Master dataa. Sijainti sisältää paikat ja alueet, kuten myyntialue, kaupunki, tuotantolaitoksen sijainti. (Cleven & Wortmann, 2010)
Transaktiodata tarkoittaa dataa, joka liittyy erinäisiin liiketoiminnan tapahtumiin eli transaktioihin (Allen & Cervo, 2015). Näitä voivat olla esimerkiksi myyntitilaukset ja las- kut. Jos verrataan transaktiodatan ja Master datan ominaisuuksia, niin siinä missä Mas- ter data muuttuu hitaasti, transaktiodata muuttuu useammin elinkaarensa aikana. (Cle- ven & Wortmann, 2010). Talburt & Zhou (2015) mukaan siinä missä Master data on
kieliopin substantiivi, transaktio data kuvastaa verbejä. Transaktiodatan määrä on myös suurempi kuin Master datan määrä (Cleven & Wortmann, 2010).
Referenssidata auttaa kategorisoimaan dataa, kuten Master dataa ja transaktiodataa, esimerkiksi koodien avulla (Allen & Cervo, 2015). Referenssidata voi olla määritelty sa- malla tavalla useissa eri yrityksissä ja järjestelmissä, kuten sukupuoli, postikoodi tai va- luutta. Näin voidaan taata yhteneväiset ominaisuudet metadatalle, Master datalle sekä transaktiodatalle. Referenssidata on monissa asioissa samankaltaista kuin Master data:
se voi esiintyä ilman muuta dataa eli itsenäisesti, sen määrä on alhainen, se muuttuu harvoin (Cleven & Wortmann, 2010), ja myös referenssidataa tulisi esiintyä vain kerran järjestelmässä (Talburt & Zhou, 2015). Suurin ero Master dataan on kuitenkin se, että referenssidata on hienojakoisempaa ja se ei ole rajoittunut ydindataan (domain) (Cleven
& Wortmann, 2010).
Yksinkertaisimmillaan metadata tarkoittaa dataa datasta. (McGilvray, 2008). Metadata on kuvailevaa informaatiota datakokonaisuuksista ja elementeistä kuten kuvaus, tyyppi, rakenne, käyttö ja muutokset (Allen & Cervo, 2015). Metadata voidaan jakaa kahdella eri tavalla: joko tekniseen, liiketoiminta (business) tai jäljitysketjuun (audit trail) (McGilv- ray, 2008) tai vaihtoehtoisesti informatiiviseen ja operatiiviseen metadataan (Cleven &
Wortmann, 2010). Cleven & Wortmann (2010) mukaan operatiivisen metadatan tarkoi- tuksena on mahdollistaa järjestelmien tekniset operaatiot. Informatiivinen metadata puo- lestaan mahdollistaa ymmärryksen ja pääsyn domain dataan ja on käyttäjien ylläpitämää (Cleven & Wortmann, 2010). McGilvray (2008) mukaan tekninen metadata on esimer- kiksi kentän nimi, pituus, tyyppi ja rakenne. Sitä käytetään teknologian ja datan raken- teen kuvaamiseen. Liiketoimintametadata puolestaan kuvastaa datan ei-teknisiä puolia ja niiden käyttöä, kuten kuvaukset, raporttien nimet ja raporttien otsikot (McGilvray, 2008). Jäljitysketju puolestaan viittaa dataan, joka on suojattu muutoksilta. Se kuvastaa miten, milloin ja kuka on luonut, muuttanut tai poistanut dataa. Se voi olla esimerkiksi aikaleima, luoja, luontipäivämäärä tai päivityksen päivämäärä. (McGilvray, 2008) Lisäksi voidaan tunnistaa kaksi muuta datatyyppiä: historiadata sekä väliaikainen data (McGilvray, 2008). Historiadata sisältää merkittäviä tietoja tietyltä ajalta, joita ei tulisi muuttaa kuin ainoastaan virheitä korjattaessa. Esimerkiksi versiotiedot ovat historiada- taa. Väliaikainen data puolestaan on usein olemassa muistissa, jotta prosessointia voi- taisiin nopeuttaa. Sitä käytetään teknisiin tarkoituksiin. (McGilvray, 2008)
Kuten aiemmin määriteltiin, data kuvataan usein numeroina tai symboleina, joista voi- daan jalostaa informaatiota. Thierauf (2001) ja Galliers & Newell (2007) määrittelevät tiedon tasot Taulukon 1 mukaisesti. Tiedon alin taso on data (Thierauf 2001; Galliers &
Newell 2007). Datalla on vähiten vaikutusta tyypilliseen johtamiseen. Data muodostaa datajoukkion (data soup), joka on tiedon käsittelyä alimmalla tasolla. (Thierauf, 2001) Data on luonteeltaan yksiselitteistä, tällä tasolla noudatetaan vanhoja kaavoja, ja orga- nisaatiossa ei tapahdu oppimista (Galliers & Newell, 2007).
Toisella tasolla on informaatio (Thierauf 2001; Galliers & Newell, 2007), eli järjestelty data, joka puolestaan auttaa päätöksentekijöitä analysoimaan ja ratkaisemaan kriittisiä ongelmia. Useimmiten tunnistetaan, että laadukas ja oikea-aikainen liiketoimintainfor- maatio on tärkeä resurssi päätöksentekijöille. (Thierauf, 2001) Informaatio vaatii tulkin- nan, tällä tasolla vanhoja kaavoja voidaan muokata ja organisaatiossa tapahtuu jonkin verran oppimista (Galliers & Newell 2007).
Taulukko 1. Tiedon tasot (mukaillen Thierauf 2001; Galliers & Newell 2007)
Thierauf 2001 Galliers & Newell
2007
Totuus Totuuden noudattaminen -
Viisaus Kyky arvioida perusteellisesti - Älykkyys Syvä ymmärrys tärkeistä vaikutus-
suhteista
-
Tietämys Saatu asiantuntijoilta kokemuksen perusteella
Tietämys Usein hiljaista
Informaatio Jäsennelty data Informaatio Vaatii tulkintaa
Data Epäjäsennellyt asiat Data Yksiselitteistä
Kolmannella tasolla on tietämys (Thierauf, 2001; Galliers & Newell, 2007). Tietämyksen saavuttamiseksi tarvitaan kokeneita asiantuntijoita, sillä tietämys vaatii informaation jär- jestelemistä, jotta voidaan havaita kuvioita ja trendejä, joiden avulla voidaan siirtyä reak- tiivisesta proaktiiviseen toimintaan. Voidaan sanoa, että informaatio on dataa datasta, kun taas tietämys on informaatiota informaatiosta. (Thierauf, 2001) Galliers & Newell (2007) mukaan tietämys on mallin korkein taso. Tieto on usein hiljaista, ja tällä tasolla voidaan kehittää uusia kaavoja ja organisaatiossa tapahtuu paljon oppimista (Galliers &
Newell, 2007).
Thieraufin (2001) mallissa neljännellä tasolla on älykkyys (intelligence). Älykkyydeksi ku- vataan asiakkaiden ja työntekijöiden henkilökohtaisia kokemuksia ja tarpeita sekä yrityk- sen toimintoja, jotka yhdistetään ulkoisiin lähteisiin. Älykkyys sisältää taidon ohjata da- tan, informaation ja tietämyksen avulla toimintaa kohti haluttuja tavoitteita. (Thierauf, 2001)
Korkeimmat kaksi tasoa ovat viisaus ja totuus. Viisauden lähtökohtana voi usein olla tietämättömyys. Viisaus usein lähtee eri tapahtumien yhdistelemisestä ja niiden muutok- sesta ajassa. Viisaus vaatii taitoa katsoa tilannetta kauempaa, tunnistaakseen epätaval- lisia tekijöitä ja odottamattomia tuloksia. Viisautta opitaan kokemuksen ja ajattelun kautta ja se onkin yksi organisaation tärkeimmistä resursseista. Totuus puolestaan edustaa kor- keimman tason ymmärrystä. Totuuden olemassaolosta yritysmaailmassa on kiistelty.
Äärimmäisellä tasolla totuus on verrattavissa Jumalaan. (Thierauf, 2001)
Kuten aiemmin on todettu, data on kaiken informaation ja tietämyksen taustalla. Epälaa- dukas data aiheuttaa ongelmia päätöksenteossa sekä johtamisessa.
2.2 Master data ja sen merkitys
Laadukkaalla ja yhtenevällä Master datalla mahdollistetaan luotettava ydindata koko or- ganisaatiossa (Loshin, 2009). Tehokkaasti toimivat organisaatiot näkevät datan strategi- sena varana, joka on lähtökohtana kilpailuedulle sekä liiketoiminnan onnistumiselle.
Nämä yritykset käyttävät dataa tunnistaakseen uusia kasvumahdollisuuksia, mahdollis- taakseen uusia liiketoimintamalleja sekä parantaakseen operatiivista tehokkuutta. (Muk- herjee, 2013) Hyvällä Master datan hallinnalla ja sitä kautta laadukkaalla Master datalla voidaan huomattavasti parantaa yrityksen tuottavuutta, riskien hallintaa sekä alentaa kustannuksia (Loshin, 2009).
2.2.1 Material Master data
Tässä työssä keskitytään erityisesti nimikkeiden perustietoihin eli Material Master da- taan. Material Master data kuvailee eri tyyppistä informaatiota osista ja tuotteista. Useim- min sillä on jokin avaintunniste kuten osanumero, jokin nimi ja muuta tarpeellista infor- maatiota. Lisäksi tärkeitä ominaisuuksia ovat osaluettelo (bill of material), reititys, luokka (class) sekä luokitus/kuvaus (classification). Vaikean tästä datasta tekee sen fyysiset ominaisuudet sekä luokitus – melkein kaikki informaatio Material Masterissa mahdollis- taa henkilökohtaisen tulkinnan siitä, miten ja mihin tietoja täytetään, sillä kentät ovat useimmiten vapaata tekstiä. Lisäksi näitä harvoin tarkastetaan syntaxin rajoituksia vas- ten. Käyttäjien käytöksestä johtuvat laatuvirheet ovat usein joko ”kirjausvirheitä” (entry error) tai ”kopioi ja muuta” (copy & edit) virheitä. Ensimmäisessä virheen aiheuttaa va- hingossa väärinkirjoitettu tai väärin sijoitettu informaatio eli väärät data-arvot. Toisessa puolestaan dataobjekteja kopioidaan ja muutetaan eri spesifikaatioiden suhteen, jolloin usein päädytään eriäviin merkintätapoihin eli data ei ole yhteneväistä. Yksilöllisten ja heterogeenisen käytön sekä luomisen vuoksi Material Master data on kaikkein monimut- kaisinta. (Knapp & Hasibether 2011)
Useimmiten ongelmat johtuvat siitä, että ei ole luotu sääntöjä nimeämiseen tai luokitte- luun. Lisäksi ei valvota sitä, että perusperiaatteet toteutuisivat eli samanlaiset osat nime- tään samalla tavalla ja erilaiset eri tavalla. Kun halutaan parantaa Material Masterin da- tan laatua ERP-järjestelmässä, tulee data siivota ja harmonisoida sovitun ja parhaiten sopivimman standardin avulla. (Knapp & Hasibether 2011)
Kuva 1. Datan laadun parantaminen (mukaillen Knapp & Hasibether 2011)
Prosessi aloitetaan ottamalla data, tässä tapauksessa materiaaliin liittyvä data, ensin ulos järjestelmästä (extract). Sitten data tulee harmonisoida ja siivota, samankaltaiset datat yhdistetään ja täytetään kentät samalla tavalla jokaiselle materiaalille. Lisäksi myös täytetään puuttuva data. Tämän lisäksi on kuitenkin huomioitava, että laadun parannus vaatii myös duplikaattien tunnistamisen. Mikäli materiaaleilla on täysin samat tiedot, voi- daan epäillä näiden olevan duplikaatteja, ellei ole jotakin lisäominaisuuksia, jonka vuoksi näin ei ole. Tämä vaihe on datan muuttaminen (transfer). Lopuksi siivottu ja paranneltu data voidaan ladata (load) takaisin järjestelmään. (Knapp & Hasibether, 2011) Prosessi on kuvattu Kuvassa 1.
2.2.2 Master datan elinkaari
Datan elinkaari noudattelee CRUD-toimintoja eli luominen, käyttäminen, muokkaaminen sekä poistaminen (Loshin, 2009). Jos elinkaarta hallitaan hyvin, se alkaa jo aiemmin datan suunnittelusta, spesifioinnista ja sen toimintojen mahdollistamisesta (Ofner, Straub & Oesterle, 2013). Tämän jälkeen luodaan Master data (Loshin, 2009; Ofner, Straub & Oesterle, 2013; Cleven & Wortmann, 2010). Kun Master data on luotu, voidaan sitä käyttää (Loshin, 2009) ja varastoida (Ofner, Straub & Oesterle, 2013; Cleven & Wort- mann, 2010) ja siihen pääsy tulee taata (Cleven & Wortmann; 2010). Master datan käy- tön aikana voidaan myös muokata tai korjata dataa (Loshin, 2009; Ofner, Straub &
Oesterle, 2013). Elinkaaren lopussa data voidaan arkistoida (Cleven & Wortmann, 2010) ja/tai lopulta poistaa (Loshin, 2009; Ofner, Straub & Oesterle, 2013; Cleven & Wortmann, 2010).
Yleisesti mikään yksi liiketoiminnan funktio ei ole vastuussa kaikista vaiheista. Sen sijaan esimerkiksi myynti ja markkinointi, operaatiot, tuotekehitys, hankinta ja toimitusketju ovat yleisesti kiinnostuneita vain Master datan käytöstä omiin tarpeisiinsa. (Ofner, Straub &
Oesterle, 2013)
Harmonisointi Siivous Rikastaminen Duplikaattien
käsittely
Master datan elinkaaren ymmärtäminen, suunnittelu ja valvonta on MDM tärkeimpiä kul- makiviä (Ofner, Straub & Oesterle, 2013). Elinkaareen liittyen tulisikin pohtia seuraavia asioita:
• Elinkaaren arviointi eli mitä strategisia, taktisia ja operatiivisia tehtäviä pitäisi tehdä, jotta voidaan valvoa Master dataan elinkaarta
• Elinkaaren analysointi ja kehitys eli mitkä yksiköt, prosessit ja järjestelmät liittyvät nykyisellään Master datan elinkaaren vaiheisiin ja miten nykyistä elinkaaren hal- lintaa voidaan analysoida ja kehityskohteita tunnistaa
• Elinkaaren kommunikaatio eli minkälaista terminologiaa käytetään sisäiseen ja ulkoiseen viestintään kun keskustellaan elinkaaren ongelmista (Ofner, Straub &
Oesterle, 2013)
2.2.3 Datan laadun merkitys liiketoiminnalle
Nykypäivänä dataa käytetään kahteen eri tarkoitukseen: operatiiviseen toimintaan sekä toiminnan kehittämiseen. Sen vuoksi yrityksen riskienhallinnan näkökulmasta on tär- keää, että riskienhallintaohjelmaan sisällytetään prosessi, jossa arvioidaan, mitataan, ra- portoidaan, reagoidaan ja kontrolloidaan riskejä, jotka liittyvät huonolaatuiseen dataan.
Huonolaatuisen datan vaikutuksia voidaan arvioida seuraavien kysymysten avulla:
• Mitkä ovat liiketoiminnan odotukset datan laadulle
• Miten huono datan laatu voi vaikuttaa liiketoimintaan ja
• Miten löytää yhteys huonolaatuisen datan ja liiketoiminnan ongelmien välillä (Loshin, 2011)
Huonolaatuinen data vaikuttaa moneen asiaan liiketoiminnassa (Haug et al., 2013). Huo- nolaatuisen datan aiheuttamat ongelmat voidaan jakaa strategisiin, taktisiin sekä opera- tiivisiin ongelmiin. Strategisiin ongelmiin kuuluvat datan jalostamisvaihtoehtojen vähene- minen, johdon huomion harhautuminen sekä toimintasuunnitelman asettamisen vaikeu- tuminen. Taktisiin ongelmiin puolestaan kuuluvat myyntien menetys, luottamuksen puute, korkeampi teknologinen riski, vaikeampi riskienhallinta, huonommat päätökset (Redman, 2008) ja tehottomampi päätöksentekoprosessi (Haug et al., 2013). Operatiivi- siin ongelmiin kuuluvat alentunut työ- ja asiakastyytyväisyys (Haug et al., 2013; Redman, 2008) sekä alempi tehokkuus (Haug et al., 2013). Lisäksi se kasvattaa operatiivisia ku- luja (Redman 2008; Haug et al., 2013), sillä työaikaa kuluu virheiden etsimiseen ja kor- jaamiseen (Haug et al., 2013).
Huonolaatuinen Master data aiheuttaa prosessivirheitä ja siten korkeampia kustannuk- sia. Master datan hallinnan suurin ongelma on laadun takaaminen sekä oikea-aikaisuus.
Vanhentunut ja ristiriitainen Master data voi johtaa virheisiin toiminnassa. Epätehokkaat prosessit ja siten korkeammat kustannukset manuaalisen korjaamisen vuoksi ovat syynä korkeampiin kustannuksiin. Tämän vuoksi huonolaatuinen Master data voi usein johtaa
yrityksen taloudellisesti alakynteen. (Loser et al., 2004) Virheet Master datassa voivat johtaa epäonnistuneisiin toimituksiin, laskutusvirheisiin, ja aiheuttaa vuosittain merkittä- viä kuluja (Snow, 2008).
Mitä enemmän yrityksellä on käytössä eri järjestelmiä, sitä todennäköisemmin data on virheellistä, sitä esiintyy tuplana tai tietoa puuttuu tai katoaa. Tällöin myöskin taloudelli- nen informaatio huononee, mikä puolestaan vaikuttaa yrityksen kykyyn arvioida yritys- riskiä. (Loshin, 2009) Muodostamalla yhtenäinen näkymä dataan voidaan alentaa toi- minnan kuluja ja lisätä tehokkuutta (Loshin, 2009; Loser et al., 2004; Waddington, 2010).
Mitä enemmän on järjestelmiä ja ylläpidettävää tietoa, sitä enemmän siihen kuluu rahaa ja aikaa. Yhdellä yhtenäisellä järjestelmällä näistä kuluista päästään eroon. (Loshin, 2009) Kuluja voidaan alentaa myös ajattelemalla asiaa toiselta kantilta. Huonolaatuinen data maksaa yritykselle paljon. Kun esimerkiksi samalla tuotteella on eri myyntialueilla eri tunniste, tällöin yhteenveto tuotteen myynnistä on väärin ja harhaanjohtavaa. Tällöin myös inventaariot näyttävät väärin. Tämä voi puolestaan johtaa kauppojen ja asiakkai- den menettämiseen, tarpeettomiin ostoihin sekä muihin kuluihin yritykselle. (Talburt &
Zhou, 2015) Prosessien sujuessa ongelmitta myös kustannukset alenevat (Loser et al.
2004). Master datan hallinnan avulla voidaan parantaa näitä huonon datalaadun aiheut- tamia ongelma (Talburt & Zhou, 2015).
Paremmalla Master datan hallinnalla voidaan mahdollistaa tehokkaampi liiketoiminta (Loshin, 2009; Waddington, 2010). Kun ymmärretään, miten data näyttäytyy ja käyttäy- tyy eri järjestelmissä ja miten se vaikuttaa prosesseihin, voidaan tutkia mahdollisuutta automatisoida liiketoimintaprosesseja (Loshin, 2009). Master datan hallinnalla voidaan myös parantaa ja nopeuttaa päätöksentekoa (Waddington, 2010). Datan ollessa luotet- tavaa ja yhtenäistä voidaan sen perusteella tehdä nopeasti parempia päätöksiä (Loshin, 2009). Hyvällä Master datan hallinnalla yritys pystyy myös nopeammin reagoimaan muu- toksiin liiketoiminnassa (Waddington, 2010; Loshin, 2009). Kun dataa voidaan helposti hallita ja luoda, voidaan myös reagoida nopeammin. Sen sijaan epäluotettavalla ja huo- nolaatuisella datalla päätöksenteko voi hidastua ja voidaan menettää liiketoimintamah- dollisuuksia. (Loshin, 2009)
Master datan arvo ei ole datassa itsessään, vaan siinä, miten sen avulla voidaan nopeut- taa päivittäisiä liiketoiminnan transaktioita ja miten siitä voidaan luoda näkemyksiä tule- vaan. Organisaatiot tavoittelevat jatkuvasti kilpailuetua vastaamalla tarpeisiin nopeam- min reaaliajassa. Kun pohjalla ei ole hyvälaatuista Master dataa, on olemassa riski siirtää huonoa dataa nopeammin ja aiheuttaa suurempaa kaaosta. (Gokhale, 2007)
Kun yrityksessä on yhteinen käsitys Master datasta, voidaan toimitusketjussa toimia maksimaalisella tehokkuudella. Kun sekä toimittava että tilaava osapuoli tietävät, mitä pitäisi toimittaa ja kuinka paljon ja tiedot tarkastetaan molemmissa päissä, vältytään ylei- siltä ongelmilta mm. laskutuksen erotuksissa, voidaan alentaa varastotasoja, lyhentää toimitusaikoja sekä minimoida puutetta. Toimitusketjun optimointi on vain yksi lukuisista tavoitteista. Kun siistiä ja yhteneväistä informaatiota on saatavilla siellä, missä sitä eniten tarvitaan, yritykset voivat jatkuvasti parantaa prosesseja ja toimintaa sekä tarttua uusiin liiketoimintamahdollisuuksiin. (Gokhale, 2007) Lisäksi paremmalla datalla voidaan suo- rittaa parempia analyyseja sisäänostoista ja toimittajista (SPEND-analyysi) sekä suunni- tella tulevaa paremmin, kun datan avulla voidaan ennustaa tarkemmin. (Loshin, 2009) Hyvälaatuisella datalla voidaan saada aikaiseksi parempaa ja yhtenäisempää raportoin- tia (Loser et al., 2004). Jos tiedot ovat väärin, järjestelmässä esiintyy turhia toistoja tai data on vääräaikaista, tällöin myös raportointi on virheellistä ja epäluotettavaa. Mikäli tietoja joudutaan keräämään eri järjestelmistä, on se myös työläämpää kuin yksi yhtei- nen Master data tietopankki. (Loshin, 2009)
Hyvälaatuisella Master datalla on myös mahdollista saavuttaa parempi markkina-asema (Waddington, 2010). Master datan hallinnalla voidaan parantaa kokonaisvaltaista asia- kastietoa. On mahdollista, että asiakkailla on monia tapoja ja vaihtoehtoja asioida yrityk- sen kanssa, minkä vuoksi ilman asiakastietojen hallintaa ei ole mahdollista tietää kuinka paljon asiakkaita on yhteensä, miten he haluavat asioida yrityksen kanssa tai kuinka montaa eri palvelua he käyttävät. Asiakastietojen hallinnalla voidaan tällöin kerätä nämä tiedot yhteen, ja käyttää niitä sekä analyysin että operatiivisen toiminnan tukena. Parem- malla asiakastietojen hallinnalla voidaan myös parantaa asiakaspalvelua (Loshin, 2009) ja paremmalla asiakaspalvelulla voidaan puolestaan lisätä asiakastyytyväisyyttä (Wad- dington, 2010; Loser et al., 2004). Paremmalla datalla voidaan paremmin vastata asiak- kaiden odotuksiin saatavuuden, tarkkuuden ja toimitusten avulla sekä tarjota parempaa läpinäkyvyyttä ja suojaa asiakastiedoille. (Loshin, 2009; Loser et al. 2004)
Datan laadulla ja arvolla on edelleen suuria luotettavuusongelmia (Zoder, 2015). Huono- laatuinen data vaikuttaa negatiivisesti yrityksen kulttuuriin, sillä dataa käytetään ja luo- daan jokapäiväisissä toiminnoissa ja se on tärkeä osa päätöksentekoa, mikä puolestaan määrittelee yrityksen kulttuuria. Huonolaatuisen datan vuoksi on mahdotonta muodostaa luottamusta dataan, minkä vuoksi käyttäjät eivät luota sen perusteella muodostettuihin kannustimiin. (Haug et al., 2013).
Jotta voidaan vähentää transaktiovirheitä, työn uudelleen tekemistä, parantaa raportoin- tia ja päätöksentekoa ja lopulta myös parantaa taloudellista tulosta, tulee Master datan
olla korkealaatuista. 2012 vain 3 % olemassa olevasta datasta oli valmista analyysikäyt- töön ja vain 0,5 % käytettiin hyödyksi analyyseissa. Merkittävät tuottavuuden alentumat epätehokkaan laatujohtamisen vuoksi datan määrän lisääntyessä vauhdilla heikentävät jo tehtyjä parannuksia. (Zoder, 2015)
Master datan hallinnan suurin motivaatio onkin huonolaatuinen Master data. Master da- tan hallinnan tavoitteena on tarjota johdonmukaista, tarkkaa, täydellistä ja ajantasaista Master informaatiota ympäri ekosysteemin (Gokhale, 2007). Datan hallinta (data gover- nance) on tärkeää Master datan hallinnan implementoinnin kannalta. Datan hallinta tuli- sikin implementoida Master datan hallinnan yhteydessä tai sitä ennen. (Waddington, 2010) Lisäksi paremmalla Master datan hallinnalla voidaan taata, että vastataan parem- min lain määräämiin vaatimuksiin datan hallinnan osalta (Loshin, 2009).
2.2.4 Datan laadun parantaminen
Yleisimmät datan laatuongelmat ovat seuraavanlaisia: ei löydetä tarvittavaa dataa, data on virheellistä, dataa on liian paljon, data on epäyhteneväistä eri järjestelmissä, data on huonosti määritelty ja datan turvallisuus ja yksityisyys ovat huonoja (Redman, 2008, s.
41). Haug et al. (2013) esittelee tutkimuksessaan 12 yleisintä estettä datan laadulle. Tär- keimpänä esteenä on vastuunjaon puuttuminen eri Master data tyypeiltä. Toisena es- teenä on epäselvät roolit datan elinkaaren aikana eli luonnissa, käytössä sekä ylläpi- dossa. Kolmantena syynä on organisaation epätehokkaat prosessit. Lisäksi tärkeysjär- jestyksessä luetellaan vielä seuraavat syyt: johdon fokuksen puute datan laadussa, da- tan laatumittareiden puute, palkintojen puute datan laadun suhteen, käyttäjien koulutuk- sen puute, kirjoitettujen datan laatusääntöjen ja -prosessien puute, johto ei korosta datan laadun tärkeyttä, ei ole sopivia datan laatujärjestelmiä (informaatioteknologia eli IT), IT järjestelmien joustamattomuus, IT-järjestelmien heikko käyttöaste. (Haug et al., 2013) Jotta datan laatua voidaan parantaa ja nykytilaa voidaan arvioida, täytyy sitä mitata. Vain sellaista mitä mitataan, voidaan parantaa. Datan laatu usein määritellään sen kykynä täyttää tilanteen vaatimat käyttövaatimukset. Toisaalta datan laadulla on iso rooli Master datan hallinnan onnistumisessa, sillä se tukee Master datan luotettavuutta ja sen teknii- koita voidaan soveltaa myös Master datan hallinnassa. Toisaalta taas Master datan hal- linnalla voidaan parantaa datan laatua. Kun kyky tunnistaa virheitä kasvaa, myös virhei- den määrä vähenee. (Otto & Ebner, 2010)
Taulukkoon 2 on kuvattu datan laadun ulottuvuuksia ja kriteereitä. Taulukossa on kuvattu Wang et al. (1998) ja Otto & Ebner (2010) kuvaamia ulottuvuuksia sekä niiden eroja.
Lisäksi Master datan laadun osalta on otettava huomioon eri kielten käännökset, muun- nokset eri mittajärjestelmissä sekä eri konseptien ja järjestelmien täsmääminen kuten värikoodit (Knapp & Hasibether, 2011).
Taulukko 2. Datan laadun ulottuvuudet ja kriteerit (mukaillen Wang et al. 1998; Otto
& Ebner 2010)
Kirjoittaja Ominaisuus Kuvaus
Wang et al. 1998 Uniikkius Jokaisen objektin tulisi esiintyä vain kerran. Ei dublikaatteja.
Wang et al. 1998 Samanlaisuus Informaatio tulisi aina voida tulkita ja ilmaista sa- malla tavalla, noudattaen annettuja sääntöjä. Tällöin objektit luodaan aina samoin periaattein.
Wang et al. 1998 Objektiivisuus Datan luominen on riippumatonta yksilöstä, eli subjektiivisuus ei vaikuta.
Wang et al. 1998 Tulkittavuus Datan merkitys tulee voida ymmärtää ilman lisä- tietoa. Käytetään globaaleja standardoituja nimiä.
Wang et al. 1998;
Otto & Ebner 2010 Ajantasaisuus Informaatio on oikea-aikaista ja päivitettyä. Ei käytetä vanhoja standardeja. (Wang et al. 1998) Data vastaa todellista ajanhetkeä (Otto & Ebner, 2010).
Wang et al. 1998;
Otto & Ebner 2010 Yhtenäisyys Eri ominaisuudet samalla tuotteella ovat loogi- sesti koherentteja eivätkä ole ristiriidassa. Relevant- tia tietoa ei puutu, ei tyhjiä kenttiä virheellisesti.
(Wang et al. 1998) Data vastaa toista vastaavaa da- taa toisessa tietokannassa (Otto & Ebner, 2010).
Wang et al. 1998;
Otto & Ebner 2010
Täydellisyys Kaikki objektit ovat täydellisesti kuvattuja annet- tujen ohjeiden mukaisesti.
Wang et al. 1998;
Otto & Ebner 2010 Tarkkuus Informaatio tulee olla tarkasti esitetty. Samat tie- dot kaikissa. (Wang et al. 1998) Data kuvastaa ta- pahtumia ja asioita oikein (Otto & Ebner, 2010).
Wang et al. 1998;
Otto & Ebner 2010
Relevanttius Vain tarvittava tieto ei ylimääräistä. Esim. ei toi- mittajakohtaisia tietoja materiaalidatassa. (Wang et al. 1998) Data on hyvin sovellettavissa ja auttaa ky- seisessä tehtävässä (Otto & Ebner 2010).
Otto & Ebner 2010
Pääsy Datan saatavuus tarvittaessa.
Kuten kappaleen alussa mainittiin vain sellaista, mitä mitataan, voidaan kehittää. Datan laadun mittaaminen ei kuitenkaan ole täysin ongelmatonta. Datan laadun mittaamisen ongelmia ovat datan laatusääntöjen määrittely, liiketoiminnan sääntöjen vaikutusten määrittely, mittaustavan yhteneväisyys ja toistettavuus, motivaatio sekä tavoitearvojen määrittely (Otto & Ebner, 2010). Onnistumiseen vaikuttavia tekijöitä puolestaan ovat määritellyt standardit, tietoisuus ja johdon tuki, kokonaisvaltainen lähestymistapa, hen- kilökohtaisten tavoitteiden sopiminen, selkeästi määritellyt vastuut ja prosessit, kulujen ja vaikutusten visualisointi sekä yksinkertainen ja keskitetty hallinta. Elinkaaren aikana tärkeimmät suorituskykymittarit (KPIt) olivat kiertoaika, status sekä hukka-aika (aika eri vaiheiden välissä) (Otto & Ebner, 2010). Tärkeimmät mittarit ovat tarkkuus, täydellisyys sekä yhteneväisyys. Koska Master data kuvastaa reaalielämän asioita, parhaita mitta- reita sen laadulle ovat kuinka tarkkaa, täydellistä ja käyttöön sopivaa se on. Huonolaa- tuinen data juontaa juurensa usein systemaattisuuden puutteeseen. Siksi informaatio-
arkkitehtuuri eli metadatan laatu onkin tärkeä osa-alue datan laadussa. Se sisältää da- tarakenteet, luokat, ominaisuudet, arvot, säännöt sekä käytön rajoitukset. Metadatan laatu onkin avainasemassa datan laadun saavuttamiseksi. Jos halutaan saavuttaa pit- käaikaista laatua, tulee metadatan laatua parantaa. (Knapp & Hasibether, 2011) Datan laadun valvonnassa olisi hyvä suorittaa seuraavat vaiheet:
• Arvioida mitä riskejä informaation käyttöön liittyy
• Pohtia tapoja, miten täsmentää datan laatuodotuksia
• Kehittää työkaluja ja prosesseja, joilla voidaan selventää, mitä datan laatu tar- koittaa
• Määritellä datan kelpaavuus/pätevyys (validius) rajoitteet
• Mitata datan laatua ja
• Raportoida ja seurata dataongelmia (Loshin, 2011)
Datan laatuodotuksia voidaan selvittää seuraavien kysymysten avulla: mitä dataa puut- tuu tai mikä data on käyttökelvotonta, mitkä data-arvot ovat ristiriidassa, mitkä arvot ovat turhina toistoina sekä mitä yhteyksiä puuttuu. Vastaavasti liiketoiminnan odotukset voi- daan ilmaista mittaamalla prosessien toimintaa, tuottavuutta ja tehokkuutta seuraavilla kysymyksillä: miten läpimeno on laskenut virheiden vuoksi, kuinka paljon aikaa prosent- teina käytetään virheiden korjaamiseen, kuinka paljon transaktioita tehtiin turhaan puut- tuvan datan vuoksi, ja miten nopeasti voidaan vastata liiketoimintamahdollisuuksiin.
(Loshin, 2011)
2.2.5 Master datan ja datan laadun mittarit
Datan laadun mittaamisen tarkoituksena on voida tunnistaa kehityskohteet ja estää on- gelmien toistuminen (Cervo & Allen, 2011). Hyvä mittari on selkeästi määritelty, se on mitattavissa, sillä on merkitystä liiketoiminnan kannalta, se on kontrolloitavissa, hyvin esitetty, raportoitavissa, jäljitettävissä ja siihen voidaan pureutua syvemmin. Mittarin tu- lee olla selkeästi määritelty, jotta tiedetään mitä mitataan. Lisäksi olisi hyvä määritellä mittarin raja-arvot, sekä määritellä mitä kukin arvoväli tarkoittaa. Mittarin tulee olla mitat- tavissa mielellään kvantitatiivisesti. Mittarin tulee olla merkityksellinen liiketoiminnan kan- nalta, joten tulee määritellä, miten se vaikuttaa liiketoimintaan. Mittarin tulee olla kontrol- loitavissa eli esimerkiksi, jos laadun mitattu arvo on huono, sen tulee laukaista kehitys- toimenpiteitä. Mittarin tulisi mielellään olla visuaalisesti esitettävissä, tavalla, jolla se yk- siselitteisesti kuvastaa mittarin tulosta. Mittarin arvosta tulisi myös voida muodostaa ra- portti. Lisäksi sen tulee olla jäljitettävissä eli voidaan piirtää trendiä historian kehityk- sestä. Jos mittari antaa huonon arvon, tulisi voida pureutua syyhyn mistä huono arvo johtuu. (Loshin, 2011)
Master dataa tulisi aina mitata, ja mittaamattomuus on yksi huonoimmista tavoista Mas- ter datan hallinnassa (Talburt & Zhou, 2015). Jos Master datan laatua ja sen vaikutuksia liiketoimintaan ei mitata ennen ja jälkeen MDM projektin, ei voida myöskään raportoida kehitystä. Tulisikin luoda mittarit, joilla mitataan MDM toimintaa, jotta voidaan kommuni- koida tavoitteita. MDM parannuksilla tulisi olla positiivinen vaikutus kaikkiin mittareihin.
Mittareiden tulisi linkittyä ja olla linjassa organisaation muiden mittareiden kanssa. (Rad- cliffe, 2007) Parhaimpiin tapoihin kuuluu mitata sekä järjestelmän sekä liiketoiminnan toimintaa kuten takaisinmaksuaikaa (ROI) (Talburt & Zhou, 2015). Suorituskykymittarei- den tulisi keskittyä edistämään MDM ohjelmaa, parantamaan Master datan laatua ja vä- hentämään liiketoimintariskiä (Allen & Cervo, 2015).
MDM:n toimintaa voidaan mitata strategisella, taktisella ja operatiivisella tasolla. Lisäksi voidaan ottaa huomioon esimerkiksi taloudellinen hallinta sekä riskienhallinta. Kuvassa 2 nähdään MDM mittausalueita. (Allen & Cervo, 2015)
Kuva 2. MDM mittarit (mukaillen Allen & Cervo 2015)
Radcliffe (2007) mukaan ylimmällä tasolla, organisaatiotasolla, voidaan yleisesti mitata organisaation tavoitteita kuten liikevaihto, liikevoitto ja markkinaosuus. Strategisella ta- solla mitataan usein operatiivista tehokkuutta kuten kustannusmittareita, asiakkaiden hylkäystasoa, ja tuotteen johtajuutta kuten uusien tuotteiden määrää. (Radcliffe, 2007) Allen & Cervo (2015) mukaan strategisella tasolla johtajat ovat kiinnostuneita siitä, miten hyvin MDM:n avulla on pystytty parantamaan IT-operaatioita ja madaltamaan huonosta datalaadusta johtuvaa liiketoimintariskiä. Tavoitteet tulisi sitoa MDM arvontuottolupauk- siin tai ROI-analyysiin. Jotta johdon tuki säilyy, tulee voida osoittaa, että kehitystä on
Ohjelman tehokkuuden
mittarit Strategiset
tavoitteet
Palvelutason sopimukset
Taloudellinen johtaminen
Riskien hallinta Operatiiviset
tavoitteet Taktiset tavoitteet
tapahtunut ja informoida esiin tulleista ongelmista. Jos strategisen tason johtoa ei ole sitoutettu, MDM ei todennäköisesti tule täysin onnistumaan. (Allen & Cervo, 2015) Taktisen tason mittarit puolestaan keskittyvät enemmän ohjelman keskeisiin hankkeisiin sekä prosesseihin, jotta voidaan muodostaa joukko päällekkäisiä mittareita. Näiden avulla saadaan selkeämpi kuva siitä, mitkä tekijät ajavat ohjelmaa eteenpäin, mikä vai- kuttaa tavoitteisiin ja missä tarvitaan muutoksia. Taktisen tason mittausten tulokset edis- tävät strategisen tason raportoituja suorituskykymittareiden arvoja. Taktisella tasolla tu- lisi Master datan laadun lisäksi mitata myös metadatan ja referenssidatan laatua. Takti- sella tasolla tulisi myös tarkastella koko Master datan elinkaaren prosessia ja mitkä teki- jät vaikuttavat prosessin kulkuun ja sujuvuuteen. Jokaista elinkaaren vaihetta ja niihin liittyviä aktiviteetteja (luominen, laatu, käyttö ja hallinta) tulisi mitata. (Allen & Cervo, 2015)
Operatiivisella tasolla mittaaminen keskittyy enemmän prosesseihin, sovelluksiin ja da- tan huolenpitäjän aktiviteetteihin. Operatiivisella tasolla voidaan mitata myyntimääriä, tarpeiden vastaamista, hankinnan kustannustehokkuutta, ja laskutusta (Allen & Cervo, 2015). Operatiivisella tasolla tulisi mitata Master datan laatua, kuten duplikaatteja ja täy- dellisyyttä, jotta voidaan osoittaa korkeammalle tasolle näiden vaikutuksia toimintaan.
Operatiivisen tason mittareille tulisi asettaa tavoitteet, kommunikoida ne ja mitata sään- nöllisesti, jotta voidaan määritellä onnistuminen ja vaikutus liiketoimintaan. (Radcliffe, 2007)
Datan laadun suorituskykymittareita voivat olla esimerkiksi luotettavuus, saatavuus, yh- teneväisyys, identifioitavuus sekä sääntöjen noudatettavuus. Luotettavuutta voidaan mi- tata laaturaporttien julkisuudella ja läpinäkyvyydellä eli julkaistaanko raportit aina sovi- tusti vai jätetäänkö raportteja ongelmien takia julkaisematta. Saatavuutta voidaan mitata datan täydellisyyden, ajantasaisuuden sekä vastausaikojen kautta. Yhteneväisyyttä puo- lestaan voidaan mitata esitysten täydellisyydellä, datan määrittelyjen ja rakenteellisen yhteneväisyyden kautta. Identifioitavuutta voidaan mitata duplikaattien, puuttuvien tieto- jen, ja korjausten määrän kautta. Lisäksi voidaan mitata, kuinka hyvin sääntöjä nouda- tetaan. (Loshin, 2011)
Niin kauan, kun luodut datasäännöt ovat mitattavissa, voidaan mittareista luoda hierar- kia, josta voidaan muodostaa suorituskykymittareita datan hallintaan. Mittarit voidaan kohdistaa vastuuhenkilöille, jolloin heidän työn laatuaan voidaan valvoa. Jos ongelmia esiintyy, voidaan tutkia prosessia ja etsiä syitä epäonnistumiseen ja muokata prosessia paremmaksi. (Loshin, 2009)
Mittarit voidaan jakaa kahteen kategoriaan: monitorit ja tuloskortit. Monitoreiden tarkoi- tuksena on löytää rikkeet, jotka täytyy välittömästi korjata. Tuloskortit puolestaan kuvas- tavat datan laatua ja antavat raportteja, jotka eivät ole niin reaaliaikaisia kuin monitorit.
Monitoreiden tarkoituksena välttää rikkeet, jotka vaikuttavat välittömästi ja suuresti liike- toimintaan. Jokaisessa monitorissa on yleensä seuraavat tiedot: datan laatumonitorin identiteetti, monitorin nimi, monitorin kuvaus eli mitä mitataan, monitoriin liittyvä suoritus- kyvyn mittari ja datan laatuominaisuus kuten tarkkuus, yhteneväisyys jne. Lisäksi tulisi määritellä, mihin liiketoimintayksikköön se vaikuttaa, mikä on mittausyksikkö, tavoi- tearvo, spesifikaatiot, mittausväli, yhteyshenkilö, ongelman juurisyy sekä onko juurisyy- hyn puututtu. (Cervo & Allen, 2011)
Taulukko 3. Esimerkki tuloskortista ja sen täytöstä (mukaillen Cervo & Allen, 2011)
Kokonaisuus Attribuutti Datan laatu- ulottuvuus
Pisteet Punainen Keltainen Vihreä
Esim. Asiakas Esim. nimi Esim. täydelli- syys
Saadut pis- teet
Raja-arvot Raja-arvot Raja-arvot
Tuloskortti muodostuu kehityksen indikaattoriksi. Esimerkki tuloskortin täytöstä näkyy Taulukossa 3. Tuloskortti on hyvä työkalu, koska se yhdistää laadun numeeriseen ar- voon, jolloin voidaan määrittää, onko data huonontunut vai parantunut ja se selkeästi tunnistaa kehityskohteet. Tuloskorttia ei kuitenkaan sellaisenaan yksin voida käyttää juu- risyiden tunnistamiseen. Se korostaa kehitysalueita, mutta sen lisäksi tulee tehdä juuri- syyanalyysi, jotta voidaan määritellä paras tapa ratkaista ongelma. (Cervo & Allen, 2011)
3. MASTER DATAN HALLINTA JA PROSESSI
Master Datan hallinta (MDM) on terminä ylikäytetty ja sillä on useita tarkoituksia. Vaikka MDM määritelmä saattaa olla epäselvä, sillä ratkaistava ongelma ei ole. Ollaankin ylei- sesti yhteisymmärryksessä siitä, että organisaatioiden data ei ole johdonmukaista. Vuo- sien aikana dataa on kehitetty siiloissa, mikä on johtanut siihen, että datan määrittelyt, formaatit ja arvot ovat epäyhtenevät ja siksi organisaatioiden on vaikea ymmärtää ja käyttää niiden ydindataa. (Smith & McKeen, 2008) Ilman aktiivista keskittymistä datan laatuun, datan varastointiprojektit, CRM, MDM ja informaation hallinta tulevat epäonnistumaan. Kun datan laatu on heikko tai olematon ja virheitä ei tunnisteta ja korjata, prosessit ja päätöksenteko kärsivät. Useimmat organisaatiot ajattelevat datan laadun olevan jotakin, mikä vain on olemassa ja datan laatuongelmat useimmiten ovat odottamaton syy järjestelmien epäonnistumiseen. Viime vuosina datan laatu on ollut MDM:n keskiössä. Älykkäät organisaatiot ymmärtävät yhteyden täsmällisen datan ja hyvän päätöksenteon välillä ja ymmärtävät panostaa datan laatuun informaatiojärjestelmissä. On kuitenkin tosiasia, että yritykset kamppailevat datan laadun kanssa ja eivät aina onnistu säilyttämään ”yhtä totuutta”. (Sammon et al., 2012)
Master Datan hallinnasta on olemassa monia erilaisia kuvauksia. Smith & McKeen (2008) määrittelevät Master datan hallinnan seuraavalla tavalla: se on sovelluksesta riip- pumaton prosessi, joka kuvaa, omistaa ja hallitsee yrityksen ydindatan. Se takaa yhte- neväisyyden ja ajantasaisuuden tarjoamalla ohjeet hallintaan sekä luo yhteisen näke- myksen siitä, mikä on ydindataa. (Smith & McKeen, 2008) Berson & Dubov (2007) ku- vaavat Master datan hallinnan seuraavasti: se on viitekehys, joka sisältää prosesseja ja teknologiaa, ja jonka tarkoituksena on luoda ja hallita luotettavaa, kestävää, ajantasaista ja turvallista dataa ja se tarjoaa ”yhden totuuden” eri sovelluksissa ja yrityksen yksi- köissä. Talburt & Zhou (2015) ovat erottaneet kaksi yhdistävää tekijää eri kuvauksissa Master datan hallinnasta. Se sisältää toimintatavat datan hallintaan sekä teknologiat, jotka puolestaan tukevat Master datan hallintaa. Toimintatavoilla määritellään roolit ja vastuut prosessissa. Teknologia puolestaan sisältää kokonaisuuden hallinnan, jolla var- mistetaan, ettei järjestelmissä ole turhia toistoja samasta datasta. (Talburt & Zhou, 2015) Master datan hallinnalla pyritään takaamaan mm. seuraavia liiketoiminnan tarpeita: taa- taan pääsy yleisesti käytettyihin informaatioihin, datalistoihin ja liiketoiminnan sääntöihin koko organisaatiossa, tunnistetaan yritykselle tärkeät informaatiot eri järjestelmissä ja
