Analytiikka liiketoiminnassa
-
Upload
jussila-jari -
Category
Business
-
view
383 -
download
1
description
Transcript of Analytiikka liiketoiminnassa
Analytiikka
liiketoiminnassa
Big data ja data-analytiikka liiketoiminnan kehittämisessä
Edutech 2014
Jari Jussila, Novi, TTY
Mitä pitäisi tehdä?
Ottaa kaikki data käyttöön!
Analytiikka liiketoiminnassa 2/6
Kerää
Tallenna
Analysoi
Hyödynnä
Ennusta
Automatisoi
Datavirrat on
analysoitava
heti
Lopullinen
tavoite
Big Datan mahdollisuudet [Salo, 2014]
Analytiikkaprojektin neljä
tärkeintä oppia
• Analytiikkaprojektit epäonnistuvat poikkeuksetta silloin,
kun ne tehdään out-of-the-box –projektitoimituksena.
Asiakkaan liiketoimintaa ei ymmärretä eikä aitoa
asiakasymmärrystä pääse koskaan syntymään. On
täysin yhdentekevää asetella neuroverkkoja silmät kiinni
jonkun aineiston päälle ja “ennustaa” siitä jotain.
Tuloksena on toki joku malli, mutta mitään
liiketoiminnallista arvoa sillä ei saa.
• Kaikista keskeisin syy analytiikkaprojektien
epäonnistumiselle on se, että mennään mallinnus,
algoritmit ja työkalut edellä, liiketoiminnan sijasta.
Analytiikka liiketoiminnassa 3/6
Analytiikkaprojektin neljä tärkeintä oppia [Kartela, 2014]. Saatavissa:
http://www.solita.fi/lehti/analytiikkaprojektin-nelja-tarkeinta-oppia/?sthash.mrb6PGi1.mjjo#sthash.mrb6PGi1.KtvrAXiG.dpuf
Mikä analytiikkaprojekteissa
on haastavaa?
• Ratkaisu on tunnistettu ennen
ongelma
– mennään työkalu, menetelmä tms.
edellä sovitetaan
liiketoimintaongelma ratkaisulle
sopivaksi
• Monet ongelmista eivät ole selviä
– liiketoiminnasta vastaavat eivät
tiedä mihin ongelmaan haluavat
vastausta, tai vielä pahempaa eivät
tunnusta ongelman olemassaoloa
• Vastaukset on vaikea ymmärtää
Analytiikka liiketoiminnassa 4/6
Analytics for Decision Making [Catanzaro, 2013]. Saatavissa:
http://sdm.mit.edu/systemsthinkingconference/2013/presentations/catanzaro.pdf
Analytiikkaan pohjautuva
päätöksenteko: 6 vaihetta
5/6
Liiketoiminta-
ongelman tai
–kysymyksen
tunnistaminen
Aikaisempien
löydöksien
läpikäynti
1. 2. 3. 4. 5. 6.
Ratkaisun
mallintaminen
ja muuttujien
valinta
Datan
kerääminen
Datan
analysointi
Tuloksien
esittäminen
ja niiden
pohjalta
toimiminen
Kun käytetään big dataa päätöksenteossa, liiketoimintaihmisten (”non-quants”) pitäisi
keskittyä prosessin ensimmäiseen ja viimeiseen vaiheeseen.
Numeroihmiset tyypillisesti hoitaa yksityiskohdat välissä, mutta (viisaat)
liiketoimintaihmiset esittävät paljon kysymyksiä matkan varrella.
Analytics-Based Decision Making – in Six Key Steps [Daveport, 2013]
Analytiikka liiketoiminnassa
Perinteinen data-analytiikan työnkulku
6/6
Big Data Imperatives [Mohanty et al., 2013]
Liiketoimintakysymys:
”Kuinka saavutan markkinoinnin
tavoitteet eri digitaalisissa
kanavissa?”
Liiketoimintapäätös:
”Määritä kanavakohtaiset
asiakassegmentit ja kohdista
markkinointi analyysin tuloksien
mukaisesti”
Liik
eto
imin
ta-
va
sta
ava
Liik
eto
imin
ta-
ja
da
ta-a
naly
ytikko
Tunnista datalähteet:
CRM, tietovarasto, Excel
sosiaalinen media, jne.
Yhdistä ja kokoa
data:
Hae ja yhdistä
data eri lähteistä
Siivoa ja rikasta:
ETL, datan
siivous, datan
rikastaminen
Lisää ja
kontekstualisoi:
Sijainti, demografia,
segmentointi
Rakenna analytiikan
työnkulku:
Rakenna ympäristö,
mallinna, analysoi
data, ennusta
Analyysi:
Tarkastele tuloksia ja iteroi
Esitä ja sovita:
Visualisoi, rakenna applikaatio
tai kerro tarina
IT / d
ata
ha
llin
na
n
asia
ntu
ntija
Analytiikka liiketoiminnassa
Big data-analytiikan työnkulku
7/6
Big Data Imperatives [Mohanty et al., 2013]
Liiketoimintakysymys:
”Kuinka saavutan markkinoinnin
tavoitteet eri digitaalisissa
kanavissa?”
Liiketoimintapäätös:
”Määritä kanavakohtaiset
asiakassegmentit ja kohdista
markkinointi analyysin tuloksien
mukaisesti”
Liik
eto
imin
ta-
va
sta
ava
Da
tatie
teili
jä
Tunnista datalähteet:
CRM, tietovarasto, Excel
sosiaalinen media, jne.
Yhdistä ja kokoa data:
Hae ja yhdistä data eri lähteistä
Siivoa ja rikasta:
ETL, datan siivous, datan
rikastaminen
Lisää ja kontekstualisoi:
Sijainti, demografia, segmentointi
Rakenna analytiikan työnkulku:
Rakenna ympäristö, mallinna,
analysoi data, ennusta
Analysoi:
Tarkastele tuloksia ja iteroi
Esitä ja sovita:
Visualisoi, rakenna applikaatio
tai kerro tarina
Syötä
dataa
Visualisoi
Mallinna
Analytiikka liiketoiminnassa
Miten liikkeelle?
Analytiikka liiketoiminnassa 8/6
Mikä on organisaation
tavoite Big datalle?
• Mikä on tavoiteltava hyöty?
– kustannuksien vähentäminen?
– prosessien tehostaminen?
– myynnin / ristiinmyynnin lisääminen?
– tuotteen tai palvelun laadun parantaminen?
– uudet (dataan perustuvat) tuotteet tai
palvelut?
– uudet (dataan perustuvat) ansainta- ja
liiketoimintamallit?
Analytiikka liiketoiminnassa 9/6
Hyviä esimerkkejä mm. Big Data at Work [Davenport 2014]
Liiketoimintakysymyksen
muotoilu
Analytiikka liiketoiminnassa 10/6
Selkeä ja
ajankohtainen
liiketoimintaongelma
ja tarve analytiikalle
Ei selkeästi
muotoiltua tarvetta,
mutta liiketoiminta-
ongelma tiedossa
Ei tiedostettua
liiketoiminta-
ongelmaa tai
analytiikkatarvetta
Selkeä väittämä
kysymyksestä, johon
halutaan vastaus
ONGELMA:
Markkinoinnin kohdistaminen ei
toimi
TARVE:
Löytää tekijät, jotka tällä hetkellä
korreloivat myynnin kanssa
VÄITTÄMÄ / KYSYMYS:
Kuinka myynti korreloi tekijöiden A,
B, C ja D kanssa; kun tarkastellaan
päivämyyntejä vuodesta 2010 tähän
päivään asti
Hyvä esimerkki
Pitäisi analysoida
markkinointia
Huono esimerkki
See also: Analytics for Decision Making [Catanzaro, 2013].
http://sdm.mit.edu/systemsthinkingconference/2013/presentations/catanzaro.pdf
Zoomaus ulos Tarkastellaan laajempaa
kokonaisuutta, koko prosessia, koko
tuotetta tai tuoteportfoliota
Zoomaus sisään Tarkastellaan pienempää
kokonaisuutta, prosessin osaa,
tuotteen osaa tai yksittäistä
ominaisuutta
Asiakassegmentti Määritellään eri kriteerein / muuttujin
kuin aikaisemmin, keskitytään tiettyyn
kapeaan segmenttiin, laajennetaan,
etsitään uutta
Asiakastarve Hyödynnetään eri lähteitä
asiakastarpeen määrittämisessä,
esim. asiakkaan itse generoima data
(clickstream ym.), videotallenteet
palvelutilanteesta, asiakkaan
keskustelut sosiaalisessa mediassa Analytiikka liiketoiminnassa 11/6
Liiketoimintaongelman, kysymyksen ja
analytiikkatarpeen iteroinnissa pivotointi
voi auttaa
Analytiikan kokeilu
• Lähdetään etsimään mitä datasta löytyy ja
kuinka dataa voidaan käyttää hyödyttämään
organisaation liiketoimintaa
Lopputuloksena on idea – konsepti mahdollisesta
uudesta tuotteesta, palvelusta tai ominaisuudesta
tai hypoteesi (ja sitä tukeva evidenssi) että
olemassa olemaa mallia voidaan parantaa
Usein enemmän inkrementaalisia parannuksia.
Esimerkki tunnistetaan uusi tekijä, joka parhaiten
ennustaa asiakaspoistumaa tai auttaa tarkemmin
kohdistamaan tarjouksen
Liikkeelle pienellä pilotilla tai proof-of-conceptilla
Analytiikka liiketoiminnassa 12/6
Big Data at Work [Davenport 2014]
Analytiikan tuotanto
• Skaalataan analytiikkaratkaisu tuotantoon
– Esimerkiksi muutetaan hinnoittelualgoritmeja tai
siirrytään kokeiluasteella olevasta tuotteesta tai
palvelusta täysin toiminnalliseen tuotteeseen tai
palveluun asiakkaalle
• kaikki kokeilut ei välttämättä mene tuotantoon
• tiukemmat vaatimukset mm. luotettavuudelle ja
turvallisuudelle ja muille seikoille mitä asiakkaat,
partnerit ja lainsäädäntö edellyttävät
• vaatii erilaista osaamista ja asiantuntemusta, mm.
uusien sovelluksien integroimista olemassa olevaan
arkkitehtuuriin ja sovelluksien suorituskyvyn optimointiin
• perusasioiden pitää olla kunnossa, mm. ydintietojen
hallinta
Analytiikka liiketoiminnassa 13/6
Big Data at Work [Davenport 2014]
Mikä on oikea nopeus Big datan
käyttöönotolle?
• Pitäisi edetä konservatiivisesti jos:
– Kilpailijat ei juuri tee mitään Big datalla
– Sinulla ei ole paljoa dataa asiakkaista tai muista tärkeistä business
toimijoista
– Yrityksesi ei tyypillisesti ole edelläkävijä toimialan innovoinnissa
• Pitäisi edetä aggressiivisesti jos:
– Toimialasi on jo aktiivinen big data-analytiikassa
– Haluat pysyä edellä kilpailijoitasi
– Yritykselläsi on ainakin joitain ihmisiä jotka osaa tehdä big data-
analytiikkaa
• Pitäisi edetä todella aggressiivisesti jos:
– Joku toimialallasi on jo todella aggressiivinen
– Yrityksesi on hyödyntänyt aiemmin teknologiaa uudistamaan toimialaa
– Yritykselläsi on kaikki tarvittavat kyvykkyydet
14/6
Big Data at Work [Davenport 2014]