Tiedonhallinnasta toiminnan optimointiin – data-analytiikan eri tasot liiketoiminnan kehittämisessä

Yritystoiminnassa data-analytiikka on – tai sen tulisi olla – johtamisen väline, jota käytetään liiketoiminnan haasteiden ratkaisemisen tukena. Analytiikkaa voidaan hyödyntää moniin eri tarkoituksiin ja monilla eri tasoilla.

Data-analytiikan eri käyttötarkoitukset

Muun muassa yrityksen toimiala, ikä ja koko vaikuttavat siihen, miten data-analytiikkaa sovelletaan. Esimerkiksi startup-yritys ei voi vielä tietää kaikkia toiminnan kannalta tärkeitä mittareita, joita sen tulisi seurata. Sen toiminnasta ei ole vielä kertynyt myöskään paljoa dataa. Analytiikan tarkoituksena onkin auttaa ymmärtämään rakentuvaa liiketoimintamallia sekä tunnistamaan oikea tuote ja markkina. Markkinoilla jo toimintansa vakiinnuttanut yritys on jo tunnistanut sille tärkeät mittarit ja käyttää niitä toimintansa säännölliseen seuraamiseen. Kilpailuetua saavuttaakseen ja liiketoimintaa kasvattaakseen sen olisi hyödyllistä  kokeilla järeämpää analytiikkaa ja pyrkiä tunnistamaan ne resurssit, joita sen tekemiseksi tarvitaan. Suuryritys saattaa olla jo data-analytiikan konkari, jolla on käytettävissään analytiikan asiantuntijoita ja edistyneitä työkaluja. Sen seuraava askel voi olla toiminnan eri osa-alueiden merkittävä tehostaminen ja optimointi sekä uusien palvelumallien luominen. Jollain yrityksellä taas voi olla käytettävissään niin paljon dataa, että se voi tehdä sen jalostamisesta ja myynnistä liiketoimintaa.

Tutkimusyhtiö Gartner on luokitellut data-analytiikan sen tuomien hyötyjen ja käytön vaikeustasojen mukaan. Tasojen avulla yritykset voivat arvioida omaa analytiikan hyödyntämisen nykytilaa ja tulevaisuuden tavoitteita.  

liiketoiminnan kehittäminen

Kuvailevalla analytiikalla saadaan tietoa siitä, mitä on tapahtunut

Kuvaileva analytiikka (Descriptive analytics) on analytiikan yksinkertaisin muoto ja myös se taso, jota suurin osa yrityksistä tällä hetkellä hyödyntää. Toimintahistorian tietojen tulkinnalla saadaan monipuolista tietoa strategisen suunnan ja muiden liiketoiminnallisten tavoitteiden toteutumisesta.

Yritystoiminnassa johdon ’dashboardit’ ovat tästä hyvä esimerkki; määritellään ne liiketoiminnan mittarit, jotka parhaiten kuvaavat liiketoiminnan menestystekijöitä. Kerätään ja mitataan tietoa säännöllisesti, visualisoidaan tieto helpommin hahmotettavaan muotoon ja hyödynnetään sitä päätöksenteossa. Esitystapana käytetään usein tilastollisia tunnuslukuja ja visuaalisia esitystapoja. Analyysien tuloksena tiedetään, millaista tietoa yrityksellä on ja mitä on tapahtunut määritellyn ajanjakson aikana, esimerkkinä vaikkapa myynnin kehitys viimeisen vuosineljänneksen aikana.

Kuvaileva analytiikka on perinteistä analytiikkaa, joka tarvitsee analyysiä varten alkuperäisen datan. Seuraavat kolme analytiikan tasoa ovat edistynyttä analytiikkaa, eli ne muodostavat kerätystä datasta malleja, joita voidaan käyttää myös ilman alkuperäistä dataa.

Selittävä analytiikka etsii syitä, miksi jotain tapahtui

Selittävän analytiikan (Diagnostic analytics) avulla pyritään tunnistamaan ilmiöitä, joiden syitä ei heti pystytä selittämään, tai etsimään ilmiöiden syy-yhteyksiä –tavoitteena ymmärtää, miksi jotain tapahtui. Lähteenä käytetään useampia tietokantoja ja menetelminä mm. tiedonlouhintaa, korrelaatiotestejä ja aikasarja-analyysejä. Nykyisillä laskentatehoilla pystytään ajamaan erilaisia analyysejä nopeasti isoistakin tietokannoista, mutta tarvitaan silti ihmisen vahva ymmärrys itse kontekstiin liittyen. On myös osattava valita sopivat algoritmit, määritellä muuttujat ja valita menetelmät, joilla analyysit tehdään ja jotka lopulta määrittävät tuotosten laadun.

Yritystoiminnassa selittävän analytiikan avulla voidaan etsiä vastauksia esimerkiksi siihen, miksi myynti on yhtäkkiä kasvanut alueella, jonne ei ole kohdistettu yhtään markkinointia.  

Ennakoivan analytiikan avulla pyritään ennakoimaan, mitä tulee tapahtumaan  

Ennakoiva analytiikka (tai ennustava analytiikka, Predictive analytics) on edistynyttä analytiikkaa, joka tutkii asioiden ennustettavuutta historiadatan pohjalta sekä etsii malleja tai hahmoja ja niiden käyttäytymistä. Menetelminä käytetään mm. tiedon louhintaa, tilastollisia ja matemaattisia malleja sekä koneoppimista. Pienillä datamäärillä ennustaminen ei onnistu, eli tarvitaan paljon dataa, jotta ennusteet voivat olla luotettavia.

Ennakoivaa analyysiä voidaan hyödyntää sellaisiin asioihin, joiden konkreettista ilmenemistä ei vielä tarkalleen tiedetä. Esimerkki tästä voivat olla nousevien trendien ymmärtäminen (yhtäkkinen kulutuksen nousu tietyssä tuoteryhmässä) tai henkilön arvioitu toiminta aiemman aktiivisuuden perusteella (asiakkaiden ostokäyttäytymisen muutos markkinointikampanjan seurauksena).

Ohjaavan analytiikan avulla haetaan vaihtoehtoja, mitä pitäisi osata tehdä seuraavaksi

Ohjaava analytiikka (tai ohjaileva analytiikka, Prescriptive analytics) on analytiikan vaikein taso. Se kertoo, tai paremminkin suosittelee, mitä pitäisi osata tehdä seuraavaksi. Ohjaavaan analytiikkaan liittyy usein optimointi ja sitä käytetään silloin, kun halutaan tietää paras mahdollinen vaihtoehto historiatietojen (kuvaileva analytiikka) ja tulevaisuuden ennusteiden (ennakoiva analytiikka) antamien tietojen perusteella. Optimointi- ja simulointi-algoritmien avulla haetaan vaihtoehdoista parhainta päätöksenteon tueksi.  

Yritystoiminnassa tätä analytiikan lajia voidaan käyttää esimerkiksi hinnoittelun räätälöintiin tai markkinointikampanjan optimointiin; trendejä ennakoimalla sekä asiakkaiden reagointia tai ostokäyttäytymistä seuraamalla voidaan rakentaa markkinointikampanja, jonka avulla edistetään yksittäisten tuotteiden tai palveluiden myynnin lisäksi niiden ristiinmyyntiä.  

Edistyneen analytiikan käyttökohteita

Yhteenvetona edistynyttä analytiikkaa voidaan käyttää:

  • yrityksen kannalta merkittävien ilmiöiden tunnistamiseen, esimerkiksi yrityksen kohderyhmän käyttäytymisen muutosten tunnistamiseen
  • uusien mahdollisuuksien havaitsemiseen ja ideointiin
  • pika-analyysien tekemiseen ja ideoiden testaamiseen
  • päättelyyn ja päätösten loogisuuden arviointiin sekä
  • ajatteluvirheiden tunnistamiseen.

Analytiikan hyödyntäminen alkaa liiketoiminnan haasteista

Suurimmat hyödyt analytiikasta saadaan silloin, kun pystytään hyödyntämään koko datatieteen potentiaalia. Tällöin on oltava käytössä vahva matemaattinen, tilastotieteellinen ja menetelmällinen osaaminen. Suurimmalla osalla yrityksistä ei ole kuitenkaan resursseja edistyneen analytiikan toteuttamiseen. Tämän ei kannata antaa häiritä, sillä kehittämisen tarpeet ovat aina tapauskohtaisia, ja analytiikan hyödyntämistä voi lähteä kokeilemaan pienin askelin. Pääasia on, että tunnistetaan omassa liiketoiminnassa esiintyvät haasteet, päätetään etsiä uusia tapoja niiden ratkaisemiseen sekä luodaan askelmerkit analytiikan hyödyntämiselle.

Tulemme jatkossa kirjoittamaan, mitä analytiikan hyödyntämisen suunnittelussa kannattaa huomioida.

 

Lähteitä

Gartner: https://blogs.gartner.com/matthew-davis/top-10-moments-from-gartners-supply-chain-executive-conference/

Koponen, J.; Hilden, J.; Vapaasalo, T. Tieto näkyväksi. 2017.

Nussbaumer Knaflic, C. Storytelling with Data. 2015.

Wexler, S.; Shaffer, J.; Cotgreave, A. The Big Book of Dashboards. 2017.

Business Designer