master datan hallinta osana modernia tietovarastoa - muutosmatka
TRANSCRIPT
MASTER DATAN HALLINTA OSANA MODERNIA TIETOVARASTOA – MUUTOSMATKA27.10.2016 / Kimmo Sipilä, Information Architect / Solita Oy
AGENDA› Arkkitehtuuria MDM & moderni tietovarasto› Datan laatutason mittaamisesta ja
parantamisesta› Case Nokian Renkaat› Yhteenveto
Batch ETL
MDM Services
Data services(ESB, APIs, ETL,
Virtualization, Crawl)
Internal business data External data, 3rd-party reference data
Data modelling
Governance
Data transfer
MDM Repository, Data governance
Information usage
Source data
Online applications
Data warehouse,Data Vault
Reporting, Planning,
Forecasting
Self service BI &
Analytics
Operational processes
and systemsEtc.
Metadata management
Analytical MDM
INFORMATION MANAGEMENT & ANALYTICSMODERN MDM ARCHITECTURE
Operational MDM
ETL / ESB / APIs / Virtualization / Crawl
Data Visualization
Relational MDM-repository – business data model Data model, reference data
Staging, data quality checks, business rules, cleansing
Publish views, custom views, services, user interfaces Ownership, data processes, security
Business needs, business rules, KPIs etc.Data quality
checks
Monitoring & Alerting
Data services
Business Activities: Sales transactions, Process activitiesSystem Integration: Connectivity to business solutionsFeedback for Analytics: User actions captureIoT connectivity: Things event streaming
Unified Information: Consistent information delivery over all servicesOn Demand: Customer/Vendor/Service specific information per requestProcessed: Customer segmentation, Personalization, Just in time offersVisibility: On line data access for analysis and monitoring (stream and event based)
BUSINESS SOLUTIONSMASTER DATAREPORTING
Customer / Consumer /
Citizen Services and Apps
Things
ENTERPRISEDATA HUB
APIS
INCOMING DATA
ENRICHED AND PROCESSED DATAf(x)
INTERNAL / EXTERNAL DATA SOURCES
ON PREMISE CLOUD
Production and Process
SystemsSales
Channels Open APIsVendor
Services and Apps
MITTAAMINEN JA OIKEA LAATUTASO› Perinteinen asioiden mittaaminen ja arvostaminen on myös
datan laadun suhteen tärkeää. Kuitenkin on hyvä muistaa vanha sääntö: mitä mittaat, sitä saat. Eli miten valita sopivat mittauspisteet, KPI:t?
› Mikä on datan laadulle riittävä taso?› Datan laadun dimensiot:
• Täydellisyys, yhdenmukaisuus, ajallisuus, täsmällisyys & auditoitavuus
› Datan arvostuksen esimerkki:• Ovatko kaikki asiakkaat samanarvoisia?• Kannattaako kaikkea asiakastietoa siivota?
DATAN LAADUN PARANTAMINENSopivan laatutason ja tärkeimpien käsitteiden tunnistamisen jälkeen kääritään hihat ja aloitetaan datan siivoustalkoot. Yleiset parantamiskeinot:› Perinteiset datan siivousoperaatiot› Prosessiparannukset: Dataprosessien määrittely, jalkautus ja
vastuutus. Datan laadun valvonnan automatisointi ja raportointi. Pelillistäminen laaturaporttien kautta.
› Tekniset parannukset: Liiketoimintasäännöt, tekniset siivoukset integraatiossa, metadatan hyödyntäminen.
› Parannukset tietomallin kautta: Arvolistojen sekä referenssitiedon käyttö, standardit.
YHTEENVETO• Yleisesti hyvä aloituspiste on rajattu ja vähemmän käytetty kokonaisuus. Esimerkiksi kustannuspaikkahierarkia tai paikkatietoon liittyvät hierarkiat.
• Aloita samalla määrittämään isoa kuvaa.
• Mittarit (KPI:t) tulisi määrittää ja tarvittava datan keruu toteuttaa, jotta saadaan faktapohjaista dataa liiketoiminnalle.
• Koosta KPI-mittarien pohjalta euro-perusteiset luvut heikosta datan laadun hinnasta.
• Mallinna muutama ikävä skenaario: data ei saatavilla, datavirheet, laki- muutokset jne.
• Kerää ideoita, miten hyvä data voi tukea ja mahdollistaa uutta liiketoimintaa.
• Kuinka monta ihmistä tai työvaihetta sisältyy datan luomiseen ja korjaamiseen? Kokonaiskustannukset nyt ja tulevaisuudessa? Onko tehokasta?
• Datalle nimettävä selkeä omistajuus!
Ajattele isosti, aloita pienesti Liiketoiminta mukaan
Liiketoimintavaatimukset• Kerää alkuun kriittisimmät
vaatimukset liiketoiminnalta
Nykytilanne• Tutki ja sisäistä nykytilan
dataan liittyvät ongelmat kaikkien datan laadun dimensioiden kautta.
Tavoitetila• Luo arkkitehtuurinen visio
tavoitetilasta – ainakin yhdellä datadomainilla. Lisäksi vähintäänkin konseptuaalinen tietomalli kokonaiskuvasta olisi hyvä luoda.
• Tee GAP-analyysi ja käytä tuloksia kehityspolun perustana.
Kehityspolku
