28.02.2013 / News Team

Bilotin uusien toimitilojen 28.2. pidettyjen avajaisten yhteydessä toimitusjohtaja Mika Tanner kertoi yhtiön kasvun jatkuvan vahvana. Bilot uskoo, että ydinosaamisen pitäminen Suomessa on tulevaisuuden kasvun varmistamisessa yhä tärkeämpi kilpailutekijä, ja aikoo palkata parikymmentä uutta ICT-ammattilaista.

Bilot on kasvanut koko olemassaolonsa ajan keskimäärin 50 % vuodessa, ja kasvun odotetaan jatkuvan vahvana. Tänä vuonna yhtiön työntekijämäärä nousee 110 ICT-ammattilaiseen ja liikevaihdon odotetaan nousevan 15 miljoonaan euroon. Vahvasta kasvusta kertoo myös se, että ratkaisuportfolio on vuosien saatossa laajentunut SAP BI:stä mm. verkkokauppa-, mobiili-, CRM- ja Microsoft-ratkaisuihin. Bilot on yksi Suomen suurimmista SAP- ja Microsoft-ratkaisujen toimittajista, SAP-pohjaisten verkkokaupparatkaisujen kautta kulkevan tavaran määrä on miljardiluokkaa euroissa mitattuna. Bilotin asiakaskuntaan kuuluu alansa johtavia suurteollisuuden, tukkukaupan, rakennusalan ja palvelualojen yrityksiä.

”Nopeus ja ketteryys on ICT-palvelualalla elinehto. IT-sovellusten sukupolvenvaihdokset seuraavat toisiaan kiihtyvällä vauhdilla, ja vastataksemme tähän kysyntään tarvitsemme kriittisen osaamisen tänne, lähelle asiakasta. Off-shore-palveluilla on oma merkityksensä jatkossakin, mutta uskon, että tuulet ovat kääntymässä. Pelkkää yksikköhintaa optimoimalla ei välttämättä saavuteta optimaalista kokonaiskustannustasoa ja palvelujen hinta-laatusuhdetta”, sanoo toimitusjohtaja Mika Tanner.

”Rekrytoimme jatkuvasti uusia osaajia. Saadaksemme ja pitääksemme parhaat tekijät talossa meidän pitää olla hyvä ja haluttu työnantaja. Alallamme puhutaan jo talentismista, eli kilpailusta halutuimmista osaajista. Talentit odottavat työltä paljon muutakin kuin palkkaa – viihtyisät ja innovatiiviset työtilat, kiinnostavat urapolut ja mielenkiintoiset asiakkaat ovat etenkin nuorille tärkeitä. Ja yhä enenevässä määrin myös työn ja vapaa-ajan tasapaino. Näihin panostamme”, Tanner sanoo.

Avajaisten demo-toreilla vierailla oli mahdollisuus tutustua, miten Bilotin kehittämillä ratkaisuilla rakennetaan sähköisiä palvelukanavia, hyödynnetään viimeisimpiä SAP- ja Microsoft-ratkaisuja ja miten näin voidaan parantaa tietotyöläisen elämänlaatua.


19.02.2013 / Louhia

Tai mitä yhteistä niillä pitäisi olla?

Erilaisia CRM-sovelluksia on olemassa pilvin pimein ja joka lähtöön. Suurin osa on varusteltu sähköposti- ja kalenteriohjelmien synkronointi mahdollisuuksilla, to-do listoilla, asiakaskorteilla, tarjousseurannalla, jne. CRM-järjestelmän saa käyttöönsä kätevästi SaaS palveluna ja useimmat käyttöliittymätkin alkavat olla helppoja käyttää. Poikkeuksia luonnollisesti mahtuu joukkoon.

Nykyisissä CRM-sovelluksissa on siis mukana kaikki tarvittava myyntiä ja markkinointia silmällä pitäen. Vai onko sittenkään?

Otetaanpa esimerkki musiikkimaailmasta. Aikanaan Winamp oli kova sana musiikin soittamisessa. Aikana jolloin Metallica ei vielä ollut ottanut Napsteria hampaisiinsa. Se oli helppo ja tehokas käyttää; todellinen musanautiskelijan lapio jolla oli helppo hallita musiikkikirjastoa ja soittaa musiikkia. Winampin käyttöliittymääkin pääsit muuttelemaan omanlaiseksi ja makuun sopivaksi. Sitten eräänä päivänä iTunes tuli markkinoille ja mitä tapahtui? Käyttöliittymä oli toki hieno ja selkeä mutta suurin mullistus oli siinä miten helpoksi Apple teki uusien biisien hankkimisen parilla klikkauksella, ja laillisesti.

iTunes keskittyy yhteen asiaan ja tekee sen erinomaisesti. Onko CRM:n tarkoitus toimia pölyttyvänä arkistona, jota myyjät käyttävät vain jos uhkaat repiä kynnet irti, vai edistää aidosti myyntiä?

Kun perusasiat olivat kunnossa (eli biisit helposti ostettavissa), seuraava suuri edistysaskel erityisesti musabisneksen näkökulmasta oli iTunesin Genius-moottori. Yhtäkkiä soitin alkoikin ehdottaa käyttäjälle sopivia biisejä sen perusteella, mitä omassa musiikkikirjastossa oli, millaisia ratingeja olit antanut ja mitä kappaleita kuuntelit ahkerimmin. Jos tykkäsit tästä artistista, niin saattaisit pitää myös tästä biisistä tai artistista. Genius hyödyntää ns. collaborative filtering -tekniikkaa, minkä avulla datasta pyritään löytämään toistuvia kaavoja ja lainalaisuuksia ja tämän avulla ennustamaan tulevaa käyttäytymistä. Vastaavaa mallinnusta hyödyntää mm. Amazon.com ja monet muut verkkokaupat. Myynnin näkökulmasta tämä tarkoittaa merkittävää lisämyyntipotentiaalia ja ajatusmaailman renensanssia siirtymällä passiivisesta odottamisesta aktiiviseen toimintaan. Tällaiselle myynnin työkalulle on tilaa toimialasta riippumatta, koska keskiössä on loppupeleistä asiakas ja hänelle entistä paremmin suunnatut tuotteet ja palvelut.

Mutta miksi CRM-kehittäjät ja niiden käyttäjät ovat tyytyneet jäämään Winampin tasolle kun tarjolla olisi Genius-luokan älykkyyttä? Pohjautuuko eri asiakaskohderyhmien, tuotesuositusten ja kampanjoiden määritelmät olemassa olevaan tietoon siitä mikä todella vaikuttaa myyntiin? Vuosikymmenten kokemusta ja näppituntumaa liiketoiminnasta ei korvaa mikään mutta entäpä jos pahimmat kilpailijasi ottavat vastaavan sallitun “lisäaineen” käyttöönsä omassa myyntisuorituksessaan? Ainakin tämän tutkimuksen mukaan 40%:lla on siitä jo suunnitelma olemassa.

Useimmat yritykset keräävät jo tietoa myyntiprosessista, asiakkaista, myydyistä tuotteista, laskutuksesta, asiakaspalvelusta, jne. Tätä olemassa olevaa tietoa voidaan käyttää myynnin tukena Geniuksen tavoin. Toki tiedot voivat olla eri lähteissä ja eri ihmisten näppien alla mutta nämä ovat kohtuullisen vaivattomasti ratkaistavissa olevia ongelmia.

Tiedonlouhinnan ja analytiikan hyödyntäminen myynnin ja CRM:n taustamoottorina on seuraava askel myynnin tehostamiseksi. Jotkut näitä askeleita jo ottavat. Ehkäpä tämä on ensimmäinen työväline sitten kynän ja paperin keksimisen jälkeen, minkä myös huippumyyjät haluavat omaksua nopeasti?


12.02.2013 / Ville Niemijärvi

Liiketoiminta-analytiikkaa varten ei tarvitse välttämättä kalliita lisenssi-investointeja vaan analytiikan voi tilata myös palveluna. Tällöin datan analysointi ja (ennuste)mallien muodostaminen tapahtuu analytiikkaan erikoistuneiden yritysten palvelimilla ja ohjelmistoilla.

Asiakas saa itselleen lopuksi analyysien tulokset, esimerkiksi visualisoidun loppuraportin asiakaspoistumaan vaikuttavista tekijöistä. Tulokset voidaan myös integroida asiakkaan CRM-, raportointi- tai ERP -järjestelmiin. Yksinkertaisimmillaan tämä on nippu SQL-lauseita, jotka sisältävät analytiikkamallin muodostavan logiikan, jota voidaan sitten hyödyntää esimerkiksi hälyraporttien muodostamisessa. Tai jos ollaan tehty asiakassegmentointi, voidaan uudet segmentit ajaa eräajolla CRM-järjestelmään.

Perinteisissä raportointihankkeissa korostuu usein liiaksi raportointisofta: sen käyttöliittymä ja toiminnallisuus. Kuitenkin tärkeintä kaikissa päätöksentekojärjestelmissä on se mitä kysytään ja mitä ongelmia ollaan ratkaisemassa. Analytiikkahankkeissa tämä tulee erityisesti esille: analytiikkaprojektit ovat täsmäratkaisuja, joiden on tarkoitus taklata jokin liiketoimintaongelma, vähentää kuluja tai lisätä myyntiä. Se millainen käyttöliittymä analytiikkasoftassa on, ei ole mitään merkitystä asiakkaalle.

Tärkeintä kaikessa päätöksentekojärjestelmissä on se mitä kysytään ja mitä ongelmia ollaan ratkaisemassa. Käytettävä raportointi- tai analytiikkasofta on toissijainen.

Ainoastaan jos asiakas haluaa itse tehdä mallinnustyötä tai jos malleja on tarkoitus ajaa automatisoidusti jatkuvalla syötöllä, tulee softahankinta välttämättömäksi. Mutta jos esimerkiksi asiakassegmentoinnin tai ostoskorianalyysin haluaa tehdä kerran puolessa vuodessa, ei lisensseihin investointi ole kannattavaa vaan tällöin kannattaa tilata toteutus palveluna.


11.02.2013 / Päivi Iisakka

Saamme jatkuvasti joukkoomme uusia mahtavia Bilotteja ja olimmekin viime vuoden lopussa tilanteessa, että kaikille ei ollut istumapaikkaa toimistollamme. Päädyimme laajentamaan nykyistä Itämerenkadulla sijaitsevaa toimitilaamme seinän läpi toiseen rappuun. Olemme pari edellistä vuotta valloittaneet osissa omaksi toista puolta ja nyt kun tuplasimme tilamme niin jatkossa koko 8. kerros on meidän käytössämme.

Olemme tottuneet pyörimään toimistollamme rinkiä, jonka varrella työpisteet sijaitsevat. Nyt olemme pyörimisen lisäksi totutelleet toimiston pitkiin käytäviin, ihastelleet teemallisia uusia neuvotteluhuoneita sekä tilan tuntua, mihin istuisinkaan nyt kun on jopa valinnan varaa…

Remontin, kaatuvien seinien, muuttolaatikoiden ja tavaran täyttämien käytävien keskellä työskenteleminen on saanut useat odottavalle mielelle, joko olisi valmista? Tupareita henkilöstön kesken vietetään tällä viikolla ja asiakkaiden ja sidosryhmien kesken kahden viikon päästä. En julkaitse vielä mitään valmista, jotta yllätys säilyy tupaantuliaisiin asti, mutta pieni kurkistus tässä:

Tervetuloa kylään Bilot Cityyn!


7.02.2013 / Ville Niemijärvi

Syksyllä Italian reissulla tippui puhelin huvilan kivilattialle. Näyttö meni tuusan nuuskaksi. Kotia päästyäni valmistauduin uusimaan Leningradin piirityksen vakuutusyhtiöni Tapiolan kanssa: toisin sanoen pitkä asemasota, jossa lähettäisin tulikivenkatkuisia reklamaatioita vakuutusyhtiölle, jonka byrokraatit poimisivat suurennuslasilla pienellä kirjoitetusta sopimuspräntistä syitä evätä minulta korvaukseni.

Tämä mielessä soitin korvauspalveluun, valmiina ottamaan ensimmäisen erän asiakaspalvelijan kanssa taistelussa, joka tulisi olemaan pitkä ja päättyisi tappioon. Mutta homma ei mennytkään kuten odotin.

Puhelu eteni jotakuinkin seuraavasti:

  • Tapiola: “Tapiolan korvauspalvelu, kuinka voin auttaa.”
  • Minä: Päivää. iPhone meni rikki Italiassa. Tippui lattialle, näyttö mäsänä. Pitäisi tehdä vahinkoilmoitus.
  • T: Ok. Mikä malli, nelonen vai nelos-ässä? 
  • M: Nelonen.
  • T: Okei. Niiden korjaus maksaa merkkiliikkeissä 300 euroa. Mä laitan tästä sen sun tilille niin asia on pihvi. Oliks jotain muuta mielessä?
  • M:

Tässä vaiheessa kun puhelua oli kestänyt sellaiset 30 sekuntia ja rahat oli jo varmaankin tililläni, en ollut aivan käsittänyt mitä oli tapahtunut. Päässä oli edelleen vuosi 1941. Miehet poteroissa. Sormi liipasimella.

Hieman sekavana, noudattaen alkuperäistä käsikirjoitusta, aloin änkyttämään jotain siitä kuinka se puhelin alun perin meni rikki. Asiakaspalvelija esti kohteliaasti hölmöilyni ja totesi, että ei tarvitse vaivautua. Kysyin sitten, onko väliä missä huollossa puhelimeni korjautan ja entä jos huolto onkin halvempi kuin tuo 300 euroa. Tähän hän totesi, että: “Ei meitä kiinnosta mitä sillä rahalla teet, huollat puhelimen, ostat uuden tai laitat kurkusta alas, ihan sama.”

Lopputulos: sain minulle kuuluvan korvauksen huippunopeasti ja -helposti. Tapiola taas sai itselleen lojaalin asiakkaan tai vahvisti lojaliteettia tuhatkertaisesti.

Sillä tuon tapahtuman jälkeen, on ihan sama millä hinnalla tai kuinka suurilla bonuksilla kilpailija vakuutuksia tarjoaa, pysyn luottovakuutusyhtiön asiakkaana.

Miten tämä liittyy analytiikkaan ja tiedolla johtamiseen? Tapiolan toiminta on paraatiesimerkki liiketoimintatiedon hyödyntämisestä päätöksenteossa ja sitä kautta paremman asiakaskokemuksen tarjoamisesta asiakkaille.

Analytiikka ja asiakassegmentointi

En tunne Tapiolan toimintamallia mutta epäilen, että ihan jokaiselle jampalle ei isketä 300 euroa käteen puolen minuutin puhelinsoiton perusteella. Samenttisen pehmeä radioääneni ei sitä varmaan myöskään tehnyt. Veikkaankin, että Tapiolalla, niin kuin muillakin isoilla vakuutusyhtiöillä, on tehty asiakassegmentointia. Toisin sanoen profiloitui asiakkaita heidän käyttäytymisen ja ominaisuuksien perusteella. Ja tämän jälkeen luokiteltu asiakkaat kannattavuuden, asiakkuuden arvon, asiakaspoistuman todennäköisyyden tai vaikka huijaustapausten todennäköisyyksien mukaan.

Otetaan meikäläinen ja muodostetaan profiili:

Käyttäytyminen: Pitkä + 5 vuotta asiakassuhde. Kannattava ja tuottoisa asiakas, ei ole koskaan aikaisemmin tehnyt korvausvaatimusta. Ei maksuongelmia, luottotiedot kunnossa. Monipuolinen tuoteportfolio, useita vakuutuksia. Asiakkuuden elinkaaren arvo on korkeahko. Tuotto-odotukset ovat nousussa (=maksaa ajan myötä enemmän ja enemmän maksuja).

Ominaisuudet: Yrittäjä. Perheellinen. Ikä 30-40 v.

Nyt kun isketään analytiikka-algoritmin läpi vuosien data ja kymmenet tuhannet korvaushakemukset, saadaan muodostettua esimerkiksi huijaavan asiakkaan profiili. Veikkaan, että omalla kohdalla ei tuollaisen veijarin leimaa ole. Päinvastoin, analytiikka-algoritmi kertoo todennäköisesti, että tämä kaveri on luottomies, meidän hyvä asiakas ja hänet kannattaa pitää tyytyväisenä.

Ei Tapiolan virkailijoiden kannata käyttää sekuntiakaan aikaa selvittääkseen olenkohan varmasti rikkonut luurini ja mitkä olivat olosuhteet. Eikä varsinkaan pyytää tuottoisaa asiakasta lähettelemään tarinoita, kuitteja ja muita selvityksiä tapahtuneesta. Eikä varsinkaan laittaa tarkastuskomppaniaa selvittämään voisiko tässä olla joku koijari asialla. Rahat tilille mahdollisimman nopeasti niin kaikki voittavat.

Bemarin moottorit

Samalla logiikalla toimii muuten BMW:n autotehdas. SPSS:n usein kertoma case kertoo, että BMW:n tehtaalla Saksassa moottorien vikaantumisten todennäköisyyksiä seurataan analytiikka-algoritmien avulla. Algoritmi on opetettu pollaamaan liukuhihnalla etenevien keskeneräisten moottorien datasta sellaisia piirteitä, jotka johtavat vikaantumiseen. Tämä opetus taas on perustunut tuhansiin ja taas tuhansiin aikasempiin tapauksiin kun moottori on todella leikannut kiinni ja on voitu todeta mitkä olivat olosuhteet tuolloin kun vikaantuminen tapahtui.

Kuuleman mukaan, kun analytiikka-algoritmi kertoo, että jollakin moottorilla on vaikkapa 50% todennäköisyys vikaantua, romutetaan moottori samantien, kyselemättä. Yksikään ihminen ei tutki onkohan asia todella näin koska on mitattu, että algoritmi on riittävän usein oikeassa ja on halvempaa laittaa moottorit romutukseen vaikka välissä saattaakin mukana mennä joku ehjä kappale.

Samalla tavalla joskus saattaa joku koijari saada epärehellisen vakuutuskorvausvaatimuksen läpi mutta silti kokonaisuutta ajatellen on kannattavampaa iskeä rahat kouraan kun todennäköisyydet näin sanovat.

Onko sinun yrityksessä mahdollista automatisoida prosesseja analytiikan avulla ja voittaa näin selvää rahaa tai yllättää asiakas iloisesti?


4.02.2013 / Mika Laukkanen

Tässä artikkelissa tehdään katsaus plussiin ja miinuksiin muutamien analytiikkaohjelmistojen osalta (R-ohjelma, RapidMiner ja SQLServer SSAS)

R-ohjelma

R-ohjelma on tilastotieteen ja tiedon louhinnan työväline, jonka käyttö perustuu komentorivipohjaiseen ohjelmointiin.  R:n lähdekoodi on täysin avoin, joten sen käyttäminen on ilmaista ja käyttäjä voi halutessaan, jopa osallistua ohjelman kehittämiseen.  

R-ohjelman vahvuuksia:

  • Koodin avoimuus; Ohjelma on täysin avoin (GNU-lisenssi).
  • R-help; R:ssä on laaja-alainen “manuaali”eri menetelmien (funktioiden) käytöstä, sekä selkeät esimerkit funktioiden toiminnasta. R:n manuaalien lisäksi on olemassa R-help postituslista, jonne kuka tahansa käyttäjä voi kirjoittaa ja kysyä neuvoa ongelmastaan. Yleensä kysymykseen saa vastauksen hyvin nopeasti.
  • Monipuolisuus; Käyttäjä voi itse määritellä funktioita ja muodostaa vaikka omia algoritmeja R:n avulla. Käyttäjä voi halutessaan myös lähettää funktionsa kaikkien saataville CRAN-sivustolle. R:n funktiokirjastoja on useita tuhansia ja määrä kasvaa päivittäin. Kaikki yleisimmät tilastolliset menetelmät löytyvät valmiiksi olemassa olevista kirjastoista. R:n menetelmien kirjo on kiistatta markkinoiden laajin.
  • Datan muokkaus; Vaikka yleisesti aineiston muokkausta ei pidetä R:n vahvuutena on se kuitenkin melko vaivatonta ja monipuolista. Uusien muuttujien tekeminen ja jo olemassa olevien muuttujien muunnoksien tekeminen onnistuu käden käänteessä.
  • Yhteys muihin ohjelmointikieliin; Esimerkiksi aineiston saa tuotua useasta eri järjestelmästä ja eri muodoissa. R-kielen voi upottaa esim. C-kieleen, joka mahdollistaa R:n käytön C-kielisessä ohjelmassa. R:llä pystyy myös kommunikoimaan joidenkin tietokantojen kanssa.
  • Nopeus; R käsittelee dataa nopeasti, mutta toisinaan ainoana pullonkaulana on koneessa olevan muistin määrä.
  • Hinta; R on ilmainen

 R-ohjelman heikkouksia:

  • Käyttäjän lähtötaso; Käyttäjän tulee tietää R:ää käytettäessä mitä hän on tekemässä. R:n sujuva käyttäminen vaatii perus-syntaksin opettelun sekä tietämystä menetelmistä. R:n kaikissa funktioissa ei ole otettu huomioon esim. muuttujien laatua, joka voi vaikuttaa saatuihin tuloksiin. R:n käytössä vastuu on käyttäjällä!
  • Käyttöliittymä; Kunnollisen graafisen käyttöliittymän puuttuminen, tosin sellaisen kehittely on meneillään.
  • Integrointi; R:n integrointi yritystason BIDW-ratkaisuihin ei ole täysin suoraviivaista.
  • Suuret aineistot; Vaikka R käsittelee dataa nopeasti, voi todella suurten aineistojen tilanteessa tulla ongelmia. Ongelmaa voidaan kuitenkin yrittää ratkaista koneen muistia lisäämällä.

 R-ohjelman voit ladata: http://cran.at.r-project.org/banner.shtml

RapidMiner

RapidMiner on erityisesti tiedon louhintaan keskittyvä open source-ohjelmisto, joka pystyy hakemaan ja käsittelemään suuria aineistoja eri tietolähteistä haettuna. RapidMinerin käyttö perustuu graafiseen käyttöliittymään, jota on helppo oppia käyttämään.

RapidMinerin vahvuuksia:

  • Intuitiivisuus; Analyyttisen prosessin muodostaminen graafisessa käyttöliittymässä on intuitiivista ja helppoa myös kokemattomalle käyttäjälle.
  • Käyttäjän lähtötaso; Käyttäjän ei tarvitse olla tilastotieteilijä, jotta pystyy tekemään RapidMinerin avulla tiedonlouhintaa. Menetelmistä on annettu selkeä ja lyhyt kuvaus. Lisäksi RapidMinerissä on automatisoitu menetelmän valinta kunhan käyttäjä on määritellyt aineistonsa (tätä ei kuitenkaan voi suositella sokeasti käytettävän).
  • Integrointi: RapidMiner voidaan integroida täysin yritystason BIDW-ratkaisuihin.
  • Rajapinnat; RapidMiner kykenee lukemaan (ja kirjoittamaan) aineistoja lukuisista eri tiedostoformaateista ja kaikista yleisimmistä tietokannoista.

  • Menetelmäkirjastot: RapidMinerissa on itsessään laajat menetelmäkirjastot ja niitä voidaan laajentaa esim. WEKA ja R -kirjastoilla.
  • Graafiset tarkastelut; RapidMiner mahdollistaa hyvät graafiset tarkastelumahdollisuudet aineistolle sekä analyysin tuloksille.
  • Hinta; RapidMinerin kaupallinen versio tulee normaalisti selvästi kilpailijoita edullisemmaksi.

RapidMinerin heikkouksia:

  • Tuotetuki;  Täyden tuotetuen ja parempien rajapintojen saaminen edellyttää kaupallisen version ostamista.
  • Aineiston muokkaus;  RapidMinerissa ladatun aineiston perusmuokkaus on hidasta ja työlästä. Tältä  kuitenkin vältytään, jos aineiston muokkaamisen tekee esimerkiksi ETL-prosessissa (tietovarasto) ennen kuin data siirretään RapidMineriin.
  • Pienet bugit?;  Toisinaan esimerkiksi prosessikaavio näyttää loogiselta ja oikein rakennetulta eikä virheilmoituksia ole, mutta silti analyysia ei voida suorittaa. Tällöin syyn löytäminen voi kestää jonkin aikaa.

RapidMinerin voit ladata: http://rapid-i.com/

Microsoft SQL Server – Analysis Services Data Mining

 Microsoftin tarjoama tiedonlouhintapaketti on kätevä ratkaisu niille, joilla on jo käytössään SQL Server-ohjelmisto (SSAS). Sinänsä tehokkaana tilastollisena työvälineenä ei tätä kyseistä pakettia voida pitää, eikä sitä tule hankkia ainoastaan tilastollisen analyysin tekemistä varten.  

SSAS-DM:n vahvuudet:

  • Integrointi;  Koska Data Mining –paketti on osa kokonaisuutta (tietokanta, SSIS, SSAS, SSRS), niin erilaiset tiedon muokkaukset, ajoketjut ja raportointi onnistuvat vaivattomasti ja kehittäjän näkökulmasta loogisesti. Analytiikan tulokset on siis helppo ottaa käyttöön, ainakin Microsoftin omissa ympyröissä.
  • Tuotetuki; Ohjelmiston käyttäjälle tarjolla tukea askarruttaviin tilanteisiin. Lisäksi ’data mining wizard’ auttaa käyttäjää analyysin tekemisessä askel askeleelta.
  • Klusterointi ja association rules;  Erityistä kiitosta voi antaa klusterointialgoritmista (esim. asiakassegmentointi) ja association rules-tyyppisistä (esim. ristiinmyynti, ostoskorianalyysi) analyyseistä, jotka voi suorittaa excelin kautta!
  • Excel addon;  Tämä lisäpiirre mahdollistaa useiden analyysien suorittamisen excelistä käsin siten, että käyttäjällä on myös data excelissä. Tulokset (esim. asiakassegmentit) luonnollisesti tulostuvat myös suoraan exceliin.  Monissa tilanteissa tämä ominaisuus voisi toimia tavallisen business käyttäjän päivittäisenä työvälineenä.
  • Hinta; Mikäli organisaatiossa on jo SQLServer, niin pakettia pääsee kokeilemaan ilman lisämaksuja. Kaikki ominaisuudet sisältävä paketti vaatii Enterprise version.

SSAS-DM:n heikkoudet:

  • Monipuolisuus;  Analyysityövälineet ja menetelmien määrä ovat suppeat (murto-osa muihin verrattuna), eikä niihin oikein pääse käsiksi. Täytyy vain valita menetelmä listasta ja toivoa parasta. Menetelmien algoritmeista on saatavana kuitenkin lyhyet kuvaukset.
  • Perusjutut;  Ei sisällä  keinoja puuttuvien havaintojen (matemaattiseen) korvaamiseen tai edes outliereiden etsintään. Aikasarja-analyysissä itse ei voi säätää esim. ARIMA-mallien paremetrien määrää, sama juttu koskee myös neuroverkon parametreja.
  • Kokonaisuus;  Työhönsä vakavasti suhtautuvan data-analyytikon näkökulmasta SSAS-DM:ta ei voi pitää kiinnostavana työvälineenä, pl. eräät adhoc tyyppiset analyysit. Kokonaisuteena Microsoftilla lienee ollut tarkoitus rakentaa väline, joka yrittää päätellä ja tehdä kaiken itse. Ainakin toistaiseksi tuo tavoite on vielä valovuoden päässä.

Nämä arvioinnit perustuvat louhialaisten omiin henkilökohtaisiin kokemuksiin ko. ohjelmistojen käytöstä eri tilanteissa. Mikäli haluat tietää lisää, niin ota yhteyttä: mika.laukkanen@louhia.fi.