Kolme vinkkiä datan hyödyntämiseen liiketoiminnassa.

Hei,

Kirjotin tällä viikolla datan hyödyntämisestä liiketoiminnan tukena. Määritin alle kolme keskeistä tapaa, jolla nostat valmiuksiasi datan hyödyntämisessä ja lopulta AI (tekoäly)-kyvykkyydessä.

Voin paljastaa, että näiden kolmen osa-alueen toteuttamiseen ei tarvita uusimpia teknologioita tai rakettitiedeosaamista.

Hyviä lukuhetkiä!

 

Tyypillisiä ja tuttuja menestymisen mittareita ovat liikevaihto, tulos ja markkinaosuus. Näiden kehittymistä indikoivat ns. KPI-tunnusluvut. Niillä ei ole itseisarvoa, mutta todella suuri välillinen hyöty edellä mainittujen tunnuslukujen ennakoimisessa.

Esimerkiksi jalkapallossa tyypillinen tällainen KPI on laukaisujen määrä maalia kohden. Tämä luku ei sinällään kuulosta tärkeältä, mutta data osoittaa kiistattomasti, että mitä enemmän lauotaan maalia kohti, sitä enemmän syntyy myös maaleja.

Liike-elämässä vastaava esimerkki on myyntikäyntien määrä. Yleensä voidaan osoittaa, että mitä enemmän käyntejä, sitä enemmän myyntiä. Nämä ovat aika ilmeisiä esimerkkejä. Mutta mitä jos emme tiedä, mitkä ovat hyviä mittareita?

Data Science -tyyppinen datan analysointi voi antaa vastauksia. Louhitaan dataa ja etsitään säännönmukaisuuksia, kaavoja. Näin tekemällä saadaan selville uusia mittareita, joihin panostamalla kasvatamme esimerkiksi liikevaihtoa.

Kolme asiaa, joiden avulla voit edistää tärkeiden mittareiden tunnistamista ja hyödyntää dataa tehokkaasti liiketoiminnassasi:

1. Tee kokeiluja ja pilotteja
2. Kerää dataa laajasti
3. Jaa parhaat käytännöt ja teetä datan puolivalmisteita

 

Tee kokeiluja ja pilotteja

Se joka organisaatiossa pystyy kehittämään dataan perustuvaa tietämystä, esimerkiksi tunnistamalla kaavan jonkin keskeisen tunnusluvun kasvattamiseen, kasvattaa samalla omaa painoarvoaan.

Eräs iso, kansainvälinen konsulttiyritys rekrytoi globaalisti lisää konsultteja. Johdolla oli jonkinlainen käsitys siitä, minkä tyyppisillä ominaisuuksilla varustettu konsultti menestyy. Eräs johtaja esitti ehdotuksen, että muodostetaan valintakriteerit faktapohjaisesti.

He päättivät analysoida kaiken datan konsulteista, kuten asiakaskäynnit, projektien määrän, soveltuvuusarvioiden tulokset ja monia muita muuttujia. He analysoivat tilastollisesti mitkä tekijät yhdistävät parhaiten suoriutuvia konsultteja ja tunnistivat 4-5 muuttujaa, jotka tarkasti ennustivat menestymistä konsultin roolissa.

Tämä oli valtava läpimurto, joka auttoi konsulttiyritystä valitsemaan juuri oikeita, tulosta tekeviä konsultteja. Idean esittänyt ja läpivienyt johtaja ylennettiin ja kiitosta sateli.

Edellä mainittu on yksinkertainen esimerkki, jossa on datan tutkimisen avulla löydetty ennustemuuttujat. Tarvittiin vain johdon päätös: näin toimitaan. Dataan perustuva toiminta onkin ennen kaikkea mindset ja asenne. Teemmekö päätökset faktaan perustuen vai niin kuin aina ennenkin.

Datavetoisen kulttuurin luominen lähtee vastaavista kokeiluista ja niistä saaduista onnistumisista.

 

Kerää dataa laajasti – toteuta datakartoitus

Kuten totesin, dataan perustuva toiminta lähtee asenteesta. Käytännön toteuttamiseen tarvitaan kuitenkin dataa – dataa joka on löydettävissä ja mallinnettu siten, että sitä voidaan hyödyntää.

Tärkeää on se, että pilottien rinnalla aloitamme systemaattisen datan kartoittamisen. Ensiksi on tunnettava olemassa olevat data. Tähän auttaa datan kartoitus, kuvataan siis olemassa olevat datat sekä niiden sijaintipaikat (tästä kirjoitin edellisessä blogissani).

Parasta olisi kartoittaa kaikki nykyiset datat, mutta alkuun pääsee palastellenkin, kartoittamalla sen verran kerrallaan kuin käynnissä olevaan pilottiin kulloinkin tarvitsee.

Organisaatiolle kertyy yhä enemmän ja yhä monipuolisempaa mallinnettua ja siten hyödynnettävissä olevaa dataa.  Vähitellen olemme valmiita toteuttamaan yhä monipuolisempia analyysejä yhä nopealla aikataululla.

Mikäli haluamme tehostaa ja nopeuttaa analytiikkaprojektien läpivientiä, on dataa oltava varastossa ja mallinnettuna valmiiksi. Jos ratkaisemme vain yksittäisiä liiketoimintahaasteita kerrallaan ilman datan systemaattista kartoitusta, analyytikot joutuvat tutkimaan ja mallintamaan samaakin dataa aina uudestaan.

Tutkimusten mukaan Data Scientistien työstä menee suurin osa datan löytämiseen ja jalostamiseen, ei varsinaiseen havaintojen tekoon ja algoritmien kehittämiseen.

Pyörää ei kannattaisi keksiä yhä uudelleen.

 

Jaa parhaat käytännöt ja hyödynnä datan puolivalmisteita

Olemme keskustelleet monien organisaatioiden kanssa juuri siitä haasteesta, että data-analytiikkaprojektit jäävät yksittäisiksi harjoituksiksi eikä niitä voida hyödyntää uudestaan vaikkapa muissa yksiköissä. Tietoja haetaan ja muokataan aina uudestaan eri ihmisten toimesta.

Toimialat ovat kehittyneet ja tehostuneet puolivalmisteita kehittämällä. Autot kootaan valmiiden alustojen päälle, talot rakennetaan elementeistä ja elintarvikkeet valmistetaan puolivalmisteista. Vastaavasti analytiikassa tarvitaan datan puolivalmisteita.

Datan puolivalmisteilla tarkoitan ensinnäkin eri lähteistä saaduista raakatiedoista valmiiksi yhdistettyjä tietojoukkoja ja toiseksi raakadatasta jalostettua tietoa. Jalostettua tietoa ovat esimerkiksi perinteiset KPI:t tai koneoppimisen avulla luodut mallit.

Nämä puolivalmisteet tulee kuvata jotta niitä voidaan käyttää uudelleen, kuten legopalikoita laatikosta. Kuvaukset pitävät sisällään data-karttoja (tietomalleja) määritelmineen sekä käsittelysääntöjen kuvauksia. Näin tuloksia voidaan hyödyntää uudelleen sekä omassa yksikössä että yli organisaatiorajojen.

Suurin haaste ei ole enää se, etteivätkö yritykset olisi tietoisia data sciencen ja edistyneen analytiikan mahdollisuuksista.

Haaste piilee asioiden systemaattisessa kehittämisessä ja organisaatiokulttuurin sekä osaamisen tason nostamisessa.

 

Mikäli haluat luoda kulttuurin, jossa edellä mainittuja Data Science -pilotteja toteutetaan järjestelmällisesti, tutustu tähän tilaisuuteen! Tiedonhallinnan legenda Stephen Brobst vetää ainutlaatuisen seminaarin:

Data Science, Big Data Analytics and Advanced practices in Data Visualization, 26.09.2017 – 27.09.2017 Helsinki

Lue lisää tästä

 

Alla olevan kurssin käytyäsi nostat valmiuttasi kerätä data mahdollisimman laajasti. Yksi maailma johtavista Big Data, Analytiikka vaikuttajista Mike Ferguson vetää koulutuksen:

Building an Enterprise Data Lake, 02.11.2017 – 03.11.2017 Helsinki

Lue lisää tästä

 

Onko sinulla datat hajallaan eri järjestelmissä ja useita teknologioita käytössäsi? Data Virtualisointi teknologiaan kannattaa siinä tapauksessa tutustua. Alan huippuasiantuntija maailmalta Ric van de Lans vetää koulutuksen:

Introduction to Data Virtualization: Technology and Use Cases, 11.10.2017 Helsinki

Lue lisää tästä

Ari & tiimi

Jaa:

Kommentoi:

Kirjoittaja:

Ari Hovi

FM Ari Hovi toimii päätoimisesti konsulttina erikoisalueenaan Data Warehouse / Business Intelligence, käsitemallinnukset, tietoarkkitehtuurimallinnukset ja -määritykset sekä Business Intelligence / tietovarastoratkaisujen auditointi. Ari on Suomen kokeneimpia käsite- ja tiedonmallintajia (Data Modeling).

Ari on vetänyt uransa aikana yli sata käsitemallinnusworkshoppia ja ollut osallisena yli kuudessakymmenessä tietovarastohankkeessa. Tyypillisiä konsultointihankkeita ovat tietovarastojen arkkitehtuuri- ja strategiaselvitykset ja tietovarastojen tietosisällön mallinnus sekä yritystason tietoarkkitehtuurien ja Master Data -mallien laadinta.

Ari kuuluu The Data Warehouse Institute Finlandin (TDWI) hallitukeen sekä Kokonaisarkkitehtuuri -osaamisyhteisön KAOS isännistöön. Hän on DAMA Finlandin ehdokas kansainvälisen Data Management Excellence 2015 –tunnustuksen saajaksi.

Ari on myös tietokirjailija, teoksia aiheista Tietovarastointi, Tietokannan suunnittelu ja SQL. Hänen artikkeleitaan on julkaistu mm. TIVI-lehdessä, Kauppalehdessä ja Tietoasiantuntijat -lehdessä.

 

Haluatko uusimmat uutiset ja kurssitiedot Arihovista?