kuna tehniliselt on võimalik seirata, millised on töötajate toimimisviisid, siis ei käsitleta organisatsioonilist muutust enam juhtkonna kui initsiaatori strateegilise osavusena oma tahet läbi viia. Tähelepanu fookus on hoopis organisatsiooni liikmetel kui muutuse vastuvõtjatel. Muutuse kriteeriumiks ei ole sealjuures juhtkonna visioon ega tegevusmõõdikud, vaid pikaajaline muutus sünnib alles siis, kui inimesed oma töökäitumist muudavad (Choi 2011; Armenakis, Harris 2009; Jones et al. 2005, Balogun, Johnson 2005; Bartunek et al. 2006; Bouckenooghe 2010; Kirsch et al. 2014; Parry 2015). Juhtimistarkus on seega väga tihedasti seotud andmeanalüütiku tarkusega leida andmetest info töötajate hoiakute ja konkreetse tegevuse kohta, selleks et planeerida nutikat sekkumist.
Andmeanalüütikud sotsialiseerivad juhte, et need andmetest saadud infot arvesse võtaksid. Aga ka vastupidi – targad juhid n-ö sotsialiseerivad andmeanalüütikuid, selgitades neile probleemi või vajaduse „ajalugu“ ja laiemat konteksti. Samas on ka piir juhtimise ja andmeanalüütika vahel hägustunud: targad juhid on ka ise muutunud andmeanalüütikuteks, selekteerides ja tõlgendades olemasolevate andmete seast olulisemat. See tegevus ei saa olla vabatahtlik, vaid peaks olema määratletud olulise tööülesandena, mille eest ka tasu makstakse. Organisatsiooni kontekstuaalseid vajadusi peaks arvestama ka eri metoodikate ja vahendite kasutuselevõtul. Näiteks soovitavad uurijad kasutada rohkem analüütilisi töölaudu ja näidikute paneele (analytic dashboard), mis võimaldavad võrrelda võtmeindikaatoreid muutujatega, luua prognoose ja neid visualiseerida. Tuleb ette ka olukordi, mil ei ole tingimata tarvidust pidevat reaalaja seireinfot saada, selle asemel tegeletakse pikemate aegridade ja seoste analüüsimisega, tuginedes kogutud koondandmetele (Pugna et al. 2018). Ettevõtetele pakutakse andmeanalüüsil põhinevaid metoodikaid muutuste rakendumise jälgimiseks (nt Comuzzi, Parhizkar 2017). Andmepõhise otsusetoe loomisel on võimalik ka minevikuandmete „kaalumine“, st erineval ajalisel kaugusel olevaid andmeid ei peeta otsuste langetamisel samavõrra kaalukaiks (Grechuk, Zabarankin 2018).
Andmepõhised mudelid aitavad soovmõtlemist ja ka kammitsevaid hirme leevendada. Oluline on siinkohal aga mitte suruda andmeanalüütikut Delfi oraakli rolli, vaid mõista, et lisaks analüüsitud andmetele mõjutavad protsesse veel paljud tegurid, mida järgnevalt detailsemalt käsitleme.
1.1.3.2. NORMATIIVNE STRUKTUURNE MUUTUS
See on teine küllaltki sageli ettetulev muutuse strateegia, kui poliitilist või ekspertide väljatöötatud lahendust hakatakse reeglite muutmise, struktuursete ümberkorralduste (ühendamine, alluvussuhete muutus, rollide ümberjagamine), rahastuse muutmise, uute tehnoloogiate kasutuselevõtu või muude selgete mõjutusmehhanismide kaudu rakendama. Lahenduse töölehakkamine oodatud viisil võib sõltuda kriitilisel määral sellest, kuidas seda rakendatakse. Kujundlikult öeldes: saatan peitub detailides. Andmeanalüüsi abil on sellises olukorras võimalik eeskätt näidata ümberkorralduse võimalikku mõju enne selle rakendamist. Selleks et andmeanalüütik oskaks välja pakkuda tegevusi ja olukordi iseloomustavaid, omavahel seotud mõju näitajaid, peaks ta olema kaasatud rakendusplaani väljatöötamisse juba enne selle sündi. Oluline on, et muutuste juhid esitaks mõjude kohta lisaks tavapärasele tulu-kulu vahekorrale ka teisi küsimusi. Kas meetmete oodatav mõju on tugev või nõrk? Kas mõju kumuleerub aja jooksul? Kas võib oodata, et tekib sünergia muude protsessidega? Millised on ümberkorralduste kavatsemata kõrvalmõjud? Võrdlevad mudelid, rajasõltuvuste väljatoomine ja muud analüüsid aitavad kavatsemata negatiivseid kõrvalmõjusid vältida või leevendada.
Enne regulatiivseid ja struktuurseid muutusi on kasulik kasutada mitte üksnes ennustavat (forecasting) andmeanalüüsi, vaid tuletava tulevikuloome (back-casting) metoodikaid (Robinson 1990; Bibri 2018; Holmberg, Robèrt 2000). Tuletava tulevikuloome eesmärk ei ole mitte teha võimalikult täpseid ennustusi, vaid lähtudes kõige positiivsemast realistlikust tulevikustsenaariumist püstitada järkjärgulisi arengueesmärke, tulles tulevikust tagasi tänasesse päeva. See võimaldab tegevusi planeerida nii, et tulevikuarengut oleks võimalik maksimaalselt mõjutada. Inimestel on pikaajalist muutust ette kujutada keeruline, sest lühiajalist arengut kiputakse ületähtsustama ning soovid ja hirmud mõjutavad paratamatult olukorratunnetust. Seega võib andmepõhine tulevikuanalüüs strateegilist planeerimist tõepoolest hõlbustada. Andmepõhise muutuste juhtimise üks kiiresti kasvav valdkond ongi tulevikule suunatud tehnoloogiline analüüs (future-oriented technology analysis, vt nt Cagnin et al. 2013), mis koondab tulevikuloome (foresight) ja prognooside (forecast) uurijad ning tehnoloogiauurijad ühise eesmärgi – tuleviku arengusuundumuste mõjutamise ja just pika perspektiiviga, järgmiste põlvkondade elu mõjutavate põhimõtete kujundamise nimel.
Organisatsiooniliste muutuste juhtimist hakkab tuntavalt mõjutama ka see, kuivõrd ollakse n-ö andmekohuslased. Näiteks on Suurbritannia ülikoolidel laialdased kohustused toota andmeid avalikesse andmebaasidesse, kust potentsiaalsed tudengid ja teised huvitatud saavad neid kasutajasõbralike liideste abil „kaevandada“ (Browne, Rayner 2015). See on põhjustanud nurinat, et ülikoole ei juhita enam „kohalt“, vaid ülikooli kontrollivad riiklikud õigusaktid, väline arvepidamine ja suuremahuline organisatsiooni loodud andmete kaevandamine ja kasutamine andmepõhises või andmetargas juhtimises.
Teisalt leitakse aga, et kohalikud ja rahvusvahelised avaandmete kogud võimaldavad mõjumehhanismide kaudu luua nii majanduslikku kui ka sotsiaalset kasu: läbipaistvuse mehhanismid võimaldavad vähendada info ebavõrdsest kättesaadavusest tulenevaid takistusi ja ressursside jaotumist; osalemismehhanismide kaudu on võimalik koondada indiviidide tahet, ideid jt ressursse avaliku poliitika kujundamisse; tõhususmehhanismid võimaldavad avalike teenuste kvaliteeti ja tasuvust parandada, võimaldades näiteks kodanikel ise oma andmeid hallata või andmeid taaskasutusse suunata kohtades, kus neile võib tekkida lisandväärtus; innovatsioonimehhanismide kaudu on võimalik luua uusi avalikke teenuseid, meetodeid ja praktikaid (Jetzek et al. 2014).
Kogu (avatud) andmebaasidega seonduva mõjude hindamise ja sellega seotud planeerimisvõimekuse arendamine on alles kujunemisjärgus ja kindlasti vastuoluline protsess (vt ka ptk 1.3). Oluline on, et säiliks nii kriitiline analüüs kui ka katsetamisjulgus. Hirmuga segatud kärsitus ei ole andmete kasutajale parim nõuandja, olgu ta juht, andmeanalüütik või valmisrakenduse tarbija. Normatiivse muutuse protsessi on kasulik põimida kaasava muutuse juhtimise elemente.
1.1.3.3. AVATUD JA MOBILISEERIV MUUTUS
Kolmas muutuse strateegia – avatud ja mobiliseeriv ehk kaasav muutus – on selline, kus probleemi lahendust asutakse alles asjaga seotud osapoolte ja/või ekspertidega ühiselt välja töötama, st osapooltel on võimalik rohkem mõjutada ka seda, milliseid muutusi probleemi lahendamise või vajaduse rahuldamise eesmärgil tegema hakatakse. Andmeanalüütikud saavad luua eri osapoolte vahel jagatud infovälja, eriti juhul, kui lahendust otsib mitu organisatsiooni vm osapoolt üheskoos. Selleks on vajalik andmeanalüütikute omavaheline infovahetus ja koosloome ning seda toetav töökorraldus aitab muuta koostöövõrgustike ja kollektiivsete otsustuskogude tegevust teadmispõhisemaks. Näiteks saaks andmeid tuua ekspertide küsitlusse Delfi meetodil,12 mille eesmärk on saavutada probleemide lahendamisel ühismeel. Kui Delfi meetodil tehtavates küsitlustes on seni olnud kasutusel ekspertide vastused nende kogemuste ja teadmiste põhjal, siis võimalik oleks Delfi küsitluse programmi lisada ka andmepõhiseid aegridu ja prognoosimudeleid. Eriti tõhusalt saavad protsesse kujundada andmeanalüütikud, kes suudavad andmete tähendust tavakeeles osapooltele selgitada ning luua andmepõhiseid simulatsioone, mis aitavad valikuid kaaluda (vt ka lugude jutustamisest andmete põhjal, ptk 4.2). Andmeanalüüs saab olla suurtes organisatsioonides ka n-ö sisemine teenus, mille hea kättesaadavus ja selge korraldus on organisatsiooni innovatsioonivõimekuse seisukohalt väga oluline.
Kaasava muutuse üks olulisi vorme on uue toote või teenuse disainimine. Andmeanalüüsi põhjal on võimalik täpsustada sihtrühmade vajadusi ja prognoosida toote/teenuse vastuvõttu. See meetod ei eelda sugugi sihtrühmade suurt infotehnolooglist haritust. Vastupidi, uuringud näitavad, et andmepõhine teenusedisain on väga hästi toiminud infotehnoloogiliselt vähearenenud kohtades. Näiteks kohandati Ameerika põlisrahvaste hõimude laste heaolu eest hoolitsevates organisatsioonides