29.08.2014 / Terho Antila

Koko yrityksen toiminnan kannalta on tärkeää, että tietojärjestelmien sisältämät perustiedot ovat riittäviä ja virheettömiä. Se on kuitenkin helpommin sanottu kuin tehty. Pelkästään tuotteen perustietojen syöttäminen järjestelmään vaatii useamman vuoden työkokemusta ja tuotteen ominaisuuksien perinpohjaista tuntemusta. Sama tietämyksen tarve tulee eteen syötettäessä esimerkiksi asiakas-, toimittaja-, henkilö- ja toimintopaikkatietoja. Liiketoimintaa pyöritetään erilaisilla säännöillä, ja näitä sääntöjä syntyy ja vanhenee koko ajan. Perustietojärjestelmän kannalta tällainen tilanne on melkoinen haaste, jos tavoitteena on riittävä ja virheetön tieto. Onneksi tähän nyt löytyy ratkaisu – SmartMDM Foundation.

 

SmartMDM Foundation ominaisuuksiin kuuluu mm. prosessien ja sen metatietojen helppo konfiguroitavuus, joustava työnkulkujen muokkaus, yhtäaikainen työstö useamman käsittelijän toimesta, kenttä- ja osiokohtaisen tietämyksen kerääminen ja esittäminen, kenttien ja osioiden lukitus sekä kenttä- ja osiokohtaisten asintuntijoiden määrittely ja heidän kutsuminen mukaan käsittelyprosessiin.

 

SmartMDM Foundation on Bilotin oma tuote, jolla perustietojen keräys, hyväksyntä ja päivitys taustajärjestelmään on tehty mahdollisimman helpoksi käyttäjälle. Kantavana ajatuksena on web- ja mobiiliratkaisun avulla tukea mahdollisimman käyttäjäkeskeisesti perustiedon tuottamisessa tarvittavaa yhteistyötä ja samalla kerryttää perustietojen hallintaan tarvittavaa tietämystä koko organisaation käyttöön. Ratkaisun kruunaa saumaton integrointi taustajärjestelmiin.

 

Järjestämme lokakuussa 9.10 toimistollamme Ruoholahdessa aamiaistilaisuuden, jossa kerromme lisää SmartMDM Foundation -tuotteesta, demoamme sen ainutlaatuisia ominaisuuksia ja käymme läpi tuotteen käyttöönoton vaihtoehtoja ja vaiheita. Tervetuloa mukaan!

Ilmoittaudu nyt aamiaistilaisuuteen 9.10 klo 8:30 – Ota kaikki irti SharePointista ja SAP:sta – kevyt ja ketterä SmartMDM!


27.08.2014 / Ville Niemijärvi

ManAsiakaspoistuma-analyysi (eng. churn) tarkoittaa analytiikan prosessiketjua, jossa selvitetään mitkä asiakkaat ovat vaarassa poistua, millä todennäköisyydellä ja miksi. Poistuma tarkoittaa sitä kun asiakas lopettaa sopimuksen palveluntarjoajan kanssa tai yksinkertaisesti lopettaa asioimisen yrityksessä. Voidaan puhua myös asiakaspidosta (eng. retention).

Termi liittyy läheisesti myös asiakkuuden elinkaaren arvon määrittämiseen (customer life-cycle value) ja nykypäivän yhteen muotitermiin; customer journey. Itse näkisin kuitenkin, että kyseessä on enemmänkin yksinkertaisesti paremmasta asiakashallinnasta ja huolenpidosta…

Poistuma-analyysi sopii hyvin sopimusliiketoimintaan, esimerkiksi sähköyhtiöille, puhelin- ja internet operaattoreille, kuntosaliketjuille tai lehtitaloille. Mutta poistuma-analyysiä voidaan tehdä myös vähittäiskaupassa, jos vain asiakas tunnistetaan (kanta-asiakasjärjestelmän avulla). Tällöin pitää vain päättää milloin asiakas on poistunut? Mikä on riittävän pitkä aika, että asiakas ei ole käynyt kaupassa, jotta voidaan päätellä hänen vaihtaneen vakiokauppaansa.

Tässä ja parissa seuraavassa kirjoituksessa käydään läpi asiakaspoistuma-analyysiä ja miten se tehdään käytännössä. Lähestymme aihetta yleisestä yksityiseen. Lopussa näytämme kädestä pitäen miten homma tehdään alusta loppuun.

Asiakaspoistuma-analyysin tuotto on helppo laskea

Kaikessa analytiikkatyössä tulee laskea mitä saamme analyysistä irti, mikä on investoinnin roi, paljonko jää viivan alle. Jollei investointi tuota moninkertaisesti enemmän kuin analyysi ja tiedon keräys maksaa, ei sitä kannata tehdä.

Asiakaspoistuman osalta tämä on erittäin helppoa tehdä. Otetaan esimerkki sähkön myynnistä.

Sähköyhtiöllä on 100 000 asiakasta. Keskimääräinen laskutus per asiakas on 1000e/vuosi. Nopea selvitys sähköyhtiön sopimuskannasta kertoo, että keskimäärin vuodessa sopimuksen lopettaa 8% asiakkaista.

Tämä tarkoittaa, että asiakkaita poistuu 8000 kpl/vuosi. Rahassa tämä on siis 8000kpl*1000e=8 miljoonaa euroa. Tuo on se potti, jota lähdemme pienentämään ja sitä kautta tekemään asiakkaallemme lisää rahaa.

Osa näistä 8000:sta poistuu luonnollisen poistuman kautta, osa vaihtaa kaupunkia. Ja sitten on se osa joka vaihtaa palveluntarjoajaa koska yrityksen tuote, palvelu tai hinta ei ole riittävän hyvä. Tai kilpailijalla on parempi. Kutsuttakoon tätä laadulliseksi poistumaksi.

Kun menemme asiakkaalle, teemme aina vastaavan laskelman ja arvioimme asiakkaan kanssa yhdessä, mikä on tuon laadullisen poistuman osuus ja kuinka paljon on realistista saada pienennettyä sitä. Sähköyhtiöiden osalta voimme katsoa julkisesta datasta, esim. THL:ltä, mikä on muuttoliike kunnasta pois päin ja paljonko poistuu jalat edellä. Näin emme joudu arvailemaan vaan meillä on faktaa laskelmien taustalla. Sanottakoon esimerkkinä, että sähköyhtiön tapauksessa 3% on luonnollista/muuttopoistumaa ja loput 5% on laadullista poistumaa. Poistumaa, johon voimme vaikuttaa. Tähän iskemme kyntemme.

Entä jos voimme pudottaa tuota 5% poistumaa vaikka vain yhden prosenttiyksikön? Tämä tarkoittaisi 1000 asiakasta ja miljoonaa euroa vuodessa lisämyyntiä. Jos analyysi maksaa 20 000 euroa, on investoinnin tuotto aika huima. Se on jotain sellaista, jota kannattaisi kaikkien tavoitella.

Mitä dataa poistuma-analyysi tarvitsee?

Ensiksi otamme historiatietoa eli tietoa jo poistuneista ja ei-poistuneista asiakkaista. Toisin sanoen sähköyhtiön tapauksessa luemme sopimustietokantaa ja sähkönkulutustietoja (yhä yleisemmin tietovarastoa tai edistyneimmissä yrityksessä erikseen toteutettua analytiikkakantaa) ja haemme sieltä mahdollisimman pitkän historian, mahdollisimman monelta asiakkaalta. Mitä enemmän sitä parempi. Historia-aineistoon otetaan mukaan asiakkaiden taustatietoja sekä käyttäytymiseen liittyvää tietoa.

Taustatietoja ovat esimerkiksi

  • alue/kaupunki/postinumero
  • demografiatiedot (tulo- ja koulutustaso)
  • sukupuoli
  • ikä
  • asiakkuuden kesto
  • talotyyppi, koko, lämmitysmuoto jne. toimialaspesifistä tietoa

Käyttäytymiseen liittyviä tietoja ovat esimerkiksi:

  • kulutus- ja laskutushistoria (esim. keskimääräinen kulutus per kk)
  • ostetut tuotteet (eli millainen sopimus)
  • reklamaatiota, asiakaspalautteet, yhteydet asiakaspalveluun
  • maksuhäiriöt
  • muut toimialaspesifit tiedot
  • Ja lopuksi se tärkein tieto: onko asiakas poistunut vai ei (K/E)

Monilta yrityksiltä ei löydy kaikkia näitä tietoja, olen nähnyt yrityksiä joilla asiakkaista tiedetään käytännössä vain numero ja osoite. Ei edes nimeä tai sitä onko kyseessä yritys- vai henkilöasiakas. Ennen kuin analytiikkaa päästään hyödyntämään täysillä, on edessä usein systemaattinen tiedon keräämisvaihe ja mahdollisesti muutokset lähdejärjestelmiin/tietovarastoon.

Ennen analyysia emme tiedä mitkä tiedot ovat relevantteja ja vaikuttavat poistumisen takana ja sen selvittäminen onkin koko homman ydin.

Miten poistuma-analyysi tehdään?

Kun tiedot on kasassa, jaamme datan kahteen eri settiin: opetusdataan ja testidataan (esimerkiksi suhteessa 60-40). Opetusdatan avulla muodostamme ennustemallin, käyttäen liiketoimintaongelmaan sopivaa analytiikka-algoritmia (esim. logistinen regressio, naive-bayes). Parhaan mallin löytäminen vaatii useita iteraatioita.

Työ vaatii analytiikkasoftan mutta ei välttämättä lisenssihankintaa vaan työn voi ostaa usein palveluna. Markkinoilta löytyviä analytiikkaohjelmistoja on esimerkiksi: R, RapidMiner, SAS, SPSS ja löytyypä Microsoftin SQL Serveristä data mining -moduuli.

Muodostunutta ennustemallia testataan testidataa vasten. Koska testidata on historiadataa, tiedämme onko asiakas poistunut vai ei. Testin voisi ajatella siten, että peitämme tuon poistuma-tiedon ja kuvittelemme, että kyseessä olisi täysin uutta dataa. Annamme mallin tehdä ennusteen eli kertoa todennäköisyydet poistua kullekin asiakkaalle. Tämän jälkeen tarkastamme tuloksen ja arvioimme mallin tarkkuuden. Näin varmistamme toimiiko malli ja kannattaako sitä hyödyntää uutta dataa vasten vai pitääkö sitä parantaa.

Kollegani laittaa piakkoin step-by-step ohjeen miten kuka tahansa hiirtä ja näppäimistöä osaava käyttäjä voi tehdä asiakaspoistuma-analyysin omalla datalla käyttäen RapidMineria. RapidMiner on yksi käytetyimmistä analytiikkaohjelmistoista maailmassa ja kuuluu Gartnerin analyysissä leaders-kategoriaan. Rapidista saa ladattua ilmaisversion, jonka avulla voit testata ohjeitamme ja päästä alkuun analytiikan hyödyntämisessä.

Asiakaspoistuma-analyysin tulokset

Poistuma-analyysi tuottaa kaksi erillistä tulosta:

  1. Kaikki nykyiset asiakkaat listattuna poistumatodennäköisyyden mukaan
  2. Selittävät tekijät poistuman taustalla

asiakaspoistuma_tulos

Ensimmäinen tarkoittaa siis konkreettista listaa, jonka voit heittää myynti-/asiakaspalveluyksikölle tai soittokoneistolla ja käskeä kontaktoimaan heti aluksi akuuteimmat top 100 poistujaa.

Toinen tuotos eli selittävät tekijät antavat tulkinnan ilmiölle. Ne kertovat miksi asiakkaat poistuvat. Nämä tulokset on erittäin arvokasta tietoa niin asiakaspalvelulle, myynnille kuin tuotepäälliköille, liiketoiminnan kehittämiselle ylipäätään.

Analyysissä voi tulla esille, että hinta ei olekaan merkittävä tekijä poistuman taustalla vaan huono asiakaspalvelu tai tietylle asiakassegmentille sopimaton tuotepaletti (esim. sähköyhtiöltä puuttuu ekosähkö valikoimastaan).

Parhaimmassa tapauksessa analyysin tuotoksista voidaan generoida sääntökoneisto ja sisällyttää se esimerkiksi asiakaspalvelun työpöydälle tai CRM-järjestelmään. Säännöt voivat olla yksinkertaisuudessaan kertoimia ja IF-lauseita ja voidaan toteuttaa esimerkiksi SQL-komentoina. Analytiikan tulokset kirjoitetaankin usein takaisin joko operatiivisiin järjestelmiin tai tietovarastoon.

Analyysistä toimintaan

Analytiikan pitää johtaa toimintaan. Sen pitää tuottaa tulosta. Tämä erottaa sen perinteisemmästä raportoinnista ja business intelligencestä, jossa tuijotetaan enemmänkin raportteja ja taulukoita. Näytti käppyrät mitä tahansa, hommia jatketaan kuten ennenkin. Kunnes ollaan karilla tai kortistossa.

Poistuma-analyysissa toiminta tarkoittaa monta asiaa, esimerkiksi:

  • kontaktoidaan poistumariskissä olevat asiakkaat
  • pyritään pitämään heidät tai parhaimmassa tapauksessa tekemään lisämyyntiä
  • kehitetään asiakaspalvelun laatua
  • kehitetään tuotteita/palveluita vastaamaan paremmin kysyntää
  • ennakoidaan liikevaihdon muutos kun tiedetään ennuste tulevasta poistumasta

 

Miksi yritys ei tee asiakaspoistuma-analyysiä?

Olemme tehneet vuosien varrella valtavan määrän eri analytiikan sovelluksia ja projekteja. Asiakaspoistuma-analyysi on antanut näistä todennäköisesti parhaimmat tulokset, varsinkin jos mitataan euroissa asiakkaiden saamaa hyötyä. Menetelmä on helppo ja suhteellisen nopea toteuttaa, se on helppo ymmärtää ja tulokset ovat käsin kosketeltavat.

Silti yllättävän harva yritys todella hyödyntää sitä. Syyt ovat moninaiset lähtien tietämättömyydestä aina itsepetokseen.

Surullisin on itseriittoisen sinnikäs toteamus, että ei meidän asiakkaat poistu muuta kuin manan majoille tai hinnan perässä, ne pihit penteleet.

Yrityksen tuotteessa ei ole kuulema mitään vikaa. Palvelu on priimaa ja markkinaosuus olisi 100% jos vain kilpailijat eivät myisi arvelluttavan halvalla sekundatuotteitaan. Jostain syystä liikevaihto kuitenkin mataa.

Uuden asiakkaan hankinta on aina kalliimpaa kuin vanhan pitäminen. Parhaimmassa tapauksessa tekemämme asiakaspoistuma-analyysin tuloksena kontaktoiduille asiakkaille saatiin myytyä aivan pöljänä lisää tavaraa. Asiakkaat eivät aina ole siis tyytymättömiä palveluun, he ovat vain herkkiä myynnille. Sinun kannattaa olla silloin ensimmäisenä paikalla.


Ps. Viikon päästä konkretiaan: miten asiakaspoistuma-analyysi tehdään käytännössä RapidMinerilla. Käy lataamassa Rapidin ilmaisversio koneellesi ja testaa itse.


26.08.2014 / Ville Niemijärvi
Jysk logo
Kuvan yritys saattaa liittyä tapaukseen.

Talouden taantuma on päästänyt mööpelikauppiaat pälkähästä. Maanantaina huonekalukaupan kassajonossa edessäni ollut pariskunta olisi halunnut ostaa tuolin, pöydän tai vastaavan muiden ostosten kylkeen. Myyjä tokaisi: “Sori, en voi myydä sitä teille. Se kun on viimeinen kappale.”

Pitää jättää kuulemma yksi näytille. Ihan vain jotta asiakkaat tietää: tällainenkin meillä on mutta ei me sitä sulle myydä.

Kauppa haluaa pitää siis mahdollisuuden myydä itsellään, sen sijaan että oikeasti myisi. Ehkä se on vallan käyttöä ja luopumisen tuskaa?

Tällaista tapausta ei edes älykkäimmät analytiikka-algoritmit pysty seulomaan kun analysoidaan kysynnän käyttäytymistä. Siinä voi iso pomo miettiä: mikä kumma siinä on kun ei päästä siitä viime sesongin jakkarasta millään eroon?


21.08.2014 / Ville Niemijärvi

WhatsApp. Arvo: 19 miljardia dollaria. Asiakkaita: 400 miljoonaa. Työntekijöitä: 55.
Instagram. Arvo: 1 miljardia dollaria. Asiakkaita: 100 miljoonaa. Työntekijöitä: 13.

“Me uskomme pienuuteen, ja siitä seuraa hämmästyttäviä asioita. Haluamme pitää firman niin pienenä kuin ikinä mahdollista. Se on meillä ihan eksplisiittinen tavoite.”
Ilkka Paananen, Supercellin toimitusjohtaja
Taloussanomat 29.8.2013


Joskus harvoin myyntikeikalla asiakas katsoo yrityksemme nuppimäärää ja epäilee kykyämme suoriutua heidän tietovarastointi- tai raportointihankkeesta. Tällöin mietin hetken yllä mainittuja yrityksiä, jonka jälkeen iskostan asiakkaalle ikivanhan totuuden: koolla ei ole väliä. Pienikin voi tehdä suuria tekoja.

Suuruus ei takaa osaamista

Olin kolmisen vuotta sitten isossa tietovarasto- ja raportointihankkeessa Cognos-asiantuntijana. Projektissa päätoimittajana oli yksi maailman suurimmista konsulttitaloista, satojatuhansia työntekijöitä, kymmenien miljardien liikevaihto. Kotimainen Tieto on pikkutekijä tämän rinnalla. Ja silti: heiltä löytyi projektiin tasan yksi Cognos-osaaja. Todella taitava ammattilainen mutta yksi ei ollut riittävästi tähän laajaan hankkeeseen ja siksi minut otettiin projektiin alihankkijaksi. Niin kuin otettiin muitakin osaajia esim. etl-puolelle. Olikin hullunkurista, että meidän alle 10 hengen putiikista olisi löytynyt enemmän täsmäosaajia (projektipäällikkö, määrittely, DW-arkkitehtuuri, raportointi, testaus) kuin tuosta jättiyrityksestä…

Projektiryhmästä tuli hyvä, täynnä käsin poimittuja huippuammattilaisia. Asiakas sai siis tarvitsemansa ammattitaidon vaikka se tulikin monesta eri yrityksestä. Eikä ollut mikään häpeä, että yksi maailman suurimmista konsulttiyhtiöistä ei pystynyt itse tuottamaan tuota osaamista. Ja sitä toiminta nykypäivänä onkin, olit sitten yksi suurimmista tai pieni nyrkkipaja – tärkeintä on haalia asiakkaalle paras mahdollinen osaaminen ja usein se tulee verkostoitumisen kautta. Ja sitä tekee (tai tulisi tehdä) kaikki.

Suuruus ei takaa jatkuvuutta, tehokkuutta tai turvaa

Toimiessani aiemmin yhdessä Suomen suurimmassa DW/BI-pörssiyhtiössä konsulttina ja projektipäällikkönä, tein useimmat projektini 2-4 hengen projektiryhmissä. Projekti saattoi olla kaikkea väliltä 20-500 htpv. Moni yli sadan päivän hanke meni usein kahden miehen voimin. Tämä oli yksi tärkeä syy miksi projektin onnistumisprosentti oli todella korkea ja miksi työmäärät pysyivät matalina ja asiakkaan saama hyöty korkeana. Enemmän väkeä tietää enemmän säätöä, enemmän viestintää, enemmän liikkuvia osia, päällekkäistä työtä ja riskin että joukkoon tulee bulkkiosaamista, jonka jälkiä pitää käydä korjailemassa ja selittelemässä ylisuuria tuntikirjauksia.

Asiakas saattoi toki olla siinä uskossa, että taustalla vaikuttava satojen työntekijöiden organisaatio olisi tuonut turvaa ja varmuutta projektin onnistumiselle. Tämä on valitettavasti pelkkä illuusio. Projektin menestys ei ollut pätkääkään yrityksestä kiinni, sen prosesseista tai toimintatavoista, koska niitä ei ollut. Myyntireiskan powerpoint-esitystä lukuunottamatta.

Onnistuminen oli kiinni projektiryhmän yksilöistä. Jos minä tai muu projektiryhmän jäsen olisi sairastunut tai lopettanut työt, olisi projekti jäänyt tyhjän päälle. Ei sieltä olisi juossut ketään paikkaamaan koska ei ollut mitään ennaltasovittua toimintatapaa miten toimia tällaisissa tilanteissa. Dokumentointi tai toimintamallit eivät palvelleet mitenkään osaamisen siirtämistä muun yrityksen käyttöön.

Kun teimme isolle pörssiyhtiölle miljoonaluokan hanketta 4 henkilön voimin, olisi asiakkaalle ollut täysin sama vaikka me oltaisiin oltu 4 hengen pikkuyritys.

Emme voi tietenkään vähätellä sen illuusion luoman henkisen turvan vaikutusta. Sillä sitähän asiakas usein ostaa, turvallisuuden tunnetta. Oli se todellista tai ei, sillä on merkitystä. Olemattoman turvallisuuden hinta voi olla vain todella kova.

Haluatko hommaa hoitamaan eliittijoukon vai tykinruokaa?

Ei 100 000 sarkahousulla naapurista tee mitään jos pitää lähteä kylmään härmään nahistelemaan eikä osaa hiihtää ja goretexit on jääneet kotia. Ne paleltuu siellä ja se on nähty. Tuollainen massa on hyvä jos pitää kaivaa ojaa tai tehdä jotain yhtä tuottavaa. Fiksu tilaa kaivurin ja hoitaa homman yhdellä miehellä.

Silloin kun tehdään liiketoimintakriittistä tai erittäin vaativaa tietojärjestelmäratkaisua, kannattaa sitä tekemään hankkia iskujoukko, SWAT-team, sissiyksikkö. Turhalla massalla et tee mitään. Kaikki ylimääräinen läski pitää tiristää projektiryhmästä pois. Jäljelle pitää jäädä pelkkää hiottua timanttia.

 

 


21.08.2014 / News Team

Talouden taantuma, pysyvästi muuttunut ostokäyttäytyminen ja läpinäkyvämpi kustannus-laatutietoisuus kiihdyttävät yritysohjelmistomarkkinan murrosvaihetta. Vastatakseen asiakkaiden ja markkinoiden odotuksiin, Bilot on tuonut perinteisen palveluportfolionsa rinnalle uuden ajan ratkaisuja, joissa yhdistyvät parhaat käytännöt, ketteryys ja suoraviivainen käyttöönotto.

 

Bilotin lanseerama Smart-tuoteperhe kattaa ydinliiketoiminnan keskeisimmät prosessit. Bilot SmartSeries täsmäratkaisut kattavat sovellukset alkaen hankinnan tehostamisesta, talouden suunnittelusta ja perustiedon hallinnasta, hinnoittelun ja myynnin johtamisen kautta aina monikanavaiseen myyntiin ja raportointiin sekä konsolidointiin. Tuoteperhe on suunnattu keskisuuriin ja suuriin yrityksiin joilla on SAP- tai Microsoft-järjestelmiä käytössään. Ensimmäiset asiakastoimitukset ovat jo käynnissä.

 

Älykkyyteen viittaava Smart-nimi juontaa Bilotin ajatuksesta, että liiketoimintaprosessien päätöksentekoa voidaan nopeuttaa ja tarkentaa esimerkiksi reaaliaikaisen analytiikan, mobiilikäytön ja sosiaalisen yhteistyön avulla. Nopeampi prosessien läpivienti auttaa yritystä reagoimaan ketterämmin esimerkiksi muuttuviin markkinatilanteisiin. Fiksummalla, analytiikkaan pohjautuvalla päätöksenteolla parannetaan yrityksen edellytyksiä kannattavaan liiketoimintaan.

 

Smart-sarjan nimi viittaa myös sovellusten älykkääseen toimitustapaan. Bilot haluaa Smart-tuoteperheellään lopullisesti murtaa vanhentuneet luulot siitä, että SAP-järjestelmän rikastaminen uusilla, helppokäyttöisillä toiminnoilla on kallista ja aikaa vievää.

 

Sovellukset toimitetaan joko pilvestä tai asiakkaan omaan SAP- tai Microsoft-ympäristöön asennettuina valmispaketteina.  Asiakasyritykseltä ja konsulteilta vapautuu enemmän aikaa prosessi-innovaatioon. Smart-toimitukset alkavatkin aina liiketoiminnan kehittämismahdollisuuksien kartoituksella, jonka jälkeen ohjelmisto otetaan käyttöön kehittämistavoitteiden mukaisesti.

 

Tuoteperheeseen kuuluu tässä vaiheessa mm.: SmartPurchaseTM tehostamaan hankinnan eri vaiheita, SmartInvoiceTM automatisoimaan ostolaskujen hyväksyntää, SmartMDMTM helppoon, varmaan ja dynaamiseen perustietojen ylläpitoon, SmartPricingTM auttamaan myynnin johtoa ja tuotepäälliköitä tekemään parempia ja nopeampia päätöksiä tuotteiden hinnoittelussa, SmartSalesRepTM ohjaamaan myyjiä saavuttamaan tavoitteensa reaaliaikaisen tiedon ja pelillistämisen kautta, SmartChannelTM varmistamaan, että monikanavainen B2B ja B2C verkkokauppa-ratkaisu kattaa myös vaativimmatkin tarpeet ja SmartPlanningTM antamaan yritykselle valmiin pohjan talouden tehokkaaseen suunnitteluun.

 

Lisätietoa tuotteista antaa myyntijohtaja Kristiina Sarén.

kristiina.saren@bilot.fi

p. 040 8222 796

 

Bilot  on itsenäinen, luova ja aidosti asiakaskeskeinen yritysteknologiayhtiö. Vuonna 2005 alansa johtavien asiantuntijoiden perustama kasvuyhtiö tunnetaan tienraivaajana uusien SAP ja Microsoft –pohjaisten sovellusten kehittämisessä ja käyttöönotossa. Bilot –konsernin liikevaihto vuonna 2013 oli 15 MEUR ja se työllistää noin 120 henkeä. bilot.fi

 


19.08.2014 / Janne Vihervuori

As the summer holiday season is over, it is time to get back to the blogging routines. A proper vacation break can clear your head and have old ideas and thoughts formulate in new ways in your mind. This is how the human brain works: you cannot force your thoughts into specific outcomes. One thing that was spoken in June’s SAPPHIRE conference popped into my mind during my vacation: simplicity. The key message in SAP CEO Bill McDermott’s keynote speech was “Run Simple” followed by famous quote from Leonardo da Vinci. Bill carried on by stating that the “complexity sprawl” has to be eliminated, and he admitted that SAP’s solutions have been too complex in the past. He mentioned Fiori and HANA Cloud as two existing SAP products for helping customers fight the complexity.

“Simplicity is the ultimate sophistication” -Da Vinci

I started wondering what does simple really mean, what does it consist of? I thought that doing simple is making a cost-efficient trade-off between the elements of the system. Also, I am not talking “just” UI here in order to reach a state of elegance. Then again, simplicity could be about hiding complexity and offering just the obvious, could it? I did some searching for famous(?) quotes about “simple” besides the Da Vinci one, but most of the quotes I found were not too simple and elegant. I was about to quote here a former front man of a certain fruit company, but after reading an article in a Finnish newspaper recently I simply will not, because it seems that the iOS user experience was mimicked from an ingenious Finnish MyDevice. Simple as that! So I ditched the quotes and dug a little deeper into the interwebz for simplicity. When you search for simplicity on the Internet, you are bound to bump into Laws of Simplicity by John Maeda. I will list the 10 laws here, and you can check their brief explanations behind that link:

Law 1: Reduce

Law 2: Organize

Law 3: Time

Law 4: Learn

Law 5: Differences

Law 6: Context

Law 7: Emotion

Law 8: Trust

Law 9: Failure

Law 10: The One

These Laws actually make some sense! Reduce, organize, yes. Saving time – obviously. Context: that is a major piece, context is king! (btw this guy can explain the very  fundamentals about context) Learning and emotion, I guess. However, two of these stand out: Differences and The One. 

  • The Law about differences means that there can be no simple without complex, they need each other, yin and yang, so doing simple does not mean removing the complexity out of the system!
  • Then, the last one: “The One” (“Simplicity is about subtracting the obvious, and adding the meaningful”). This one is the most revelatory of these laws to me, as it brings out the obvious. Simple does not contain obvious! You leave obvious out of simple because – it is obvious! Many people seem to mix obvious with simple, but it is exactly the other way around. Now, let that sink in for a moment…

In the end, simple and simplicity deals with other generic concepts such as design and brand.

How is simple and simplicity reached in our business? Everything related to User Experience can be easily qualified with Simple and the Laws of Simplicity, design in general and even as a synonym. Brand also! What about systems based on the products, solutions and components that we are dealing with every day?

  • Cloud-based solutions and products: they can organize multiple services/systems to appear as one/few and keep the differences – simple and complex – separated.
  • In-memory platforms such as SAP HANA: saving time primarily, SAP HANA is also about organizing many features in one platform.
  • Well organized Life-Cycle services can save time, and they should generate trust towards the customers.
  • HTML5 User Interfaces: SAP UI5 and Neptune are good for reducing. Neptune also makes a good job in organizing, as its architecture is lightweight.
  • System Landscape Optimization and Transformation services: depending on the case, they can reduce and organize. They certainly save time and usually hide amazing amounts of complexity from the customers.

Simple as that! What is your idea of simple?

 

P.S. A great human being passed away recently. He was especially good at hiding his complexity, evoking emotions and generating trust. Society of Dead Poets and Hunting of Good Will are monumental films, but as a small tribute, here’s a link to a bit more rare clip called ‘In The Wild With Robin Williams – Dolphins (1994)‘. (VHS quality…) When it comes to documentaries, you can’t go wrong with dolphins and Robin Williams.


19.08.2014 / Guest Writer

Lately there has been a lot of discussion around building culture in workplaces. Creating an enjoyable working environment is really up to the whole staff and since culture is organic, it evolves naturally as we communicate.

Last Saturday we had the Bilot Skateboarding Day. The idea was to organise something fun for the Bilot juniors and bring employees together in a new engaging way. Well, what could be more engaging than your own children?

About 15 kids showed up looking excited. They put on helmets and other gear, looked each other and picked up their boards. We had a short introduction to the skateboard, balance and how to push forward. Then we let them figure it out themselves. In 30 minutes all of them were able to push, brake and drop down from a ledge. I could see the learning hunger growing in their eyes. While they were doing their thing I rolled around the skatepark to show what was possible and to boost their interest even more. Saku who had been waiting for the event the whole summer asked when I’m gonna teach them some tricks?. We laughed and I felt like I should have started the training with a 360 kickflip or an impossible.

It turns out the kids we call the “playstation generation” are different but actually super advanced. We just need to active them in ways we are not used to. I believe the same goes for the modern day IT employees who may well be self-taught, versatile and distinctive. What really matters is the right attitude.

We tried ollies, kick turns and raced around the park. Meanwhile the parents drank soda and chatted.

After getting all hyped and exhausted it was time for some juice and cookies. Now the whole bunch was ready to be sent home with a big smile on their faces. I knew we had successfully built culture when my daughter wanted to wear the company t-shirt even the next day.

jounijaskateday500

 

Bilot blogger Jouni Leino works as a Team Lead at Bilot Commerce Lifecycle Services.

He is a proud father of two and has been skateboarding for 20 years.


15.08.2014 / Ville Niemijärvi

Uunituore asuntonäyttö OPKK:n välittäjän vetämänä vei uskon kotimaan asuntokaupan piristymisestä.

Minä: Milloin keittiöremontti on tehty?

Välittäjä: En kyllä tiedä yhtään.

M: Entä kylpyhyuone, näyttäisi olevan 80-luvun käsialaa tuo remppajälki?

V: Ei mitään hajua.

M: Asuntoilmoituksessa ei mainittu mitään tästä sieni- ja mikrobilöydöksestä, joka käy ilmi tästä 20 sivuisesta tutkimusraportista?

V: Niin no eihän sitä kaikkea laiteta.

M: Ei varmaan mutta miksi tutkimusraportista puuttuu keskeltä yksi sivu, sattumaa?

V: En kommentoi.

M: Suomeksi voisi sanoa, että tämä on homekämppä ja vielä todistetusti sellainen, eikö vain?

V: No niin no… mutta sehän on vanha tutkimus ja remontteja on tehty tuon -08 tehdyn tutkimuksen jälkeen paljon.

M: Kuten mitä?

V: Roskakatosta, postilaatikot on tosi tyylikkäät…

M: Eli kaikkea oleellista homevaurioiden korjaamiseksi.

Kaikeasta tästä huolimatta, asunto kiinnostaa meitä. Piha ja sijainti on mahtava. Mutta kosteus- ja home epäilyttävät. Voisitko jotenkin myydä tämän meille? Osoittaa miksi meidän kannattaisi ostaa tämä asunto? Hälventää epäilykset, poistaa ostamisen esteet ja tehdä meidän, asiakkaiden, olo turvalliseksi tehdä ostopäätös.

V: Enhän minä teille voi mitään myydä. Te joko ostatte tai ette.

M: No siinä tapauksessa tämä taisi olla tässä.


 

Kun puhutaan asunto- tai autokaupan hiljentymisestä, tarkoitetaan sitä, että asiakkaat eivät tulekaan enää ovista ja ikkunoista sisään. Kauppoja ei tulekaan itsestään kahvia juomalla ja kattoon sylkiessä. Pitäisi nostaa ahteri ja tehdä töitä. Ottaa luuri käteen ja soittaa. Mutta ehkä on vain helpompi syyttää markkinoita. Asiakkaan penteleitä. Poliitikkoja.

Menestyvän yrityksen tunnistaa usein siitä, että myynnin ja markkinoinnin analysoinnin tuloksena muutetaan suuntaa jos tarve vaatii. Analytiikka johtaa toimintaan. Jos markkinat muuttuvat, muuttuu toiminta sen mukana.

Jos taas laiva on lipumassa hyvää vauhtia karille ja kippari vain katselee menoa vierestä tekemättä korjausliikettä, on hän vain turhaa painolastia.

If you’re not prepared to change your diet or your workouts, don’t get on the scale.”
Seth Godin


13.08.2014 / Jani Puroranta

Practical Big Data series, part 3

In my previous blogs on Practical Big Data here and here, we searched for the best approach to big data that would best provide business value. We called this approach “Practical Big Data”.

Today we will be looking at real-life examples of Practical Big Data. The best known examples of big data in general tend to revolve around digital B2C services (Facebook, Twitter, Google, Amazon, eBay, etc.). However, being mindful that the reader might be interested in a B2B perspective as well, we also will give a few examples from this realm.

Now, let’s look at a few examples per each level of Practical Big Data:

 

1. Power up processes

Business process latency is a big waste of money in many enterprises. Companies around the world are spending billions of dollars in slow business processes such as revenue management or finance.

Imagine if instead of spending 27 hours to optimize the pricing of your entire assortment, you could do it in only one hour? This is what the US department store chain Macy’s accomplished. With the help of big data technology (combination of Hadoop and in-memory analytics), Macy’s is now able to re-price their assortment of ~73.000 SKU’s and react to changes on the market several times per day. This not only saves working time, but more importantly ensures optimized prices at all times both in the physical stores as well as Macy’s online channel. The benefit of an enhanced price optimization process is that a one-percentage-point improvement in average price of goods and services leads on average to an 8.7 percent increase in operating profits according to a McKinsey study.

In a second example, the construction industry products manufacturer Hilti has empowered their direct sales force with real-time analytics. Earlier it took Hilti roughly 3 hours to produce a customer report as the process requires scanning through all the 9 million customers and over 50 million transactions in the database. Now with big data technology from SAP (SAP HANA) this takes only 3 seconds – an improvement factor of 3.600x! Today Hilti’s direct sales reps can engage their customers in real-time with fresh reports wherever they travel. This leads to better interaction with customers and higher sales force efficiency.

In a further example, Deutsche Telekom achieved a 2.000x time improvement in part of their financial close process. Running a PoC against their former ERP system that took 35 minutes to run the process, with SAP HANA the time was reduced to mere 2 seconds. With this fast financial process, real-time finance and soft close whenever you want is not that far away!

­­

2. Engage in real-time

Digital players use predictive algorithms with great success in engaging their customers. For example, LinkedIn’s feature “People You May Know” spawned from a big data initiative. PYMK has been accounted for providing 30% better conversions than Linkedin’s other ad campaigns and contributing to millions of new users for Linkedin.

Amazon and eBay are using similar algorithms for their NPTB (Next Product To Buy) recommendations. NPTB recommendations are calculated based on millions of user sessions and thousands of purchases made by users with similar profiles. These digital players are of course very secretive about the exact workings of their algorithms as they invest annually millions of dollars to fine-tune them.

For brick-and-mortar companies real-time predictive promotions may seem too far off – but it need not be so. The Japanese electronics retailer Yodobashi uses in-memory analytics (SAP HANA) to run their loyalty point calculation process in only 2 seconds. With 5 million loyalty cards, this used to take 3 days as a monthly batch process. With this significantly faster process, Yodobashi is able to make predictive personalized promotions to the shopper while they are still in the store. Where most retailers still only mine their loyalty card databases for targeted email campaigning, Yodobashi has already turned big data into practical, highly interactive, everyday use.

Also B2B companies can learn from the above B2C players when engaging their customers online. Tailored recommendations can be equally powerful if they are relevant and delivered to the end users in real-time. However, the data sets and predictive algorithms would in a B2B case appear somewhat different, since there would not typically be millions of user sessions and shopper baskets to analyze. Rather, in B2B e-commerce a rules-based predictive engine would be used, where the key inputs would be factors such as the end user role, customer’s contract specifics, omnichannel purchase behavior, product margins, and various predefined merchandizing and promotional decisions made by the product managers.

 

3. Transform the industry

Travel is a prime example of an industry that has been totally reshaped by digitalization. Not so many years ago to get a travel ticket you still needed to call your local travel agent and get the ticket in postal mail days later. Today, of course, everything is already digital and real-time.

For Amadeus, a company providing technology to the travel industry, this has meant a significant investment in big data and a vast change in their offering. Amadeus has created innovative products that utilize big data such as Extreme Search where the consumer only enters her overall budget, number of passengers, length of time for the trip, and the minimum temperature at the destination to receive trip proposals online. For Amadeus, transforming in pace with the industry and embracing big data early has been a matter of life and death.

Users of Netflix have already for years received recommendations on what movie to see next. Netflix uses big data and a smart predictive algorithm called Cinematch to predict the score that a particular user is likely to give to a movie. Netflix deemed this feature as such a critical success factor that it publicly offered a $1M prize to the team that could most improve their algorithm. Over the years 2006-2009 over 44.000 submissions were made by over 5.000 teams, and the winning team managed to improve the algorithm’s predictive power by 10% in 2009 hence receiving the million dollar prize. This has helped Netflix to become the leader in streaming video and to transform the entire movie distribution industry.

For many B2B companies the urgency to create data–driven offerings may not seem as immediate. Yet, some of the leading companies are already taking bold steps to transform their industry proactively:

One such company is John Deere that gathers sensor data from its tractors. This sensor data is analyzed to provide predictive maintenance i.e. to provide the user with predictions when a particular part of the tractor may be at risk of failing and should be repaired or replaced to avoid expensive downtime. Furthermore, John Deere also collects other data such as weather and soil data to provide their customers with recommendations on the best time to plant seeds, to harvest, etc. Information is pushed to the dealers and end users through various channels such as FarmSight and MyJohnDeere.com in both web and mobile versions.

In this way, rather than selling only tractors, John Deere has turned its unique selling proposition towards best-in-class productivity. Tractors are a commodity that can be bought from lower cost suppliers from all over the world. However, productivity – i.e. maximizing the farm output – has a totally different business case. I believe that there are many B2B companies who could benefit from John Deere’s thinking of how to harness big data to reshape their industry and to deliver practical, data-driven end products to customers.

 

To see slides on this Practical Big Data series parts 1-3 on Slideshare, click here!