Analytiikka on aihe johon päädytään kun puhutaan tiedolla johtamisesta, asiakkaan 360 asteen näkymästä ja yleensä datakeskeisestä ajattelusta. ”It´s all about analytics” sanoo Big Data –guru Rick van der Lans. Käsitemallinnus (Data Modeling) tukee analytiikkaa kuvaamalla metadataa ja ison kokonaisuuden rakenteita.
Katsotaan tosielämän esimerkkiä. Sairaalassa seurataan hoidettujen potilaiden määrää viikoittain. Mutta saattaa olla eri näkemyksiä siitä, mitä ”hoidettu potilas” tarkoittaa. Tarvitaan siis tuon käsitteen määrittelyä. Eräällä internetpalveluja tarjoavalla asiakkaallani keskusteltiin pitkään siitä, mikä on tilaus. Onko se henkilö joka on rekisteröitynyt ja tilannut ilmaisia tuotteita, vai onko se vasta sellainen, joka maksaa jotakin. Ehkä ihmiset olivat istuneet palaverissa ja tehneet päätöksiä tarkoittaen eri asioita? Kun käsitemallinnukseen kuuluvat määrittelyt eli metadata saatiin tehtyä, kaikille oli selvää mikä on tämän yrityksen mielestä tilaus.
Asiakastietojen analyysi on pinnalla. 360 asteen näkymän saamiseksi on kaikki asiakastiedot saatava yhdistettyä analyysiä varten. Tarvitaan perustietojen lisäksi tietoja sopimuksista, tapahtumista ja kontakteista. Pitää analysoida reklamaatioita, klikkauskäyttäytymistä kotisivuilla ja paljon muuta. Monasti asiakastietoja on yli kymmenessä eri tietojärjestelmässä ja osa vielä Excelissä. Lisäksi tarvitaan talon ulkoa saatavia, asiakkaisiin liittyviä tietoja, esim. Bisnodesta, Fonectalta tai vaikkapa Trafista. Soppaan lisätään some-dataa, kilpailijatietoja, asikakastutkimuksia ja jatkossa ehkä sensoridataa.
Käsitemallinnus on oikea menetelmä saada tällainen rypäs sekalaista asiakastietoa hallintaan. Käsitemallinnuksessa määritellään käsitteiden väliset riippuvuudet ja rakenteet. Oikein tehtynä tuloksena on selkeä, ymmärrettävä kokonaiskuva kaikista asiakkaaseen liittyvistä tiedoista. Sopivalla tasolla kuvattuna asiakkaan 360 asteen näkymään tarvittavat tiedot mahtuvat yhdelle A4:lle. Ei enää ajatella tietojärjestelmäkeskeisesti, mennään data edellä kuten kuuluukin. Käsitemallin avulla saadaan rakennettua sopiva tekninen ympäristö analysointia varten, oli se sitten Hadoop, tietojen virtualisointiratkaisu tai perinteisempi tietovarasto.
Käsitemallinnuksen hyödyt on alettu oivaltaa ja menetelmän käyttö onkin kasvussa. Aiheeseen liittyy kuintekin muutamia sudenkuoppia. Ei pidä sortua rakentamaan sekavaa, spagettimaista tietokantakaaviota, niihin businessihmiset suhtautuvat mallinnusguru Alec Sharpin mukaan näin: ”they lit their hair on fire and run screaming away”. Käsitemallinnus tehdään liiketoiminnan kielellä ja lopputuloksena pitää olla selkeä, luettava graafinen käsitemalli käsitemäärityksineen. Hyvä käsitemalli on visuaalisesti niin kaunis, että leikkisästi sanoen se voitaisiin ripustaa olohuoneen seinälle.
Analyytikkojen on osattava R-kieltä, SASia, SQL:aa yms. työkaluja palvellakseen liiketoiminnan alati vaihtuvia tarpeita. Selkeä käsitemalli toimii erinomaisena datakarttana näyttäen miten datassa voi navigoida ja mitä käsitteet ja muut tiedot tarkoittavat. Näin luodaan lähtökohdat aidosti datakeskeiselle yritykselle.
