1. MASTER DATAN HALLINTA
OSANA MODERNIA
TIETOVARASTOA
– MUUTOSMATKA
27.10.2016 / Kimmo Sipilä, Information Architect / Solita Oy

2. AGENDA
› Arkkitehtuuria MDM & moderni tietovarasto
› Datan laatutason mittaamisesta ja parantamisesta
› Case Nokian Renkaat
› Yhteenveto

3. 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 systems
Etc.
Metadata
management
Analytical MDM
INFORMATION MANAGEMENT & ANALYTICS
MODERN 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

4. Business Activities: Sales transactions, Process activities
System Integration: Connectivity to business solutions
Feedback for Analytics: User actions capture
IoT connectivity: Things event streaming
Unified Information: Consistent information delivery over all services
On Demand: Customer/Vendor/Service specific information per request
Processed: Customer segmentation, Personalization, Just in time offers
Visibility: On line data access for analysis and monitoring (stream and
event based)
BUSINESS SOLUTIONS
MASTER DATAREPORTING
Customer /
Consumer /
Citizen Services
and Apps
Things
ENTERPRISE
DATA HUB
APIS
INCOMING DATA
ENRICHED AND PROCESSED DATA
f(x)
INTERNAL / EXTERNAL
DATA SOURCES
ON PREMISE CLOUD
Production
and Process
Systems
Sales
Channels
Open APIs
Vendor
Services
and Apps

5. 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?

6. DATAN LAADUN PARANTAMINEN
Sopivan 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.

7. 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

8. Twitter @SolitaOy
www.solita.fi
KIITOS
KIMMO SIPILÄ
Information Architect
+358 44 750 4442
kimmo.sipila@solita.fi