Miten Master Dataa voi käyttää apuna Big Datan hyödyntämisessä? Mitä uutta Big Data voi tarjota Master Datalle?
- Käytä master dataa laadukkaan ja standardoidun tiedon lähteenä
- Sovella master datan hallinnan periaatteita Big Dataan
- Elinkaari
- Omistajuus
- Hyödynnä samoja data quality työkaluja ja periaatteita
- Määritä laatukriteerit
- Estä huonolaatuisen datan pääsy prosessiin
- Käytä samoja työkaluja
- Valitse sellaiset työkalut, jotka pystyvät käsittelemään isoja määriä ei-rakenteista dataa
4. Big Datan määritelmä tässä esityksessä
• Big Dataa voidaan kuvata kolmella V:llä: Volume (Määrä), Velocity
(Nopeus), Variety (Vaihtelevuus)
• Tiedon hyödyntämistä vaikeuttaa rakenteen puuttuminen ja puutteet
laadussa sekä sisällön ymmärrettävyydessä
5. Master Datan määritelmä
• Master Data on (staattista) koko organisaation toiminnalle
keskeistä ja jaettua tietoa, jolla on yhteisesti sovittu rakenne,
sisältö ja merkitys.
• Tyypillisiä avaintietoja:
– Toimijat (asiakkaat, henkilöstö, toimittajat, kumppanit)
– Paikat (toimipisteet, myymälät, markkina-alueet)
– Asiat (tuotteet, palvelut, kiinteistöt, omaisuus, sopimukset)
6. Master Data Managementin (MDM) määritelmä
Kokoelma sovittuja vastuita, prosesseja ja työkaluja, joiden
avulla kuvataan sekä hallitaan organisaation toiminnan kannalta
keskeisiä tietosisältöjä ja varmistetaan niiden laatu.
8. Big Datan hyödyntäminen yleistyy
How big is big data adoption – Talend. Kyselytutkimus tehty kesäkuussa 2012, 231
vastaajaa EMEA- ja Pohjois-Amerikan alueelta.
• 41%:lla yrityksistä on Big Data -strategia. Big Datan käyttöönotto etenee.
• 48% Big Data -hankkeista on liiketoiminnan ja 39% IT:n johtamia.
• Niistä, joilla ei ole Big Data -strategiaa 76% kertoi syyksi sen, että he eivät erottele
Big Dataa muusta yritystiedosta.
• 62% vastaajista sanoi, että he ovat saavuttaneet liiketoimintahyötyjä. Näistä 28%
liittyi liiketoimintaprosessien tehostamiseen ja 24% liittyi myynnin ja markkinoinnin
tehostamiseen.
Lähde: http://www.talend.com/resources/whitepapers/how-big-is-big-data-adoption
12. Hype hälvenee ja palataan perusasioiden
äärelle
Yritykset tulevat oivaltamaan, että “big data” tarkoittaa kaikkea
heidän tietoa.
Forrester, Big Data Predictions for 2013, Jan 2, 2013
http://blogs.forrester.com/mike_gualtieri/13-01-02-big_data_predictions_for_2013
15. Määrä ei korvaa laatua
Huono datan laatu + Big Data = Isoja ongelmia
Huono datan laatu * Big Data = Isoja ongelmia^2
Tiedon laatuvaatimukset riippuvat aina
käyttötarkoituksesta.
Big Datan laadun varmistaminen on yleensä
huomattavasti vaikeampaa kuin master datan.
17. MDM Big Datan laadun varmistamisessa
• Käytä master dataa laadukkaan ja standardoidun tiedon
lähteenä
• Sovella master datan hallinnan periaatteita Big Dataan
– Elinkaari
– Omistajuus
• Hyödynnä samoja data quality -työkaluja ja -periaatteita
– Määritä laatukriteerit
– Estä huonolaatuisen datan pääsy prosessiin
– Käytä samoja työkaluja
• Valitse sellaiset työkalut, jotka pystyvät käsittelemään isoja määriä ei-
rakenteista dataa
– Yksinkertainen esimerkki http://www.youtube.com/watch?v=NKwotbwCg78
19. Miksi Master Data ja Big Data pitää käsitellä
kokonaisuutena?
• Mikäli Big Dataa (analyysituloksia) ei voida yhdistää osaksi oman
organisaation kontekstia, esim. tuote- tai asiakastietoja, niin se jää
helposti irralliseksi ja kertaluonteiseksi toimenpiteeksi.
• Olemassa olevia MDM-toimintamalleja voidaan hyödyntää myös Big
Datassa
– Tietomallit (rakenne & merkitys)
– Prosessit ja hallintamalli (governance)
– Laadun varmistus ja parantaminen
• MDM luo organisaatiolle yhteistä kieltä ja käsitteistöä. Asiakas pitää olla
asiakas myös Big Datassa.
• Molemmat ovat osa isompaa EIM (Enterprise Information Management)
sateenvarjoa.
20. Ilman tiedon rakennetta ja merkitystä Big
Datan käyttö voi olla samanlainen
kokemus kuin juominen paloletkusta.
Big Datalle tarvitaan merkitystä ja rakennetta
24. Big Datan ja Master Datan kohtaaminen
Ulkoiset
lähteet
Sisäiset
lähteet
Data
Sisällöt
Datavirrat
Big Data työkalut
Rakenne- ja
sisältöanalyysi
Tunnista malleja
Big Data
MDM työkalut
Yhdistä
Semantiikka ja
rakenne
Master Data
BI työkalut
Analysoi
DW
Raportit,
visualisointi
Trendit
BI
Uudet käsitteet
Optimointi
Laadukas data
Tulokset
I
N
T
E
G
R
A
A
T
I
O
DQ
Päätöksenteko
25. Esimerkki: asiakassegmentointi
Ulkoiset
lähteet
Sisäiset
lähteet
Data
Sisällöt
Datavirrat
Big
Data
työkalut
Rakenne-‐
ja
sisältöanalyysi
Tunnista
malleja
Big Data
MDM
työkalut
Yhdistä
SemanBikka
ja
rakenne
Master Data
BI
työkalut
Analysoi
DW
RaporBt,
visualisoinB
Trendit
BI
Uudet
käsiHeet
OpBmoinB
Laadukas
data
Tulokset
I
N
T
E
G
R
A
A
T
I
O
DQ
ASIAKAS
- Nimi
ASIAKKUUS
- Segmentti
TOIMIPISTE
KONTAKTI
Ulkoiset
• Facebook
aktiviteeti
• Tweetit
Sisäiset
• Verkko-
palvelulokit
• Click
stream
• Osto-
tapahtumat
/ historia
Data scientist
Tiedon
analysointi
DW
Big Data
Uusi asiakas-
segmentti
Raportointi
segmenteittäin
Parempi
kohdentaminen
26. Esimerkki: laitteen vikaantumisanalyysi
Ulkoiset
lähteet
Sisäiset
lähteet
Data
Sisällöt
Datavirrat
Big
Data
työkalut
Rakenne-‐
ja
sisältöanalyysi
Tunnista
malleja
Big Data
MDM
työkalut
Yhdistä
SemanBikka
ja
rakenne
Master Data
BI
työkalut
Analysoi
DW
RaporBt,
visualisoinB
Trendit
BI
Uudet
käsiHeet
OpBmoinB
Laadukas
data
Tulokset
I
N
T
E
G
R
A
A
T
I
O
DQ
ASIAKAS
Nimi
LAITEKANTA
Tuote
TOIMIPISTE
Koordinaatit
Paikkakunta
Ulkoiset
• Sää tiedot
alueittain
Sisäiset
• Sensoridat
a
• Huolto-
käynnit
Data scientist
Tiedon
analysointi
DW
Miksi huoltokäynnit
lisääntyvät?Laadukas pohjatieto
Parempi
huoltokäyntien
ennakointi
27. Esimerkki: Boeing 787
Ulkoiset
lähteet
Sisäiset
lähteet
Data
Sisällöt
Datavirrat
Big
Data
työkalut
Rakenne-‐
ja
sisältöanalyysi
Tunnista
malleja
Big Data
MDM
työkalut
Yhdistä
SemanBikka
ja
rakenne
Master Data
BI
työkalut
Analysoi
DW
RaporBt,
visualisoinB
Trendit
BI
Uudet
käsiHeet
OpBmoinB
Laadukas
data
Tulokset
I
N
T
E
G
R
A
A
T
I
O
DQ
MODUULI
- ID
- Toimittaja
KOMPO-
NENTTI
- ID
Sisäiset
• Reaali-
aikainen
sensori
data
• Lentotiedot
(Data scientist)
Tiedon
analysointi
DW
Big Data
Tunnistetaan
huollon tarve
Valmistaudutaan
huoltoon
Nopea huolto
ERP
28. Kaikki mikä on teknisesti
mahdollista ei aina ole sallittua
29. Yksityisyydensuoja
• Kriittistä, kun käsitellään henkilötietoja (kuluttajat, työntekijät,
potilaat jne.)
• Kansallista ja EU tason lainsäädäntöä
– Kansallisissa laeissa paljon eroavaisuutta
– Tulossa uutta EU-lainsäädäntöä, joka korvaa kansallisia lakeja
• Ole erityisen varovainen yhdistäessäsi eri tietokokonaisuuksia
– Sinulla ei välttämättä ole oikeutta käyttää/pitää syntyvää
tietokokonaisuutta
32. Yhteenveto
1. Datan määrä ei itsessään luo arvoa
2. Jos pystyt yhdistämään Big Datan ja Master Datan, pystyt hyödyntämään
dataa lukemattomin eri tavoin ja tuottamaan todellista arvoa
liiketoiminnalle
3. Master Data tarjoaa Big Datalle merkityksen ja rakenteen
4. Hyödynnä MDM-periaatteita Big Datan laadun varmistamiseen
5. Varo lakiansoja