Bir önceki bölümde kaldığım yerden devam ediyorum. Bu bölümde Ana Veri Yönetimi, Veri Yönetişimi, Veri Kalitesi ve Büyük Veri Analitiği konularında temel açıklamaları yaparak ve aynı zamanda iş sürecinin bu konularda nasıl devreye girdiğine dair bazı örnekleri göstererek konunun daha iyi anlaşılabileceği kanısındayım.
Ana Veri Yönetimi
Ana Veri bir kurumun sahip olduğu en değerli temel bilgi varlığı olarak ifade edilebilir ve temel iş unsurlarını (müşteri, ürün, malzeme, tedarikçi, lokasyon vb.) tanımlayan referans verileridir.
Ana Veri Yönetimi (AVY) ise temel iş unsurları için ‘gerçeğin tek bir versiyonunu’ elde etmeye çalışan disiplindir. Muhtemelen kör adamlar ve fil hikayesini duymuşsunuzdur. Aynı bu hikayedeki gibi “gerçeğin tek versiyonu”, bu gerçeğe ilişkin çeşitli bakış açılarından oluşur. Kör adamlar ve fil hikayesine aşina olmayanlarınız için hikâye şöyledir. Altı tane kör adam filin nasıl bir varlık olduğunu merak ederler ve fili keşfetmek için her biri file dokunur. Bir adam gövdeye, bir başkası dişe, bir başkası kuyruğa, bir başkası kulağa dokunur ve elbette hepsinin fil olmanın ne anlama geldiğine dair farklı bir tanımı vardır. Hepsi kendi fikirlerinde haklıdır, ancak doğru olan ‘gerçeğin tek versiyonu’, tüm deneyimlerinin bir üst kümesidir. Ana Veri Yönetimi de buna benzer bir senaryo oluşturur.
Mesela şirketinizde ürün gibi yaygın kullanılan bir ana veri etki alanını ele alalım. Kurum genelinde birden çok kullanıcı grubunu destekleyen bir dizi öznitelik içeren kapsamlı bir “Ürün” görünümü mevcut olsa da her kullanıcı grubunun “Ürün” bilgilerinin neleri içerdiği ve bu verilerin kullanımının ne olduğu konusunda kendi görüşleri vardır. Tedarik zincirindeki her bölüm, “Ürün” kavramını oluşturan bilgilerin belirli parçalarını görüntüleyebilir, oluşturabilir, düzenleyebilir veya silebilir. Ana Veri Yönetimini başarılı kılmak için, bu paydaş gruplarının her birini belirlemek ve söz konusu veri alanındaki kullanımlarını ve gereksinimlerini anlamak için onlarla birlikte çalışarak ana veri ögeleriyle eşleşen bir süreç oluşturmak önemlidir. Böylece ürün geliştirmeden, ürün maliyetinin belirlenmesine, fiyatın belirlenerek ürünün pazara lansmanına kadar hangi verilerin kimler tarafından oluşturulması, güncellenmesi ve kullanılması gerektiğini netleştirebiliriz. Örneğin, ürün geliştirme ekibi, ürün bileşenlerini, reçetesini ve ürün spektlerini tanımlamaktan sorumluyken, ürünün fiyatlandırması söz konusu olduğunda pazarlamanın sorumlu olması gibi.
Veri öğelerinin kullanımını ve yaşam döngüsünü takip etmek amacıyla veri ögeleriyle eşleşen bir süreç ve OKGS Matrisinin kullanımı yararlı bir araçtır. Yan tarafta gösterilen OKGS Matrisi kimlerin hangi verileri Oluşturacağını, Kullanacağını, Güncelleyeceğini ve Sileceğini belirlemeye yardımcı olacaktır.
İş akışını ve veri yaşam döngüsünü açık bir şekilde süreç haritası ile tasarlamak hem paydaşların hem de ana veri geliştiricilerinin veri sorumluluklarını doğru anlamasına ve çözüm çerçevesinde uygun iş akışının, iş ve güvenlik kurallarının belirlenmesine de yardımcı olur. Çoğu durumda, süreçteki gereksiz işlemler ve verimsizlikler Ana Veri Yönetimi çözümü ile belirlenebilir ve geliştirilebilir, bu da Ana Veri Yönetimini aslında bir iş süreci optimizasyon aracı haline getirir. Genellikle ana veri yönetimi, veri yönetimi girişimi olduğu kadar aynı zamanda bir iş süreci girişimidir.
Veri Yönetişimi
Veri yönetişimi, özellikle insanlara ve sürece odaklanan ve yapılandırılmış bir süreç modelinin kullanımından yararlanabilen bir veri yönetimi alanıdır. Önceki örnekte gördüğümüz gibi, iş süreci boyunca verilerin nasıl ve kimler tarafından kullanıldığının belirlenmesi, uygun veri yönetiminin ve verilerin sahipliğinin belirlenmesine hatta veri sahipliği konusunda anlaşmazlıkların olduğu yerlerde, bu farklılıkların çözülmesine yardımcı olabilir. Örneğin, ürün yaşam döngüsünün farklı aşamalarında ürünün fiyatlandırması için hem muhasebe hem de pazarlama ürün fiyatına katkıda bulunabilir. Verilere iş süreci merceğinden bakmak, veri modeli ve tasarımının incelenmesini de kolaylaştırır. Örneğin, muhasebe tarafından oluşturulan ‘teorik fiyat’ pazarlama tarafından Pazar ve rakip fiyat analizleri sonucu netleştiriliyor olabilir. Müşteri segmentine, bölgeye göre farklı fiyatlandırma katmanları oluşturulabilir. Verileri gerçek dünyadaki iş süreçleri bağlamında görmek, kuruluş genelinde hem sahipliğini hem de verilerin kullanımını netleştirmek için oldukça önemli bir gerekliliktir.
Veri Kalitesi
Benzer şekilde, veri kalitesi de iş sürecinin anahtar rol oynadığı bir alandır. Verileri iyileştirmenin, doğrulamanın ve zenginleştirmenin birçok yolu mevcuttur ve veri kalitesini bu şekilde desteklemek için piyasada birçok araç ve yöntem vardır. Ancak veri kalitesi tekniklerinin iş süreci tasarımını hesaba katmadan kullanılması ne yazık ki istenen etkinin oluşturulmasına engel olacaktır. Bunu zehirli kimyasallarla kirlenmiş bir gölü temizlemeye çalışmak gibi düşünebilirsiniz. Gölü kirletici maddelerle besleyen akarsuları hesaba katmadan su kalitesini iyileştirmek maalesef kısa ömürlü olacak ve çabanız boşa gidecektir. Çünkü göle akan akarsulardan gelen kirli su, daha önce temizlenmiş gölü sürekli kirletecektir. Aynı durum sürecin akışını dikkate almadan veri kalitesi tekniklerini uyguladığınızda da geçerlidir. İş süreçleri dikkate alınmadan girişilen veri kalitesi çabaları, başlangıçta veri kalitesi sorunlarına neden olan aynı süreçler tarafından yeniden bozulmaya mahkumdur. Örneğin, ortak bir veri kalitesi çalışması, müşteri adı, adresi ve iletişim bilgilerine odaklanır. Böyle bir veri kalitesi girişiminde, bu müşteri bilgilerinin kaynağını ve iş süreci yaşam döngüsü boyunca nasıl oluşturulduğunu ve güncellendiğini anlamak önemlidir. Bir şirkette müşteri verileri, müşteri ürünü satın aldığında satış tarafından toplanıyor, müşteri hizmetleri tarafından güncelleniyor, üründe bir sorun ortaya çıktığında teknik servis tarafından tekrar alınıyor olabilir. Bu üç departman senkronize mi ve aynı müşteri ana verisini mi kullanıyor? Yoksa diğer uygulamalarla etkileşimde olmayan ve ayrık veri kaynakları mı var? Müşteri için aynı bilgileri tekrar tekrar vermek zorunda kalmaktan daha can sıkıcı bir şey yoktur. Üç departman aynı veri kaynağını kullanıyorsa, verilerle ilgili net bir yönetişim ve sahiplik var mı ve veriler nasıl oluşturulacak ve güncellenecek? Çalışanlar, verileri doğru bir şekilde girmeye nasıl teşvik edilecek? Bir satış çalışanından, nasıl ki anlaşmayı kapatması isteniyorsa, müşteri bilgilerinin doğru bir şekilde oluşturulması da isteniyor mu?
İnsanlara lavaboya döktükleri yağların nihayetinde nereye gittiğini anlamalarına yardımcı olan “Lavaboya Dökme, Suya Gider” yazan uyarılara benzer şekilde, çalışanlarınıza süreci göstererek girdikleri verilerin akış yönünde nasıl kullanıldığına dair bilgi vermek veri temizliğinin öneminin anlamasına da yardımcı olur.
Büyük Veri Analitiği
Büyük veri analitiği, veri ambarı gibi mevcut geleneksel veri kaynaklarını artırabilen farklı kaynaklar için zengin bilgiler sağlayabilir. Müşteri verileri söz konusu olduğunda, örneğin, sosyal medya duyarlılık analizi, satın alma kalıpları, ziyaretçi sayısı analizi ve daha fazlası, ‘360 derece müşteri görünümü’ oluşturmak için türetilebilir. Ancak bu analiz, süreçlerden kopuk bir şekilde yapılırsa çok az değer taşır. Örneğin, müşteri duyarlılığı hakkında bilgimiz varsa, bu duyarlılık ifade edildiğinde müşterinin ürün yaşam döngüsünün neresinde olduğunu anlamak önemlidir. Ürünü yakın zamanda mı satın aldılar, bir servis talebi mi açtılar, ürünü iade mi ettiler? Müşterilerin duygularını satın alma yaşam döngüsündeki aşamalarına bağlamak, deneyimlerini gerçekten anlamak için çok önemlidir. Müşteri Yolculuğu haritaları genellikle müşteri yaşam döngüsünü ve bu yolculuğun her aşamasında verilerin nasıl etkilendiğini anlamaya yardımcı olmak için oluşturulur. Büyük veri analitiğinin değeri, iş sürecine bağlı olduğunda artar ve anlam kazanır.
Sonuç olarak, Rekabetin daha sert, bütçelerin daha sıkı, risklerin daha yüksek ve hatta kar marjlarının daha düşük, sinekten yağ çıkarmanın evla olduğu bir iş ortamında, kurumlar artık silolanmış veriler üzerinde çalışmayı, elde ettikleri verileri bilgiye çevirerek yeni iş, ürün ve hizmetler geliştirme fırsatlarını kaçırmayı göze alamaz. Silo haline getirilmiş ve bilgiye dönüştürülmemiş veriler, zayıf iş çevikliğinin, zayıf karar vermenin, artan operasyonel maliyetlerin ve sınırlı inovasyonun temel nedenidir. Gartner’ın yapmış olduğu araştırmada sadece düşük veri kalitesinin, kurumlara yıllık ortalama maliyetinin 15 milyon ABD Doları olduğu belirtiliyor.
Her zaman maliyet-fayda bakış açısıyla yönlendirilen bir iş ortamında, veri kullanımını tam olarak anlamak için süreç modellerinden yararlanmak, verilerin silolardan kurtarılmasına, faydaların anlaşılmasına ve maliyetleri düşüren verimliliğin sağlanmasına yardımcı olacaktır. NMT olarak bizler kurumunuzda veri yönetimi girişiminizi iş süreçleri modellerini kullanarak desteklemenizi öneriyor ve ancak böylelikle veri yönetimi girişimlerinizde istediğiniz en yüksek faydayı elde edebileceğinize inanıyoruz.
