28.03.2014 / Lasse Liukkonen

Hintajoustoanalyysi on helpoimmillaan regressioanalyysiä ja regressiomallin oikeanlaista tulkintaa. Artikkelissa (http://www.dataapple.net/?author=1) käsitellään aihetta selkeästi ja melko yksityiskohtaisesti. Tässä blogissa esitellään edellä mainitun artikkelin pääkohdat eli hintajoustoanalyysin päävaiheet, tulokset ja tulkinnat R-ohjelmoinnin sovelluksena. Käytämme tässä generoitua aineistoa, jonka struktuuri on sama kuin artikkelissa.

Hintajoustoanalyysillä haetaan vastauksia muun muassa seuraaviin kysymyksiin:

  • Mitkä tarkasteltavat tuotteet ovat toistensa substituutteja/komplementteja​?
  • Mikä on kampanjan vaikutus kappalemyyntiin?
  • Mikä on tuotteen hintajousto (tuotteen hinnan vaikutus myytyihin kappalemääriin)?
  • Mikä on ristihintajousto muiden tarkasteluissa esiintyvien tuotteiden kanssa?
  • Mikä on optimaalisin hinta tarkasteltavalle tuotteelle, kun muiden tuotteiden hinnat kiinnitetään?
  • Mikä optimaalisen hinnan tuottama katteen määrä?
  • Paljonko varastossa tulee olla tarkasteltavaa tuotetta, kun tuotteelle asetetaan optimaalinen hinta?

Tuntuu aluksi uskomattomalta miten yhdestä regressioyhtälöstä voidaan saada näin moneen kysymykseen vastaukset, mutta näin se vain menee, joskus yksinkertaisuus on se mitä tarvitaan.

1. Aineisto

Aineisto sisältää viikottaiset myyntihinnat Jaffa, DRPepper, sekä Kolajuomasta. Tämän lisäksi aineistossa Kolajuoman viikottaiset myynnin kappalemäärät, sekä kamppanja-indikaattori (2 eri kampanjaa). Suuressa osassa analyysiä kiinnostuksen kohteena on Kolajuoman kappalemääräinen myynti (Myynti_kpl), jota selitetään muilla aineiston muuttujilla. Seuraavassa kuvassa on aineisto kokonaisuudessaan, sekä aineistoa kuvaavia tunnuslukuja.

Hintajousto_data

   Hintajousto_data_kuvaus

Koska jatkon analyysi perustuu lineaariseen regressioon, sekä yksinkertaisiin tilastollisiin testeihin, on syytä tarkastaa löytyykö aineistosta erityisen poikkeavia Kolajuoman myyntimääriä. Lisäksi on syytä tutkia normaalisuusoletus. Blogissa turvaudutaan vain graafiseen tarkasteluun.

Hintajousto_outliers

Viiksilaatikosta (kuvassa vasemmalla) näemme ettei aineisto sisällä poikkeavia havaintoja. Oikean puolen kuva paljastaa, että myyntimäärien tiheysfunktio (histogrammi) on liki normaalinen, voimme siis hyvillä mielin aloittaa analysoinnin.

2. Kampanjoiden vertailu (ilman muiden selittävien muuttujien informaatiota)

Tutkitaan aluksi kumpi kampanjoista toimii paremmin Kolajuoman myynnissä. Jaetaan aineisto aluksi kahteen osaan, filtteröivänä muuttujana Kampanja. Jotta kampanjoista saadaan luotua miellekuva niin oletetaan, että kampanjoiden sanomat ovat seuraavanlaiset:

  • Kampanja=0: “Kolajuoma koko perheen janojuoma!”
  • Kampanja=1: “Kolajuomassa entistä vähemmän kaloreita!”

Hintajousto_kampanjat

Hintajousto_kampanjat_hist

Tutkitaan kampanjoiden eroavaisuutta yksinkertaisella kahden otoksen t-testillä. Seuraavassa kuvassa R-ohjelman tulostus Welchin t-testistä, sekä otosten normaalisuustestit Shapiro-Wilkin-testillä.

Hintajousto_t_testi

Koska Welchin t-testin p-arvo on ~0.0009<0.05 voimme todeta, että viikottaisten myyntimäärien keskiarvot eroavat toisistaan kampanjoiden välillä, kampanjoilla on siis erilaiset vaikutukset myyntimääriin. 95%-luottamusväli paljastaa, että kampanjan “Kolajuoma on koko perheen janojuoma!”  aikana Kolajuoman viikottainen myyntimäärä on suurella varmuudella 81-279 kpl vähemmän kuin kampanjan “Kolajuomassa entistä vähemmän kaloreita!” aikana. Jälkimmäisenä mainittu kampanja tuntuu siis pureutuvan paremmin kuluttajiin. Pidetään tämä tulos mielessä ja verrataan sitä jatkossa muodostettavan regressiomallin vastaavaan kertoimeen. Regressiomalli ottaa huomioon myös muiden aineistossa olevien muuttujien vaikutukset ja näin ollen kampanja-indikaattorin merkitys voi muuttua lopullisessa tulkinnassa (joskin epätodennäköistä, että kääntyisi päälaelleen).

3. Regressiomallin muodostaminen

Noniin! Nyt päästään itseasiaan, regressiomallin muodostamiseen ja sen tulkinnan avulla saataviin tuloksiin. Kertauksena todettakoon, että Myynti_kpl-muuttuja toimii regressiomallin vasteena ja muut aineiston muuttujat selittävinä.

Tutkitaan aluksi muuttujien välisiä korrelaatioita graafisen kuvan avulla (Varoitus: mainos R:n monipuolisista visualisointimahdollisuuksista).

Hintajousto_korrelaatiot

Korrelaatiot kappalemyynnin ja Kolajuoman hinnan, kampanjan, DRPepperin hinnan sekä Jaffan hinnan välillä ovat 0.85, 0.58, 0.37, 0.37. Korrelaatioiden perusteella muuttujien karsimista ei tarvitse suorittaa, otamme siis kaikki muuttujat malliin mukaan. Seuraavassa kuvassa regressiomallin kertoimet ja merkitsevyydet, sekä mallin selitysaste.

Hintajousto_regressio

Kola_hinta, Kampanja, Jaffa_hinta muuttujien kertoimet eroavat merkitsevästi 0:sta (katso p-arvot, PR(>|t|)), joten niiden arvojen muutoksilla on vaikutusta Kolajuoman viikottaiseen kappalemyyntiin. DRPepperi_hinta-muuttujan regressiokerroin 66.27 ei ole tilastollisesti merkitsevä, kun käytetään rajana 0.05 merkitsevyystasoa. Tiedämme kuitenkin kuluttajakokemuksesta, että kun DRPepperin hinta on alhainen ostaa kuluttaja mieluiten kyseistä tuotetta, jolloin muiden virvoitusjuomien kappalemyynti laskee, erityisesti Kolajuoman. Emme siis tiputa DRPepper_hinta-muuttujaa regressiomallista ulos.

Mallin selitysaste on ~0.9, joten selittävät muuttujat pystyvät (melko) hyvin selittämään Kolajuoman kappalemyyntiä.

Ennen kuin voimme tulkita regressiomallin kertoimia täytyy mallioletukset tarkistaa. Seuraavassa nippu graafeja oletuksien tutkimista varten; voimme todeta kaiken olevan kunnossa.

Hintajousto_mallin_oletukset

Testataan lisäksi multikollineaarisuutta VIF-testin (variance inflation factor) avulla, hyvänä nyrkkisääntönä voidaan pitää, että multikollineaarisuus on suurta mikäli regressiokerroin kohtainen VIF-arvo on suurempi kuin 5. VIF-vektori on helppo laskea myös manuaalisesti (joskin ei kauhean nopea tapa), mikäli laskentaa ei ole implementoitu käyttämääsi ohjelmistoon. VIF-arvot saadaan asettamalla yksi selittävä muuttuja kerrallaan regression vasteeksi, jota selitetään jäljelle jäävillä selittävillä muuttujilla. Lasketaan manuaalisesti Kola_hinnan VIF-arvo,

Kola_hinta=4.96 – 0.54*Kampanja – 0.48*DRPepper_hinta+0.01*Jaffa_hinta.

Muodostetun regressiomallin selitysaste on 0.1975, josta saamme VIF-arvon Kola_hinta-muuttujalle

VIF(Kola_hinta)=1/(1-R^2)=1/(1-0.1975)=1.246.

Seuraavassa kuvassa VIF-vektori kokonaisuudessaan:

Hintajousto_VIF

Kuvasta näemme, että kertoimet ovat alle 5, joten multikollineaarisuus on vähäistä. Nyt kun kaikki oleellisimmat mallioletukset on tutkittu voimme hyvillä mielin kirjoittaa regressiomallin auki ja aloittaa sen tulkitsemisen,

Myynti_kpl=1013.42 – 153.72*Kola_hinta + 89.23*Kampanja + 66.27*DRPepper_hinta – 75.83*Jaffa_hinta.

4. Hintajoustot

Hintajoustoilla tarkoitetaan yleisesti ottaen tuotteen ominaisuuden (esim. Kappalemyynti) suhteellista muutosta sen suhteellisen hinnan muuttuessa. Tarkastelemme myös ristihintajoustoa, jossa Kolajuoman kappalemyynnin suhteellista muutosta tutkitaan jonkin muun tuotteen hinnan muuttuessa.

Myynnin hintajousto(Kolajuoma)=suhteellinen muutos kappalemyynnissä / suhteellinen muutos hinnassa=-153.72*0.0045=-0.69,

missä 0.0045=Kolajuoman keskihinta / Kolajuoman kappalemyynnin keskiarvo.

Kolajuoman myynnin hintajousto sievenee muotoon, jonka numeeriset arvot saadaan Kola_hinta-muuttujan regressiokertoimesta sekä keskihinnasta ja keskimääräisestä kappalemyynnistä (keskimääräisien arvojen käyttäminen ei välttämätöntä, mutta loogisinta).

  • Arvon -0.69 tulkinta: 10% muutos Kolajuoman hinnassa vähentää Kolajuoman viikottaista kappalemyyntiä 6,9%. Lisäksi voidaan sanoa, että myynnin hintajousto on joustamatonta; Kappalemyynnin muutos on suhteessa pienempi kuin hinnan muutos.

Myynnin ristihintajousto(Kolajuoma,DRPepper)=66.27*(3.659/650)=0.37,

missä 3.659=DRPepperin keskihinta ja 650=Kolajuoman kappalemyynnin keskiarvo.

Myynnin ristihintajousto(Kolajuoma,Jaffa)=-75.83*(2.622/650)=-0.31,

missä 2.622=Jaffan keskihinta.

  • Arvon 0.37 tulkinta: 10% hinnan lasku DRPepper-juomassa laskee 3,7% Kolajuoman kappalemyyntiä ja kääntäen. DRPepper ja Kolajuoma ovat toistensa substituutteja.
  • Arvon -0.31 tulkinta: 10% hinnan lasku Jaffassa aiheuttaa 3,1% kasvun Kolajuoman myynnissä. Jaffa ja Kolajuoma ovat toistensa komplementteja. Jaffa ja Kolajuoma kannattaa siis asettaa lähekkäin myymälässä.

Hintajoustojen lisäksi saamme regressioyhtälöistä kampanjoita koskevan tiedon:

  • Kampanja “Kolajuomassa entistä vähemmän kaloreita!” lisää viikottaista kappalemyyntiä 89 yksikköä verrattuna toiseen kampanjaan (vrt. blogin alussa vaikutuksen 95%-luottamusväli: -278.77,  -81.23).

5. Hinnan optimointi

Voimme tutkia regressiomallin avulla myös optimaalista Kolajuoman hintaa katteen näkökulmasta kiinnittämällä muiden selittävien muuttujien arvot. Kiinnitetään seuraavat arvot muille selittäville muuttujille: DRPepper_hinta=3.659 (keskihinta), Kampanja=1, Jaffa_hinta=2.622 (keskihinta).

Kiinnittämisen jälkeen muodostettu regressiomalli sievenee muotoon:

Myynti_kpl=1146.31 – 153.72*Kola_hinta

Nyt voimme muodostaa kaavan katteelle, kun oletamme, että Kolajuoman sisäänostohinta on 1.5:

(Myyntihinta-1.5)*(1146.31-153.72*Myyntihinta)=-230.58*Myyntihinta^2 + 1376.89*Myyntihinta – 1719.47

Funktio (Kolajuoman viikottainen kokonaiskate) maksimoituu hinnalla 2.99, jolloin maksimi kate kolajuoman suhteen on 336.

  • Mikäli tarkkailussa olevien muiden tuotteiden hinnat pysyy vakioina ja kampanja=1 on voimassa kannattaa asettaa Kolajuoman hinnaksi 2.99.

6. Varaston optimointi kolajuomalle

Mikä on optimaalinen varastossa olevien Kolajuomien määrä (viikottainen), jos asetamme Kolajuomalle optimaalisen hinnan 2.99? Vastauksen saamme laskemalla kappalemyynnille ennusteen regressiomallin avulla.

Ennuste(Myynti_kpl)=1013.42 – 153.72*2.99 + 89.23*1 + 66.27*3.659 – 75.83*2.622

Tuloksena saamme 687 kpl, sekä luottamusväliksi  570-803.

  • Varastossa on hyvä olla viikottain ~700 kpl Kolajuomia kun uusi hinta otetaan ensimmäistä kertaa käyttöön. “Varman päälle peluri” täyttää varastonsa 800:lla Kolajuomalla.

Kuten blogissa kävi ilmi, kyseessä on hyvin yksinkertainen lähestymistapa hintojoustojen tarkastelemiseen. Olennaista lienee kuitenkin se, että vastauksia päivittäin askarruttaviin kysymyksiin saattaa löytyä yksinkertaisista asioista, kuten lineaarisesta regressiosta.


27.03.2014 / Ville Niemijärvi

Olin kaksi vuotta sitten potentiaalisella asiakkaalla haastateltavana. Keskustelimme asiakkaan tulevasta tietovarastoarkkitehtuurista ja sen mallintamisesta.

Keskustelu meni jotakuinkin näin:

Asiakas: Me emme sitten varmasti tee mitään tähtimallia, se on ihan passe. Aiomme toteuttaa tietovaraston joko Data Vaultilla, hyödyntäen muistinvaraista high-end teknologiaa kuten Netezzaa tai sitten NASA:n bunkkereissa jonkun propellipään kehittämää uutta big-data-hadoop-hybrid-newagetomcruise -mallinnustapaa josta yliopistomaailman nörtit ja pari nohevaa LinkedIn-spämmääjää hihkuu innoissaan mutta kukaan oikeasti töitä tekevä ei ole kuullutkaan.

Minä: Okei. Kuulostaa mielenkiintoiselta. Saisinko esittää muutaman kysymyksen?

Asiakas: Tottakai.

M: Oletteko koskaan tehneet tietovarastoa mallintaen sen “perinteiseen” tapaan, esim. tähti-/lumihiutalemallin mukaisesti?

A: En.

M: Oletteko koskaan tehneet Data Vaultia?

A: En.

M: Entä ottaneet käyttöön Netezzaa, hadoopia tai muita name-droppaajien suosikkeja? Tai edes benchmarkanneet yrityksiä, joilla on näistä kokemuksia?

A: En.

M: Oletteko itseasiassa koskaan tehneet ennen tietovarastoa?

A: En.

M: Eli päätöksenne hylätä suorilta käsin mallinnustapa, jota käyttää 99/100 yrityksestä Suomessa, joka on ollut käytössä yli 30 vuotta maailmassa, perustuu pelkästään mutuun ja keskustelupalstojen ja myyntimiesten hypetykselle?

A: Pääasiallisesti näin, kyllä. Haluamme modernin ratkaisun.

M: Eikö tarpeeseen sopiva ja toimiva kävisi?

A: En ymmärrä noita sanoja.

M: Tiedättekö mitä data vaultin, netezzan, hadooppien jne. käyttöönotto maksaa, verrattuna perinteiseen DW-malliin?

A: Varmaankin ihan törkeän paljon.

M: Kyllä, moninkymmenkertaisesti enemmän rahaa ja aikaa. Niin teidän kuin ulkopuolisten konsulttien.

A: Raha ei ole este.

M: Niin, kun se ei ole omaa sitä on kiva tuhlata?

A: Aivan.


26.03.2014 / Matti Järventausta

Master data on yksi niistä peruskivistä, joka kannattelee koko yrityksen toimintaa. Jos peruskivi pettää, niin koko yritys repsahtaa. Päivänselvää, eikö totta.

Valitettavasti master datan vaaliminen ei tapahdu itsestään, vaan vaatii täsmällisyyttä, kurinalaisuutta, osaamista ja monen työntekijän tiimityötä. Tästä seuraa, että master datan ylläpitoprosessit pitää suunnitella ja organisoida, ja että niitä pitää pystyä valvomaan ja mittaamaan.

Olemme osalla asiakkaistamme toteuttaneet master datan ylläpitoprosesseja kevyesti ja ketterästi ilman massiivisia miljoonaluokan investointeja, joita yleensä MDM-hankkeisiin sitoutuu. Yhteistä näille projekteille on ollut se, että käyttöliittymät ja prosessien ohjaus (työnkulut) on toteutettu käyttäjille tuttuun SharePoint-ympäristöön ja taustajärjestelmänä on ollut SAP:n ERP- ja CRM –järjestelmiä. Lisäksi tilanteen mukaan on samaan prosessiin kytketty Salesforce, dokumentinhallintajärjestelmä, osoitepalvelu tai vaikkapa toimialan tuotepankki.

Kevyeksi ja ketteräksi ratkaisumme tekee se, että se hyödyntää täysin jo asiakkailla olevat infrapanostukset: SharePointin kollaboratiivisena ympäristönä ja SAP:n liiketoimintajärjestelmänä. Muita tietokantoja tai datavarastoja ei tarvita: korvasimme datan replikoinnin datayhteyksillä suorituskyvystä tai tietoturvasta tinkimättä. Käyttöliittymäpuolella käytämme helppokäyttöisiä lomakkeita, jotka soveltuvat myös mobiililaitteille. Koska sekä lomakkeet että prosessit on suunniteltu helposti ja nopeasti konfiguroitaviksi, ylläpitoprosessit voidaan ketterästi integroida saumattomaksi osaksi kutakin liiketoimintaprosessia.

Järjestämme 24.4.2014 8:30 – 11:00 aamiaistilaisuuden, jossa esittelemme kehittämäämme SmartMDM-tuotetta, ja sen uusia ja tulevia ominaisuuksia. Tule näkemään ja antamaan pisteitä uusille ominaisuuksille!

Bilotin aamiaistilaisuuksiin pääset ilmoittautumaan täällä.


21.03.2014 / Mika Laukkanen

Onko yrityksesi rakentamassa uutta tietovarastoa tai kehittämässä vanhaa? Entä olitteko ajatelleet hyödyntää tietovarastoa myöhemmin edistyneessä analytiikassa? Jos vastaus molempiin vastauksiin on kyllä, niin todennäköisesti olette jo pulassa edes tietämättä sitä. Puhumattakaan siitä mikäli samaistatte Qlikview:n tai vastaavan killuttimen ‘tietovarastoksi’.

Seuraava tarina perustuu tapahtumaketjuun, joka toistaa itseään kuin Ymmi Hinaaja.

Tarina lähtee liikkeelle siitä, että yrityksessä Z on huomattu tiedolla johtamisen ja analytiikan olevan tätä päivää. Sisäisten selvittelyjen ja konsulttien kanssa puuhailun tuloksena ollaan pisteessä, jossa on päätetty rakentaa tietovarasto tai laittaa ainakin entinen uusiksi. Hanke nimetään Big Data -termin alle (menee paremmin johtoryhmässä lävitse).

Jotta tietovarasto saadaan kasaan, niin määritellään maalit – tyypillisesti tiettyjen osa-alueiden raportointia ja kirsikkana kakussa “Johdon työpöytä”. Tässä vaiheessa ollaan taas nykyaikaisia ja nimetään uudet ja näppärät ristiintaulukot analytiikaksi. Niitähän voi käännellä ja tietoihin porautua.

Kasassa on suunnitelma, joka sisältää Big Dataa ja analytiikkaa. Mikään ei voi mennä pieleen.

Kuluu ehkä vuosia, mutta lopulta tietovarasto valmistuu tai ainakin aktiivinen projekti lopetetaan. Kaikki suunnitellut raportit ja analytiikkaristiintaulukot tulevat sekunnissa ulos. Mutta sitten…

Paikalle saapuu Johtaja, joka sanoo, että haluaa ennusteet poistuvista asiakkaista seuraavan kuuden kuukauden ajalle. Tämän lisäksi Johtaja haluaa asiakassegmentit, jotka perustuvat asiakkaiden todelliseen ostokäyttäytymiseen ja perustietojen yhdistelmään. Molemmat asiat Johtaja oli kuullut analytiikkaseminaarissa, jossa kilpailijat olivat ylistäneet tuloksia.

Tietovaraston kehittämisestä vastaa Päällikkö, joka alkaa aprikoida asiaa. Meillähän on miljoona asiakasta, miten siitä sitten luot jokaiselle poistumaennusteen kuudelle kuukaudelle ja perustuen mihin? Ja eikö tässä riitä, että segmentti on ikäluokka ja sukupuoli, kuten aina ennenkin (jo vuosikymmeniä).

Lopulta Päällikkö ymmärtää, että asetetut haasteet eivät ratkea analytiikkaristiintaulukoilla. Paikalle pyydetään asiantuntijat yrityksestä L.

Puolen päivän palaveerauksen jälkeen on selvinnyt, että tietovarasto ei sisällä riittävästi tietoa, jolla Johtajan tavoitteet täytetään. Ongelmia ovat mm.

– Tietoa ei ole historioitu riittävästi tai oikein, jotta voidaan käyttää tiedon louhinnan malleja. Ei siis ole dataa, jolla opettaa algoritmeja.

– Tietoa puuttuu kokonaan, koska sitä ei raportoinnissa tai ristiintaulukkoanalytiikassa katsottu tarpeelliseksi.

– Tietoa ei ole kokonaisuudessaan kerätty tavalla, joka tukee asiakasanalytiikan toteutuksia. Tietomallit on tehty perinteistä raportointia varten.

Niinpä Päällikön on mentävä Johtajan puheille ja kerrottava, että triljoonan maksanut (Big Data) tietovarasto ei oikein taivu. Se on edistyneeseen analytiikkaan impotentti. Mutta ei hätää, asia on korjattavissa. Tarvitaan vain uusi projekti, jolla luodaan analytiikkakanta (tavallaan datamart). Sitten odotellaan muutamasta kuukaudesta muutamaan vuoteen, jotta on oikein kerättyä tietoa on riittävästi.

Lopetetaan tarina tähän.

Sen opetus on, että mikäli yrityksenne aikoo tulevaisuudessa tehdä ennustemalleja tai muuta edistynyttä analytiikkaa, niin ne tarpeet on kerättävä ajoissa sekä huomioitava ne tietovaraston kehittämisessä. Tasoksi ei todellakaan riitä se, että todetaan vaikka ‘asiakastietojen sisältyvän tietovarastoon’. Tulee myös tietää, että miten ja missä muodossa ne on historioitava tietovarastoon, jotta niitä voidaan myös hyödyntää. Tämä oli vain yksi esimerkki lukuisten joukossa.

Ja käyttäkää apuna sellaisia asiantuntijoita tai konsultteja, jotka todistettavasti ovat tehneet teille tärkeitä analytiikkakohteita tai muuten riittävän syvällisesti ymmärtävät mistä on kyse. Tämä on investointi, joka varmasti maksaa itsensä takaisin niin euroissa kuin vähempänä harmina.


19.03.2014 / Samuli Sikanen

Kirjallisuudesta ja blogeista voi lukea erilaisia nyrkkisääntöjä toimintolaskennan mallintamiseen, kuten että tarkemmin mallinnettavien osa-alueiden tulisi edustaa 5-30 % kaikista kuluista. Tässä voidaan kuitenkin mennä pahasti hakoteille varsinkin silloin, kun lasketaan tuotekustannuksia. Olen itse ollut laskemassa analyysejä, joissa yksittäisen prosessin kustannukset ovat edustaneet alle 5% kokonaiskustannuksista ja prosessiin kuuluvan toiminnon kustannukset selvästi alle 2% kokonaiskustannuksista, minkä takia näitä kustannuksia ei ole allokoitu alkujaan tarkasti. Kyseiset kustannukset ovat liittyneet tuotteisiin, jotka edustavat vain paria prosenttia yrityksen kokonaisvolyymistä ja näin ollen niillä on ollut huomattava vaikutus kyseisten tuotteiden valmistuskustannuksiin ja tätä kautta tuotteiden kannattavuuteen. Ilman tarkempaa allokointia yrityksellä on ollut kuva, että nämä muutamat uudet tuotteet ovat huomattavan kannattavia ja tulevaisuudessa yrityksen tulisi keskittyä strategisesti näiden tuotteiden volyymin kasvattamiseen. Todellisuudessa, kun pienet kustannuserät on allokoitu tarkemmin – nämä ”tulevaisuuden tuotteet” ovatkin olleet erittäin kalliita valmistaa ja niiden kannattavuus on ollut huono. Kilpailevien substituuttituotteiden vuoksi ei hinnoittelullakaan oltaisi voitu parantaa kuvaa.

Lisäksi näkemykseni on, että kun suunnitellaan kannattavuuslaskentaa, eikä pelkästään kustannuslaskentaa, toiminnon kustannusten osuus prosenttia liikevaihdosta on parempi mittari, kuin prosenttia kokonaiskustannuksista, koska prosenttia liikevaihdosta kertoo toiminnon kustannusten merkityksen yrityksen kannattavuuden kannalta.

Ja vielä kertauksena – on olennaista nähdä kuinka suureen tai pieneen osuuteen tuotteista tai palveluista kustannus liittyy. 1% kokonaiskustannuksista voi tarkoittaa 20% yhden tuotteen kustannuksista. Tällöin pienenkin kustannuserän tarkka allokointi on erittäin olennaista esim. tuotteen hinnoittelun kannalta. Tämä jälleen kerran muistuttaa olennaisuuden periaatteesta kannattavuuslaskennassa – mallinnetaan mikä on olennaista päätöksenteon kannalta.


18.03.2014 / Mika Tanner

Me olemme aina luottaneet hyviin raaka-aineisiin ja perustehtävämme hyvään hoitoon. Olemme halunneet myös koko ajan uudistua etuajassa ja seurata herkästi alan kehitystä. Olemme pyrkineet olemaan vilpittömästi lähellä asiakasta ja rehellisiä arvoillemme.

Pitää silti meidänkin muuttua ja olemme olleetkin muutoksen tiellä oikeastaan koko ajan.

Olemme tavanneet lähteä ensimmäisenä keihäänkärkenä mukaan uusiin ratkaisuihin. Tästä on esimerkkejä kasapäin vuosien varrelta referensseiksi asti. Esimerkiksi tänä päivänä olemme tekemässä pohjoismaiden ensimmäisiä SAP Cloud for Customer CRM -hankkeita Suomessa. Olisimme halunneet nämä hankkeet SAP Innovation Forumiin esille, mutta ne ovat niin tuoreita, ettei niistä saanut vielä hiiskua. HANAn maihinnousussa olimme myös ensimmäisten joukossa ja SAP Innovation Forumissa tänään kuultiinlaan tuon tarinan jatkoa Onnisen case-esimerkissä.

Olemme rakentaneet erinomaiset kyvykkyydet yhdistää analytiikka osaksi muita core-ratkaisuja. Meidät on tunnettu pidempäänkin BI spesialisteina, mutta tämä laaja kokemus jalostuu vielä arvokkaammaksi, kun analytiikka yhdistyy esimerkiksi commerce –ratkaisuihin, mobiliteettiin, asiakkuudenhallintaan jne. Nyt kun Hybris tuli osaksi SAP perhettä ja mekin olemme aloittaneet Hybristoimitukset, meidän commerce kattauksemme täydentyy mukavasti. Markkinoita tuntuu kiinnostavan kokonaisvaltaiset myynnin kustannuspaikan ratkaisut, joissa yhdistetään CRM, asiakas- ja tuotekannattavuus, reaaliaikainen analytiikka, uuden ajan verkkokaupat ja näiden mobilisointi B2C ja B2B transaktiossa.

Järjestelmien parempi käytettävyys on edelleen tärkeä missiomme. Meidän tulkintamme käytettävyydestä on mahdollisimman laaja eli tarkoitamme sillä muutakin kuin kosmetiikkaa. Esimerkiksi yhdistelemällä Microsoftin teknologiaa SAP:iin voimme rakentaa kokonaisratkaisuja, jotka hyödyntävät käyttäjän kannalta intuitiivisia toimintatapoja ja työkaluja. Microsoft-on-top-of-SAP on yhdistelmä, joka on äärimmäisen vahva monen liiketoimintaprosessin tehostamisessa.

Olemme rakentaneet omaa kumppaniverkostoamme vastaamaan asiakkaidemme tarpeeseen saada meistä toimija, joka on itseään suurempi ja jonka tarjooma vastaa paremmin alati muuttuvaan kysyntään. Yhdeltä toimijalta on vaikea löytää kaikkea, mutta verkottuneena voimme tarjota kattavamman ja muuntautuvamman arvolupauksen. Olemme lisäksi tottuneet toimimaan monitoimittajaympäristössä, missä meillä on perinteisesti ollut kehittäjän rooli. On se siitä Rooli on usein kasvanut ylläpitoonkin asti ja on parhaimmillaan silloin, kun siinä on jatkuvan innovaation palvelu on vahvasti läsnä.

BilotLabs perustettiin vuoden alussa. Sillä on tärkeä rooli tämän uuden ajan kehityksen konkretisoimisessa. Meillä se tarkoittaa palvelumuotoilun kiihdyttämistä ja aktiivista kannanottoa nykyisiin megatrendeihin ja markkinoiden muuttuviin vaatimuksiin. Tämä työ tukee meidän 2020 visiota, missä yhtiömme toimii ja toivottavasti edelleen menestyy kovasti erilaisessa toimintaympäristössä.

Oman osaamisen kehittäminen ja siihen investoiminen on meillä aina ollut keskiössä. Vaikka projektiliiketoiminta raflaavasti sanottuna ”kuolee”, huomisenkin ratkaisut ovat ihmisten rakentamia. Rekrytoimme uusia kumppaneita, palkkasimme viime vuonna 25 uutta lahjakkuutta ja muunto-/jatkokoulutamme väkeä koko ajan. Tälle vuodelle kolminkertaistimme koulutusspendimme ja lisäksi oma bilot-akatemiamme jakaa jatkuvasti ja systemaattisesti tuoreinta tietoa yli tiimi- ja ratkaisurajojen. Pyrimme olemaan hyvä ja kehittyvä työnantaja, joka houkuttelee meille parhaita talentteja.

Meille ehkä kuitenkin tärkein komponentti tässä muuttuvassa markkinassa on ylläpitää ja kehittää asiakasdialogia. Meidän rooli on fasilitoida keskustelua asiakastarpeen, ja IT:n ja digitalisaation välillä. Digitalisaatiolla tarkoitan sitä IT- ratkaisujen kokonaiskenttää, missä näillä ratkaisuilla luodaan asiakkaille kilpailuetua ja liiketoimintahyötyjä. Yritämme sovittaa teknologisen kehityksen vauhtia asiakkaidemme maturiteetille sopivaksi ja poimia kehityksestä asiakasrelevantit osiot käyttöön. Tämä voi kuulostaa kliseeltä, mutta hyvin se on toiminut tähän asti. Pitää ainakin olla rehellinen ja vilpitön perustehtävälleen ja luottaa siihen, että panostukset oikeisiin asioihin kantavat hedelmää pitkässä juoksussa hedelmää.

Blogin Osa 1


14.03.2014 / Mika Tanner

March 5th was a milestone in Bilot’s history. We headlined at SAP Innovation Forum as Platinum Partner for the first time. We have naturally taken part during earlier editions of this event, but now we decided to take center stage for a couple of reasons. The timing felt perfect this year – Antti Soini, who was the moderator throughout the day, interviewed me and asked the obvious question: why this time?

Firstly, the decision was intuitively a no-brainer, it just felt like the right moment. Secondly, SAP’s strategy and our strategic direction are so well aligned, it was our moral duty towards our customers and prospects to speak up. Our consistent and continued pioneering in developing and deploying the latest SAP solutions has positioned us as one of the (if no THE) most relevant players in our market. Our value proposition resonates perfectly with our customers’ agendas and our vision is fully aligned with SAP’s strategy.

This year’s Innovation Forum was reportedly the biggest event in SAP’s history in Finland with an estimated 600+ participants at the famous Finlandia Hall, an Alvar Aalto landmark and the venue of numerous historical events. We kicked off the day with a VIP Breakfast session, where Metsä Group’s CIO Panu Hannula and SAP’s country manager Marika Auramo accompanied me in a narrative on today’s hot topics. Our customers, leaders of prominent companies interacted with us and prepared for the event’s agenda, saturated with interesting keynotes, presentations and demonstrations.

Our stand was well trafficked the whole day with open-minded prospects and happy customers who wanted to know more about our proceedings and latest innovations. Meanwhile, we had the opportunity to share the main stage with e.g. Onninen’s CIO Terhi Nyyssönen who presented, together with our very own BI sorcerer Antti Lyytikäinen, the latest on our joint SAP HANA crusade. Caverion also quoted our broad collaboration in their presentation regarding improved usability and efficiency with BusinessObjects and HANA.

The climax of the day was the show-and-tell demo IntoJAM, where four brave SAP partners (of the initial seven invited) showed-off their respective innovations which attempted to enrich the Taltioni personal health-file portal with as many new SAP innovations as reasonably possible. Our decorated demo-crew came up in record-time with a breath-taking, fully-functional and user-friendly solution combining SAP HANA, Predictive Analytics, Lumira, Hybris webshop (also mobile) and SAP UI5.

It was technically outstanding but also insightful as it unearthed a very plausible business opportunity for the ecosystem connected to Taltioni. The audience voted unanimously thumbs-up for Bilot, but the jury (with clearly separated views) voted (in contradiction with the given judgment criteria) another participant as the winner. The initial disappointment evaporated quickly when we heard that the consensus of the crowd was pro-Bilot.

Life after the SAP Innovation Forum is much the same as before. We continue on our steady course and look forward to working with our many new prospects and customers.


13.03.2014 / Samuli Sikanen

Laskentamalli kertoo paljon

Merkittävin syy miksi yritysten asiakas- ja/tai tuotekannattavuuslaskennan kehittäminen on intohimoni on se, että tuottojen ja kustannusten virtojen mallintaminen kannattavuuden laskemiseksi ja oikeanlaisen tiedon tuottamiseksi päätöksentekoon pakottaa yrityksen käymään läpi niin liiketomintaprosessinsa kuin tuotto-, kustannus- ja allokointiajuridataa tuottavat tietojärjestelmänsä. Oikein rakennettu laskentamalli kertoo paljon yrityksestä:

  • Mitä yritys tuottaa (tuotteet, palvelut)?
  • Mikä on yrityksen ansaintamalli?
  • Minkälaisia prosesseja tai osastoja yrityksessä on ja mitä nämä prosessit tai osastot tekevät?
  • Miksi tarvitsemme toimintomme – mikä määrää kustannuksen syntymistä (kustannusajurit)?
  • Minkälaisia resursseja yrityksellä on käytössään? Ovatko resurssit omia vai ulkopuolisia?
  • Minkälainen järjestelmäkokonaisuus tuottaa tietoa laskentaan?

Kysymysten kautta tarkoituksenmukaiseen malliin

Lähtökohtaisesti ensin pitää ratkaista, miten rakennetaan hyvä laskentamalli? Tärkeää on pitää mielessä ”tarkoituksenmukaisuuden periaate” – eli keskitytään siihen mikä on päätöksenteon kannalta merkityksellistä. Tätä voi testata ennen järjestelmän implementointia testikysymyksillä ja arvioimalla pystyykö suunnitteilla oleva malli tuottamaan vastauksen sille esitettyihin kysymyksiin. Esimerkiksi voimme kysyä:”Paljonko on pakkauspalvelumme kustannus? Jääkö 10 EUR hinnasta palvelulle katetta, vai onko palvelu lisäarvopalvelu, jonka kustannus pitää kattaa tuotteiden tai muiden palveluiden myynnillä?”. Jotta mallille osataan asettaa oikeanlaiset kysymykset, tulee tunnistaa mallin tuleva käyttötarkoitus, esimerkiksi:

  • Tuote- / palveluhinnoittelun parantaminen
  • Kannattavuusanalyysit (tuote, asiakas, markkina, jne.)
  • Toimintojen tehokkuuden kehittäminen
  • Insentiivimallien tukeminen
  • Ajuripohjainen simulointi
  • Tuotteiden ja/tai palveluiden kustannusrakenteen kehittäminen

Sinänsä itse kannattavuuslaskennan matematiikka ei ole monimutkaista, mutta tietojen saatavuus esimerkiksi toimituskustannusten tai markkinointitukien osalta voi tehdä laskennasta ja raportoinnista haastavaa. Tärkein nyrkkisääntö kustannus- ja kannattavuuslaskennassa on  ”Käyttäkäämme talonpoikaisjärkeä!”. Olen urani aikana tehnyt tuhansia raportteja ja analyyseja ja pyöritellyt lukuja muutamista euroista useisiin satoihin miljooniin, mutta koskaan laskenta ei ole ollut perus plus-, miinus-, kerto- ja jakolaskentaa monimutkaisempaa.

Tärkeätä on myös tunnistaa, ettei ensimmäinen versio laskennasta tarvitse olla täydellinen, vaan laskennan kehittäminen on jatkuva prosessi, jossa allokointisääntöjä kehitetään sitä mukaa kun luvuista ja liiketoimintamallista opitaan uutta ja mallia voidaan joko yksinkertaistaa tai tarkentaa esimerkiksi silloin kun ajuritietojen saatavuus paranee järjestelmäkehityksen myötä.

Yhdistelmä eri allokointimetodeista

Riippuen yrityksen toimintamalleista, joiden pohjalta toiminnot ja käytettävät ajurit määritellään, on tärkeätä arvioida käytetäänkö laskennassa standardilaskentaa (Standard Costing), perinteistä toimintolaskentaa (ABC), aikapohjaista toimintolaskentaa (Time-Driven ABC) tai jotain muuta allokointimetodia. Mallin ymmärrettävyyden, ylläpidon ja käytettävyyden kannalta allokointimetodilla on suuri merkitys. Yleensä laskentamallit ovat yhdistelmiä eri metodeista, jolloin kullekin allokoitavalle tuotto- ja kustannuserälle valitaan sopivin toteutettavissa oleva allokointimetodi. Kustannuseräkohtaisia allokointimetodeja voidaan muuttaa myös myöhemmin kun ymmärrys mallista kasvaa ja tarvittavien allokointiajuritietojen saatavuus paranee. Mallinnuksen kompleksisuudessa on tyypillisesti toimialakohtaisi eroja.

Miten mallinnuksessa onnistutaan

Miten sitten onnistutaan määrittelemään edellämainitut asiat – käyttötarkoitus, tarkoituksenmukaisuus, oikeat allokointimetodit, jne? Perehtymällä aiheeseen ja suhtautumalla siihen intohimolla. Lisäksi on hyvä kysyä näkemystä tahoilta, jotka ovat jo aikaisemmin tehneet kannattavuuslaskentaprojekteja – pyörää kun ei edelleenkään tarvitse keksiä uudestaan.

Tässä hieman kannattavuuslaskennasta. Mitä edelläkirjoitetut asiat tarkoittavat laskenta- ja raportointijärjestelmän suunnittelun, implementoinnin ja arkkitehtuurin kannalta – siitä kirjoittelen jokin toinen kerta.


13.03.2014 / Antti Ollikainen

Moni yritys pohtii, mikä on sen markkinointiponnistelujen vaikutus myyntiin. Kysymyksen ratkaisemisella on suuri arvo, koska tehottomista kampanjoista haluttaisiin luopua ja tehokkaisiin panostaa lisää.

Tässä esitellään kaksi yleisesti käytössä olevaa tekniikkaa kampanjan vaikutuksen arviointiin sekä näytetään, kuinka harhaan ne voivat johtaa ja miksi näin käy. Lopuksi näytetään, kuinka aikasarja-analyysillä voidaan arvioida näitä tekniikoita olennaisesti tarkemmin ja luotettavammin kampanjan vaikutus myyntiin.

Lähdetään liikkeelle esimerkillä: alla on graafi, josta ilmenee (kuvitteellisen) ”Nisupulla” -tuotteen myynti ja hinta. Tehtävänä on arvioida, onko sen mainostaminen huhti-syyskuussa 2013 nostanut sen myyntiä vai ei ja jos on, niin kuinka paljon.

Aikasarja1

Yleisiä käytössä olevia tekniikoita tutkia asiaa ja sitä myötä näkökulmia on (ainakin) kaksi:

  1. Nisupullan myynti on laskenut kampanjan alkuun verrattuna. Ja heti kampanjan loputtua sen myynti on taas noussut dramaattisesti – surkea kampanja siis!
  2. Nisupullallahan on selvä kuuden kuukauden kausivaihtelu. Jos verrataan vuoden takaiseen myyntiin, on Nisupullan myynti noussut huimasti – loistava kampanja siis!

Alla on graafi, joka havainnollistaa tätä näkemyseroa:

Aikasarja2

Näkemykset ovat niin kaukana toisistaan kuin olla ja voi. Kumpi on oikeassa?

Ei kumpikaan.

Mikä meni pieleen?

  1. Kampanjan alkuun vertaaminen ei huomioinut kausivaihtelua: Nisupullaa ostetaan tavanomaista enemmän touko- ja marraskuussa. Tämä selittää sekä kampanjan aikaisen heikon myyntimenestyksen että kampanjan jälkeisen myynnin huiman nousun.
  2. Vuoden takaiseen vertaaminen ei huomioinut trendiä: Nisupullan myynti on kasvanut tasaisesti useita vuosia. Tämä nousu ei ole kampanjan ansiota, koska trendi on ollut olemassa jo kauan ennen kampanjaa.
  3. Kumpikaan tekniikka ei huomioinut hinnan vaikutusta: sen nousu kampanjan aikana selittää osittain myynnin laskun, kuten myös hinnan lasku avitti myynnin nousua kampanjan jälkeen.
  4. Kumpikin tekniikka sivuutti sen tosiasian, että Nisupullan myynti on osittain satunnaisilmiö, eikä satunnaisesti heilahtelevaa osaa myynnistä tule laskea kampanjasta aiheutuvaksi. Esimerkiksi kampanjan jälkeinen myynnin nousu selittyy osittain sillä, että lokakuussa 2013 on ollut pienehkö sattumanvarainen lisänotkahdus alaspäin ja marraskuussa niinikään pieni satunnainen lisänousu.
  5.  
    Kampanjan todellinen vaikutus tunnistetaan soveltamalla aikasarja-analyysiä myyntihistoriaan

    Ratkaisu edellä esitettyyn ongelmaan on analysoida kampanjan vaikutus aikasarja-analyysillä. Tämä on tavanomaisesta poikkeava tapa käyttää aikasarja-analyysiä, koska melkein aina sitä käytetään tulevan ennustamiseen eikä menneen analysointiin.

    Aikasarja-analyysi puree tähän ongelmaan, koska se pystyy samanaikaisesti tunnistamaan mikä osuus myynnin vaihtelusta johtuu:

    1. Kausivaihtelusta
    2. Trendistä
    3. Hinnasta
    4. Muista tekijöistä (esim. kilpailevan samankaltaisen tuotteen hinnasta)
    5. Sattumasta
    6. Kampanjasta
    7.  
      Aikasarja-analyysillä siis tunnistetaan, mikä on kampanjan itsenäinen vaikutus, kun myynnin vaihtelusta on poistettu kaikkien muiden em. luettelossa olevien tekijöiden vaikutus. (Teknisesti tämä tehdään siten, että arimax-malliin lisätään kampanjan vaikutuksen itseensä imevät apumuuttujat. Tämän kuvailu ansaitsisi melkeinpä oman bloginsa.)

      Palataan Nisupulla-esimerkkiin. Ao. kuvassa on tehty (MS SQL Server Analysis Service:llä) aikasarja-analyysi Nisupullan myyntihistorialle. Aikasarjamallin tuottama hintaennuste (keltainen) pystyy toistamaan erittäin hyvin myynnin (sininen) säännönmukaisena toistuvat vaihtelut, tärkeimpinä trendin ylöspäin, kausivaihtelut ja hinnan (punainen) vaikutuksen. Toteutuneen myynnin ja mallin ennusteen erotus tulkitaan satunnaiseksi myynnin vaihteluksi. Näistä yli jäävä osuus myynnin vaihtelusta on kampanjan aiheuttamaa (harmaa).

      Aikasarja3

      Havaitaan, että kampanjan todellinen vaikutus oli pienempi kuin vuoden takaiseen vertaamalla saatiin tulokseksi mutta suurempi kuin kampanjan alkuun vertaaminen näytti.

      Aikasarja-analyysi mahdollistaa myös sen todentamisen, että Nisupullan kampanjoinnilla on ollut tilastollisesti merkitsevästi positiivinen vaikutus sen myyntiin (mikä on toki eri asia kuin asiallisesti merkitsevä). Vuoden takaiseen tai kampanjan alkuun vertaaminen eivät tähän kykene.

      Aikasarja-analyysin rajoitteet

      Tämäkään tilastollinen tekniikka ei ole suinkaan täydellinen, kuten ei mikään tekniikka kampanjan vaikutuksen arvioimiseksi. Yleisesti voi todeta, että kampanjan vaikutuksen tunnistaminen onnistuu aikasarjamallilla sitä paremmin, mitä säännönmukaisempaa on myynnin vaihtelu muista kuin kampanjasta johtuvista syistä (kohdat 1-5 edellä). Jos myynti on aivan kaoottista kohinaa, on vaikea erottaa kampanjan vaikutusta. Tosin silloin ajautuvat ongelmiin muutkin tähän tähtäävät tekniikat.

      Toinen haaste on se, että aikasarjamalli tulkitsee kaiken em. kohtien 1-5 ulkopuolelle jäävän myynnin vaihtelun kampanjasta johtuvaksi. Jos kampanjoita onkin täysin samaan aikaan ollut vaikkapa kaksi, tunnistaa aikasarjamalli niiden yhteisvaikutuksen. Sama pätee, jos on tapahtunut jotain muuta myyntiin vaikuttavaa samanaikaisesti kampanjan kanssa. Nisupullan tapauksessa tämä voisi olla vaikkapa kampanjan ajankohtaan osunut uutinen Nisupullassa käytetyn elintarvikevärin haitallisuudesta terveydelle. Ja jälleen on todettava, että tämä toki tuottaa ongelmia muillekin kampanjan vaikutusta arvioiville tekniikoille.

      Yhteenveto

      Perinteisillä tekniikoilla saatetaan ajautua aivan hakoteille sen arvioinnissa, mikä on kampanjan vaikutus myyntiin. Esimerkin tapauksessa kampanjan alkuun vertaaminen tuotti aivan liian synkän kuvan ja vuoden takaiseen vertaaminen aivan liian optimistisen kuvan kampanjan vaikutuksesta. Molemmat tekniikat epäonnistuivat, koska ne eivät kyenneet huomioimaan kaikkia myynnin vaihtelun säännönmukaisuuksia. Niiden avulla ei myöskään voida arvioida onko kampanjan vaikutus tilastollisesti merkitsevä vai ei.

      Aikasarja-analyysi on olennaisesti parempi tekniikka, koska se pystyy arvioimaan, mikä osuus myynnin vaihtelusta johtuu kausivaihtelusta, trendistä, hinnasta, sattumasta, muista tiedossa olevista tekijöistä ja kampanjasta. Näin kampanjan vaikutus arvioidaan realistisesti. Samalla selviää, onko vaikutus tilastollisesti merkitsevä vai ei.

      Itse asiassa aikasarja-analyysillä voidaan tunnistaa tässä esitetyllä tavalla minkä tahansa tapahtuman tai toimenpiteen vaikutus mihin tahansa aikasarjan muodossa esitettävissä olevaan ilmiöön… Vaikkapa tulivuorenpurkauksen vaikutus lentoliikenteeseen.

      – Antti O.

      P.S. Lue myös Lasse Liukkosen blogi aikasarja-analyysin alkuaskeleista.