‹ Blogit

28.11.2018 17.01

Näin vakiinnutat datatieteen organisaatioosi

  • Datan hallinta ja laatu
  • Edistynyt analytiikka ja tekoäly

Data science eli datatiede on seksikästä, mutta sen vakiinnuttaminen yrityksessä ei välttämättä ole ongelmatonta. Jo pelkkä datatiedetiimin perustaminen voi osoittautua haasteelliseksi: Löydetäänkö moniosaajadatatieteilijä perustamaan datatiedettä liiketoiminnan tukitoiminnoksi vai palkataanko suoraan useampi eri henkilö? Millä tavoin datatiede ja sen liiketoimintahyödyt tehdään tunnetuksi yrityksessä? Entä miten synnyttää luottamusta datatiedettä ja sen ratkaisuja kohtaan?

Olin hiljattain kouluttamassa datatieteilijöille suunnatulle kurssilla. Käsittelimme datan hallintaa (sekä data management että data governance) ja keskustelimme datatieteen vakiinnuttamisen haasteista ja ratkaisuista. Yhdistin keskustelun oleelliset oivallukset ja omat kokemukseni täksi kirjoitukseksi, jossa käsittelen kolmea keskeistä datatieteen vakiinnuttamisen kipupistettä yritysmaailman kontekstissa. Yrityksissä datatiede voi asemoinnin kannalta olla liiketoiminnan tukitoiminto, osa liiketoiminnan kehitystä tai liiketoiminnan strateginen osa.

Aloitetaan kuitenkin datatieteen käsitteestä, josta on useita eri määritelmiä. Tämän kirjoituksen puitteissa riittää seuraava tiivistys: datatiede on poikkitieteellinen ala, jossa statistiikan ja algoritmien avulla jalostetaan datasta oivalluksia ja jonka osaksi koneoppiminen voidaan lukea.

Saat datatieteestä eniten irti perustamalla usean eri roolin tiimin

Yritysten hakiessa datatieteilijää työpaikkailmoituksessa saatetaan mainita tekninen ja matemaattinen osaaminen sekä kyky ymmärtää liiketoimintaa. Tekninen osaamisvaade voi pitää sisällään osaamista data science -työkaluista, ohjelmoinnista ja data-arkkitehtuureista, matemaattinen osaaminen taas ymmärrystä statistiikasta ja tilastollisesta analyysista. Liiketoimintaosaamisella puolestaan tarkoitetaan liiketoimintalähtöisyyttä, yhteistyötaitoja ja prosessiymmärrystä. Esimerkki ei ole tyhjentävä, mutta kuvaa datatieteessä vaadittavaa tietotaitoa.

vakiinnuta datatiede organisaatioosi

Vaikka moniosaajia on olemassa ja tällainen henkilö voi saada datatieteen hyvälle alulle yrityksessä, niin heitä voi olla haastavaa löytää. Moniosaaja saattaa myös tietää vähän kaikesta, mutta häneltä saattaa samalla puuttua syväosaaminen. Datatieteilijätiimiä laajennettaessa tällainen henkilö voikin olla hyvä tiiminvetäjä, ja työ kannattaa tiimissä aina jakaa useammalle eri roolille. Tämä tekee työntekijöiden löytämisestä helpompaa, mutta vaatii toki isompaa budjettia.

Se, mistä rooleista kannattaa lähteä liikkeelle, on hyvin yrityskohtaista. Datatiedetiimissä voi olla esimerkiksi datainsinööri, ohjelmoija, matemaatikko, data-analyytikko tai vaikka liiketoiminta-analyytikko. Huomaa, että näistä useamman tehtävänimike voi olla datatieteilijä. Mikäli roolivalinnat vielä mietityttävät, kollegani Asko Relas on pohtinut aihetta blogikirjoituksessaan Mitä tulee huomioida data science tiimiä perustettaessa – Osa 2: Osaaminen ja rekrytointi.

Auta muita ymmärtämään, miten data hyödyttää organisaatiotasi

Datatieteilijätiimi on olemassa, mutta kukaan ei ota yhteyttä, tai yhteydenottoja on vähän. Datatiede itsessään on vielä suhteellisen uutta niin käsitteenä kuin osana liiketoimintaa. Näin ollen datatieteen liiketoiminnalle tuottamat hyödyt eivät monestikaan ole yleisesti tunnettuja yrityksessä. Tämä näkyy siten, ettei liiketoiminta osaa pyytää data science -tiimiltä ratkaisuja.

Mitä laajemmin datatieteen palvelut ja hyödyt tunnetaan organisaatiossa, sitä helpompi sisäisten asiakkaiden on ottaa yhteyttä datatieteilijöihin. Datatieteen tunnettuuden lisääminen yrityksessä kuulostaa yksinkertaiselta, mutta se vaatii suunnitelmallisuutta ja työtä.

Tunnettuuden rakentamisessa on syytä huomioida ainakin seuraavat seikat:

  1. Määrittele, mistä on kyse (datatiede ja sen hyödyt).
  2. Tunnista sidosryhmät ja potentiaaliset asiakkaat.
  3. Laadi markkinointi- ja myyntimateriaalia eri kanaviin ja tilaisuuksiin, kuten intranetiin tai sisäisiin workshoppeihin.

Itse viestin sisältö kannattaa miettiä sisäisen asiakkaan kannalta. Esimerkiksi pohdittaessa, miten datatiede voi auttaa markkinoijaa, kannattaa hypätä markkinoijan saappaisiin ja viestiä asiasta markkinointitermistöllä. Muista, että algoritmien ja funktioiden käyttäminen kiinnostaa kyllä datatieteilijä-kollegoitasi, mutta yrityksen muissa toiminnoissa halutaan tietää, mitä hyötyä datatieteen soveltaminen tarjoaa käytännön työhön.

Mitä laajemmin datatieteen palvelut ja hyödyt tunnetaan organisaatiossa, sitä helpompi sisäisten asiakkaiden on ottaa yhteyttä datatieteilijöihin.

References

Avoimuudella saat organisaatiosi luottamaan datatieteeseen

Datatieteilijät voivat törmätä tilanteeseen, jossa tilaaja ei luota ratkaisuun. Kyse voi olla epäilyksistä uutta ja tuntematonta datatiedettä kohtaan. Myyjä saattaa luottaa herkemmin intuitioonsa liidien priorisoinnin suhteen kuin datatieteilijän tekemään malliin, joka ennustaa liidien kannattavuutta. Tilaaja ei ymmärrä, mihin datatieteilijän laatima malli perustuu, miten se toimii ja miten se voi pitää paikkansa.

Mikäli datatieteilijän luoma malli esimerkiksi muuttaa liiketoimintaprosesseja, kyse voi myös olla muutoksen pelosta ja jopa siitä, säilyykö oma työpaikka. Tämä voi olla tilanne varsinkin silloin, kun perinteistä suuryritystä halutaan kääntää modernimmaksi tai jopa edelläkävijäksi.

Jatkuva dialogi ja kehitystyö sisäisten asiakkaiden kanssa synnyttää väistämättä syvempää ymmärrystä kehitettävästä ratkaisusta ja siten hälventää epäilyksiä ja pelkoja.

Epäilysten ja hämmennyksen kohtaaminen vaatii erityistä huomiota. Tällöin kannattaa miettiä, olenko viestinyt tarpeeksi ymmärrettävästi ja selkeästi epäilevän henkilön näkökulmasta. Pelkästään miettimällä näitä seikkoja ja kohdistamalla viestintää lisää, tilanne saattaa raueta ja ratkaisun jalkautuksessa voidaan edetä.

Mikäli kyseessä on vahvemmin pelkoa ja muutosvastarintaa, tilanteeseen kannattaa puuttua heti eikä päästää sitä eskaloitumaan. Jos itselläsi ei ole kokemusta muutostilanteen hallitsemisesta, voit kääntyä esimerkiksi kollegan, esimiehen, viestinnän, tai HR:n puoleen. Näissä tilanteissa kannattaa myös miettiä, löytyisikö tilanteeseen jokin toinen datatieteen ratkaisu kuin ehdotettu. Ehkä tehokkain tapa epäilysten ja pelkojen ehkäisemiseen on osallistaa tilaaja(t) mukaan projektiin alusta saakka. Jatkuva dialogi ja kehitystyö sisäisten asiakkaiden kanssa synnyttää väistämättä syvempää ymmärrystä kehitettävästä ratkaisusta ja siten hälventää epäilyksiä ja pelkoja.

Edellä esittelemäni ratkaisuajatukset ovat oman kokemukseni mukaan auttaneet monia jalkauttamaan datatieteen organisaatioonsa. Toivottavasti ne auttavat sinuakin!


Kirjoittaja työskentelee Talent Basen konsulttina. Hän on liiketoiminnan kehittäjä, joka pyrkii löytämään tarkasteltavaan asiaan aina useampia näkökulmia. Hän työskentelee datan hallinnan, laadun ja mallinnuksen sekä ketterän kehityksen parissa. Tiedonhallinnan lisäksi kirjoittajalla on taustaa taloushallinnosta, projektinhallinnasta ja organisaation kehittämisestä.

Katso profiilini

Pidätkö lukemastasi? Tilaa blogitekstimme meiliisi.