Flemming Hartwich, Forretnings-og IT-arkitekt.15+ års erfaring som konsulent og IT-arkitekt i den private & offentlige sektor og i konsulentbranchen.
Peter Hauge Jensen, Forretnings- og IT-arkitekt
15+ års erfaring som leder, projektleder, konsulent og IT-arkitekt i den offentlige sektor og i konsulentbranchen.
Succesfuld digitalisering kræver en koordineret indsats i organisationen, og her er Enterprise Arkitekten (EA'en) en nøglespiller. I vores forrige blog beskrev vi nogle af kravene til EA'ens personlige egenskaber, og vi vil i denne blog se nærmere på nogle faglige værktøjer, som EA'en efter vores opfattelse med fordel kan benytte sig af i den komplekse myriade af krav, problemstillinger og dilemmaer, som et typisk digitaliseringsinitiativ indebærer.
Inden for digitalisering går de sværeste problemstillinger ofte på tværs af forretningsbehov og organisatoriske afgrænsninger. Vi ser i mange projekter, at der opstår teknisk gæld. Det er en beslutningsparameter, der udtrykker, hvor langt løsningen er fra det ønskede ståsted, og derfor hvor store ændringer der efterfølgende kan forventes. Den tekniske gæld opstår, som følge af kortsigtede beslutninger versus langsigtede målsætninger.
Her viser EA'en sin værdi ved at sikre:
- Ensartet begrebsforståelse på tværs af organisationer eller afdelinger
- Effektivt samarbejde på tværs af kompetencer og faggrænser
- Ensartede arkitekturkrav på tværs af teknologier
- Samarbejde på tværs af forskellige incitamentstrukturer
- Ensartet statusrapportering på tværs af forskellige projekter
- Ensartet registreringspraksis på tværs af perioder og skiftende personbesætning
- Digitalisering på tværs af forskellig lovfortolkning
Fælles for de mange tværgående udfordringer er, at EA’en skal se strategisk på IT-porteføljen og på IT-projekterne i et flerårigt perspektiv og tage de konkrete problemstillinger med ind i et strategisk sigte.
Det vil ofte være en svær balancekunst, når ledelsen ønsker hurtige og lette løsninger og ikke nødvendigvis har forståelsen for, hvordan ny teknologi skal spille sammen med de eksisterende legacy systemer.
EA´ens værktøjskasse
I Strand & Donslund er vi meget opmærksomme på nogle vigtige, men ofte oversete, elementer i EA’ens værktøjskasse: Brugen af forretningsregler og, i sammenhæng med dette, forståelsen for præcise og dækkende begrebsmodeller med definitioner af forretningsbegreber på tværs af forretningen. Med et sikkert metodisk grundlag på disse felter kan EA’en facilitere en relevant og mere præcis dialog imellem forretning og IT.
Der er intet teknisk ved forretningsregler og begrebsmodeller. De kan og bør formuleres uafhængigt af IT-termer, og de repræsenterer egentlig blot essensen af vigtig forretningsviden sat på en simpel formel. Forretningsregler og begrebsmodeller er dog alt for ofte indlejret i en systemteknisk kontekst, isoleret til det enkelte indkøb. Det gør både forretningsdialogen og den efterfølgende implementering sværere, da det øgede fokus på tværgående brug af data kræver et fælles, tværgående fundament. En fælles modelmæssig forståelse og beskrivelse af forretningsregler og begreber. Når forretningsregler eksternaliseres fra det rent IT-tekniske, er det lettere at udvikle software, der er robust over for forandringer.
Forretningsregler og begrebsmodeller
Et simpelt eksempel på forretningsregler illustrerer vores pointe:
- En bestilling skal indeholde et leveringstidspunkt.
- En accepteret ordre skal indeholde et forventet leveringstidspunkt.
Den tilsvarende begrebsmodel vil naturligt indeholde definitioner af begreberne bestilling, ordre, leveringstidspunkt og forventet leveringstidspunkt og beskrive deres indbyrdes relationer.
Det betaler sig at investere i forretningsregler og forretningsmodeller fra starten, selv i mindre projekter. Jo flere uklarheder, inkonsistenser og fejl, man kan finde og afklare på forhånd, desto bedre. En konsekvens af manglende eller uklare forretningsbegreber og forretningsregler kan være ineffektive processer, fejlregistrering, tilbageløb og dårlig datakvalitet.
De mange løfter om værdiskabelse på baggrund af data, herunder dataanalyse, business intelligence, automatisering, machine learning og AI falder hurtigt til jorden, hvis grundlaget er dårlige eller mangelfulde data: Det er svært at redde kvaliteten af data, når data først er skabt.
Data scientists bruger (afhængigt af kilde) mellem 40 og 80 pct. af deres tid på data clean up. Ofte bruges data fra én proces i en anden proces langt senere, dvs. i en helt anden kontekst, end konteksten for processen, hvor data blev skabt. Herved løsrives data samtidig fra de begreber, definitioner og afgrænsninger, der blev benyttet under skabelsen. Med tydelige og præcise forretningsregler og begrebsmodeller kan senere anvendere af data forsynes med de nødvendige ”håndtag” til forståelse af data, og fortolkningen og anvendelsen af data kan derved blive langt mere retvisende og effektiv.
Selv om vi her har fokuseret på et par af EA'ens mange faglige værktøjer, er det vigtigt at pointere, at værktøjerne aldrig skal bruges blindt som løsrevne elementer. Værktøjerne skal tilpasses behovet. Både værktøjerne og måden de bruges på, skal være i overensstemmelse med organisationens værdigrundlag og i øvrigt med EA'ens stil og personlighed. EA handler, som al anden ledelse, om at tilføre situationen det, den kræver. Indsatsen skal derfor bygge på en syntese af EA'ens faglighed, personlighed og ikke mindst hensynet til den aktuelle situation, dvs. formålet og især det valgte scope.
