27.02.2015 / Jani Puroranta

Olen monesti kuullut teollisuusyrityksen johtajan ylpeänä kertovan, että heidän yrityksensä on ollut teollisessa internetissä jo vuosikausia. Kertomuksen taustalla yleensä on, että yrityksen myymät raskaat laitteet taikka operatiivisessa toiminnassaan käyttämät koneet on kytketty SCADA-järjestelmän tai muun teollisen kontrollijärjestelmän avulla valvomoon. Vääräleuka sanoisi kuitenkin, että valvomo tekee yrityksestä teollisen internetin hyödyntäjän yhtä paljon kuin ilmoitus huuto.netissä tekee torikauppiaasta verkkokauppiaan.

Jotta teollisen internetin koko arvoketju hahmottuisi paremmin, matka teolliseen internettiin onkin hyvä jakaa ainakin kolmeen vaiheeseen:

  1. Liittynnät (eng. connectivity). Tunnusomaista sensorien asentaminen ja tietoliikenneyhteyksien rakentaminen.
  2. Etävalvonta. Tunnusomaista keskitetty monitorointi ja analytiikka yrityksen omaan käyttöön.
  3. Teollinen internet. Tunnusomaista datapohjainen liiketoimintamalli, joka kääntää datan ja analytiikan ansainnaksi.

 

1. Liitynnät

Ensimmäisessä vaiheessa laitteita liitetään verkkoon. Tässä vaiheessa asennellaan sensoreita sekä mietitään tiedonsiirtoon liittyviä asioita. Tärkeitä teemoja ovat sopivien sensorimallien ja niiden etähallinnan lisäksi tietoturva ja tiedonsiirtoteknologiat. Teolliseen internetiin tähtäävät yritykset, jotka eivät liiketoiminnassaan aiemmin ole tarvinneet valvomoja ja etämonitorointia aloittavat yleensä täältä.

 

2. Etävalvonta

Toisessa vaiheessa mukaan astuu myös analytiikka. Tällöin sensoreiden keräämää dataa pyritään jalostamaan esimerkiksi etävalvomon analyyttisiksi näkymiksi. SCADA -järjestelmän sijaan tai päälle saatetaan asentaa varsinainen IoT-alusta, joka mahdollistaa tiedon suuren mittakaavan keräämisen, tallennuksen, analysoinnin, visualisoinnin sekä sovelluskehityksen. Esimerkkejä tästä vaiheesta ovat vaikkapa valvomon käyttöön tehty 3D-kuvantaminen, yksittäisen sensorin tasolle porautuvat analyyttiset näkymät ja keskeisten indikaattoreiden visualisointi.

Lisäksi saatetaan rakentaa sovelluksia, jotka jäävät yrityksensä itsensä käyttöön ja pitävät kaiken datan vahvasti palomuurien sisäpuolella. Esimerkkinä tästä vaikkapa fleet management –sovellus, jolla voidaan seurata kaluston liikkeitä ympäri maata ja näyttää keskeisiä mittareita kuten ajonopeus, ajoturvallisuus ja huoltotarpeet.

 

3. Teollinen internet

Kolmannessa vaiheessa eli varsinaisessa teollisessa internetissä kaiken ytimenä on datapohjainen liiketoimintamalli. Ilman käsitystä miten tuhansien sensorien keräämä data käännetään rahaksi, teollinen internet jää tyhjäksi harjoitukseksi. Varsinaisessa teollisessa internetissä keskiössä on siis asiakkaat eikä yrityksen omat operatiiviset toiminnot. Esimerkkejä teollisen internetin liiketoimintamalleista ovat mm. ennustava huolto (vrt. ThyssenKrupp), pay-per-use maksumallit, asiakkaan laitteista kerätyn datan jatkojalostaminen (vrt. GE ja AirAsia) tai pilvipohjainen ohjausjärjestelmä (vrt. Philipsin Hue valaistusjärjestelmä).

Teknisellä puolella pääroolissa on asiakkaiden käyttöliittymät ja pohdinta miten data esitetään intuitiivisessa ja käyttäjäystävällisessä muodossa, josta asiakas on valmis maksamaan. Esityskerros voi olla dedikoitu päätelaite, mobiililaite, älykello, virtuaalilasit, jne.

Monet teollisen internetin liiketoimintamallit edellyttävät ennustavaa analytiikkaa (eng. predictive analytics), jossa koneoppimisen kautta kehitetyt älykkäät algoritmit nuuskivat jatkuvaa sensoridatan virtaa ja etsivät sieltä poikkeamia tai tuttuja malleja. Usein sensorien keräämää tietoa myös yhdistellään monen muun tietolähteen tietoon esimerkiksi ERP-dataan, CRM-tietoihin ja huollon järjestelmiin. Tällöin kyseeseen tulee reaaliaikainen analytiikka, jos tietojen yhdistelyssä tarvitaan tehokasta laskentaa analytiikkaa tai ennusteita varten. Lisäksi tuhansien sensorien keräämän datan määrä voi helposti kasvaa useisiin teratavuihin kuukaudessa, jolloin tarvitaan sekä big data pohjaista tietoarkkitehtuuria (esim. Hadoop, Apache Kafka, Cassandra) että älykkäitä sensoreita ja mahdollisesti myös fog computingia.

 

Suomessa on kansallisella tasolla päällä valtava innostus teollisesta internetistä mikä sinänsä on loistava asia! Puhtia tälle antaa kuitenkin uskomus, että Suomi on teollisen internetin kärkimaa, koska täällä on jo niin monessa teollisuusyrityksessä valvomot. Tämä uskomus on jo syytä romuttaa, koska monellakaan suomalaisella yrityksellä ei vielä oikeasti ole valvomotoiminnan jatkeeksi myös vahvaa analytiikka- ja big data osaamista sekä mietittynä liiketoimintamalli, jolla kerätty data käännetään rahaksi. Jotta Suomesta tosiaan saadaan teollisen internetin edelläkävijä, myös analytiikkaosaamiseen ja uusiin datapohjaisiin liiketoimintamalleihin on panostettava isosti. Onneksi ensimmäisiä merkkejä tästä on jo nähtävissä!


27.02.2015 / Ville Niemijärvi

Päästelin sunnuntaina menemään nelostietä etelää kohti kovassa räntäsateessa. Edessä ajavat autot roiski rapaa, kuraa ja loskaa tuulilasiin. Pyyhkijät tekivät parhaansa ja pissapoika ruiskutti rakkonsa tyhjäksi ennen kuin olin Lahden moottoritien puolessa välissä. Tuulilasi oli yhtä sumua ja näkyvyys todella heikko.

Mutta kun vilkaisin peräpeilistä taakse, oli takalasi kristallin kirkas. Ei tahran tahraa. Siinä silmä lepäsi. Verrattuna tuulilasiin, oli peräpeilistä taaksepäin mukava katsella maisemia ja muita autoja. Tuolta minäkin tulin. Ja tuossa olin ihan äsken.

Peräpeiliin ei vain sovi tuijottaa liian kauan, ettei aja kolaria. Jos tahtoo katsella kirkasta kuvaa, pitää pysähtyä tien sivuun. Ja silloin ei matka etene.

Tiedättekö miten tuulilasi pidetään puhtaana ja edetään samalla rivakasti määränpäähän?

Mennään jonon ensimmäiseksi. Piikki paikalle. Annetaan muiden syödä rapaa.


27.02.2015 / Mika Laukkanen

Datan laatu on yleisin kompastuskivi tietovarasto- ja analytiikkaprojekteissa. Se on kuin Känkkäränkkä, joka tulee ja sotkee huolella laaditut gantt-kaaviot ja kustannusarviot. Ja mitä tulee ns. big dataan, niin siinä ei datan laatu ainakaan parane.

Vanha sanonta toteaakin, että ..”roskaa sisään, roskaa ulos”. Eli jos lähtödata on kuralla, niin on myös sen hyödyntäminen raporteilla ja analytiikassa.

Kuten monet vanhan kansan viisaudet, tämäkin on osittain totta. Ei kuitenkaan kokonaan, koska edistyneellä analytiikalla on mahdollista korjata huonoakin dataa selvästi paremmaksi.

Seuraavaksi esitän reaalimaailman tilanteen, jossa analytiikalla korjattiin puuttuvaa tietoa.

Lähtötiedot ja ongelma

  • Tuotteita n. 40 000 kpl
  • Tuotteilla n. 10 erilaista ominaisuutta
  • Tuotteilla ylätason luokituksia (esim. tuoteryhmät)
  • Kaikki luokitukset ja ominaisuudet eivät ole pakollisia tietoja

Kun kaikkien tietojen antaminen ei ole pakollista, niin niitä jää helposti kirjaamatta – kaikesta ohjeistuksesta huolimatta.

Tässä tapauksessa erityinen ongelma on yksi luokitus, jonka mukaan mm. raportointi toimii johtotasolle. Tässä kohtaa puuttuvia tietoja on 1 215 kpl, jotka voivat saada 12 erilaista luokkaa/arvoa. Tavoitteena on, että puuttuvia tietoja ei olisi lainkaan.

Seuraava kuva tiivistää tilanteen.

Ongelman kuvaus

 

Korjausvaihtoehdot

Ensimmäinen vaihtoehto olisi käydä manuaalisesti lävitse kaikki tapaukset ja tehdä korjaukset. Siihen kuitenkin tarvittaisiin useamman tuotepäällikön työpanosta. Eivätkä hekään ilman lisäselvityksiä osaa suoraan nimetä oikeita luokkia kaikille puuttuville kohteille. Tämä on periaatteessa mahdollinen vaihtoehto, mutta krooninen ajanpuute tekee siitä mahdottoman.

Toinen vaihtoehto on käyttää edistynyttä analytiikkaa korjaamaan puuttuvat tiedot. Mistä tiedetään onko se edes mahdollista?

Lähtökohtaisesti tiedetään, että puuttuvan luokan voi päätellä mm.

  • tuotteen ominaisuuksista ja niiden kombinaatioista
  • tuotteen nimestä tai sen osasta
  • tai kahden edellisen kohdan kombinaatiosta

Nyt kukaan ei tiedä kaikkia em. päättelysääntöjä, saati että olisi niitä kirjannut johonkin. Joka tapauksessa päättelysääntöjä syntyisi vähintään kymmeniä ellei satoja. Melko työlästä siis toteuttaa manuaalisesti.

Ratkaisu

Puuttuvan tiedon korjaamiseksi päätettiin testata “Naive Bayes” pohjaista data mining- menetelmää (jatkossa algoritmi). Ohjelmistona käytettiin RapidMineria.

Aloitettiin seuraavalla tavalla:

  • muodostettiin datasetti ehjästä datasta, jossa ei ollut puuttuvia luokkia
  • datasettiin valittiin tuotteen ominaisuudet ja osia tuotteen nimestä
  • annettiin algoritmin päätellä millä tuotteen ominaisuuksilla ja nimenosilla voi parhaiten ennakoida kohteena olevan luokan arvoja (Ilves, Puuma, jne.)

Luokittelutarkkuus oli n. 95%:ia eli ehjällä datalla algoritmi onnistui hienosti päättelemään oikean luokan tuotteelle. Mainittakoon että tässä tapauksessa kohdeluokkia oli 12 kpl, joiden välillä luokittelutarkkuus vaihteli 50-99,8%:n välillä. Tämä tarkoittaa, että osa tapauksista oli helppo luokitella (>99%) ja osa vaikeampia (50%).

Edellisessä vaiheessa syntynyttä mallia sovellettiin seuraavaksi datasettiin, johon oli valittu tuotteet, joilta luokitus puuttui (ks. aiempi kuva). Ideana siis selvittää miten hyvin malli osaa korjata puuttuvia tietoja. Ohessa tulostaulukko.

tiedonlaatu2

Taulukko kertoo, että mallin päättelysääntöjen mukaan 891 kpl puuttuvista tiedoista kuuluu luokkaan “Ilves”. Keskimääräinen todennäköisyys kuulua ko. luokkaan on 99,8%:ia – eli taustalta löytyi hyvin voimakkaasti selittävä päättelysääntö.

Kokonaisuutena mallin mukaan oikein luokiteltuja (= korjattuja puuttuvia arvoja) pitäisi olla 95,7%:ia kaikista tapauksista.  Onko sitten näin?

Asia tarkistettiin silmämääräisesti asiantuntijoiden toimesta. Tällä tavalla ei tarkkaa tulosta saatu, mutta varmalta vaikutti että ainakin 90%:ia meni oikeastikin oikein. Ei huonosti.

Lopputuloksena 1215 puuttuvasta tiedosta voitiin korjata oikeaksi noin 1 100 kappaletta. Aikaa siihen meni vähemmän kuin tämän blogin kirjoittamiseen – eli miljoonaprojektista ei ollut kyse.

Mitä hyötyä?

Tietojen korjaamista analytiikan avulla tulee miettiä tapauskohtaisesti. Mikäli tiedon korjaaminen johtaa parempaan liiketoimintaan, niin silloin se kannattaa.

Esimerkkinä mainittakoon asiakastietojen (CRM) korjaaminen, kun puuttuvaa tietoa on paljon. Käydään lopuksi läpi kuvitteellinen keissi.

  • CRM sisältää 500 000 asiakkaan tiedot
  • 20% asiakkaista on antanut kattavat tiedot
  • 80%:illa asiakkaista on paljon puuttuvaa tietoa
  • Kaikkien asiakkaiden kohdalta on ostotapahtumat tallessa

Nyt valitaan asiakkaat, joilta on kattavat CRM ja ostotapahtumat tallessa. Heidän datallaan muodostetaan malli, joka ennustaa puuttuvat CRM-tiedot muille (80%) asiakkaille. Kun kaikille asiakkaille on olemassa kattavat tiedot, niin kohdennettu myynti ja markkinointi on paljon helpompaa ja tehokkaampaa.

Tällaista lähestymistapaa käyttävät mm. Google ja Amazon, kun he profiloivat käyttäjiä ja kohdentavat heille tarjontaansa. Ne tietävät joitakin varmoja asioita asiakkaistaan, mutta osaavat ennustaa loput riittävällä tarkkuudella.

 


24.02.2015 / News Team

SAP SE (NYSE: SAP), the world’s largest enterprise software vendor, and internationally growing Finnish software and IT services company Bilot have agreed on cloud delivery of hybris commerce solutions, based on the SAP MCaaS (Managed Cloud as a Service) model.

For customers, the new delivery model means smaller investments, lower risk and quicker time to new markets. “Our cloud deliveries can be bundled with Bilot’s innovative SmartChannel TM add-ons for SAP. We have condensed over thousand of man-years of experience of enterprise solutions related to sales, marketing and analytics into these add-ons”, says Mika Tanner, CEO of Bilot Oy.

Bilot is a leading vendor of end-to-end solutions for commerce and analytics for SAP. hybris is the leading platform for omni-channel commerce, as recognized by Gartner and Forrester reports. hybris plays a central role in SAP’s Customer Engagement and Commerce cloud suite.

“Bilot’s key strengths are their extensive experience in enterprise-grade, global commerce solutions and their hands-on approach to matching SAP’s latest innovations with customer needs. Customer feedback has been outstanding. Bilot is an excellent partner in implementing SAP’s cloud strategy in Finland and abroad”, says Marika Auramo, Head of Innovation, SAP Nordics and Baltics.

“2014 was a year of change at Bilot. With a 25% increase in headcount, we focused heavily on R&D and transforming our business to proactively align with the industry disruptions ahead”, continues Tanner.

As part of the company’s internationalization strategy, Bilot established presence in Poland in 2014 and the first customer deliveries started immediately. The Europe-wide hybris cloud agreement is an extension to Bilot’s existing reseller agreement with SAP and further strengthens the company’s global presence.

 

More info from Mika Tanner

CEO, Bilot Oy

mika.tanner@bilot.fi / +358 40 5440477

 


24.02.2015 / News Team

Maailman suurin yritysohjelmistojen valmistaja SAP SE (NYSE: SAP) ja kansainvälisesti kasvava suomalainen ohjelmisto- ja IT palvelutalo Bilot ovat sopineet hybris-verkkokaupparatkaisujen toimittamista pilvestä SAP McaaS (Managed Cloud as a Service) mallin mukaisesti.

Asiakkaiden kannalta uusi toimitusmalli tarkoittaa pienempiä investointeja, vähemmän riskejä sekä nopeampaa pääsyä uusille markkinoille. ”Pilvipohjaiseen jakelumalliin voidaan liittää Bilotin edistyksellisiä SmartChannelTM SAP-laajennuksia. Kansainvälisille asiakkaille suunnattuihin SAP-liitännäisiin myynnin, markkinoinnin ja analytiikan yritysratkaisuihin on paketoitu Bilotin yli tuhannen henkilötyövuoden kokemus.”, toteaa Mika Tanner, Bilot Oy:n toimitusjohtaja.

Bilot on johtava SAP:n myynnin, verkkokaupan ja analytiikkaratkaisujen toimittaja, joka pystyy tarjoamaan edistykselliset asiakasrajapinnan kokonaisratkaisut SAP-ympäristöihin. hybris on Gartnerin ja Forresterin markkinatutkimusten mukaan johtava monikanavaratkaisu ja olennainen osa SAP:n Customer Engagement and Commerce (CEC) –pilvikokonaisuutta.

”Bilotin vahvuus on pitkä kokemus kansainvälisestä yritystason verkkokaupasta ja SAP:n uusimpien pilvi- ja analytiikkaratkaisujen hyödyntämisestä sekä niiden sovittamisesta asiakkaiden liiketoimintaympäristöön. Asiakaskokemukset toimituksista ovat olleet erinomaisia. Bilot on loistava kumppani SAP:n pilvistrategian toteuttamiselle myös Suomen rajojen ulkopuolella” – sanoo SAP:n Pohjois- ja Baltian maiden innovaatiojohtaja Marika Auramo.

”2014 oli yhtiön kannalta käänteentekevä. Henkilömäärä kasvoi 25% ja kanavoimme merkittävän osan energiaamme tuotekehitykseen ja yhtiön transformaatioon vastataksemme etuajassa toimialan suureen murrokseen.”, jatkaa Tanner

Osana yhtiön kansainvälistymisstrategiaa, yhtiö avasi toimipisteen Puolaan vuonna 2014 ja ensimmäiset asiakastoimitukset alkoivat välittömästi. Bilotille euroopanlaajuinen sopimus on laajennus olemassaolevaan jälleenmyyntisopimukseen ja on merkittävä vahvistus konsernin kansainvälistymiselle.

 

Lisätietoa: Mika Tanner

Toimitusjohtaja, Bilot Oy

mika.tanner@bilot.fi / +358 40 5440477

Bilot on vuonna 2005 perustettu ohjelmistotalo ja kasvuyritys. Yritys tunnetaan edelläkävijänä uusimpien SAP- ja Microsoft-ratkaisujen implementoinnissa ja kehittämisessä. Bilotin oman Digital Business Platformin muodostava Smart –tuoteperhe tuo yrityssovelluksiin uuden ajan käytettävyyttä, suorituskykyä, kustannustehokkuutta ja luotettavuutta.

Bilot on henkilöstön omistuksessa ja sen toimipisteet sijaitsevat Helsingin Ruoholahdessa sekä Puolan Poznanissa. Yrityksen liikevaihto on 16 MEUR ja sen palveluksessa on 130 alan lahjakkuutta, luovimpia ajattelijoita ja terävimpiä näkijöitä.

 


24.02.2015 / Janne Vihervuori

The Name

The short notation of SAP Suite for HANA – S/4HANA – brings a cozy and comforting breeze back from days when SAP’s flagship product was named with a single letter, slash, and a single number notation. Since Robert Langdon is not around, here´s my 4 cents on the symbolic side of this new product name:

  • Take “R/3” and add one up both in the alphabet and in the numeric scale, and you´ll get “S/4”. This symbolizes safe and non-disruptiveness development for existing functionality.
  • In the world of cars, the S4 model from a certain brand is the equivalent of the idiom “a wolf in sheep’s clothing”. This symbolizes extreme performance camouflaged in an ordinary outfit.
  • The “S” is Sigma in the Greek alphabet. The (upper case) Sigma is a summing function in mathematics. This symbolizes the functional capability of calculating any number of variables into a single result.

 

The Launch

I have been pondering about what happened on the grandiose 3rd of February S/4HANA launch, as it was touted to be “biggest ever” and as it took place at NYSE. For someone who has been HANA-aware since the early days and following the latest S-innovations, the launch did not bring many new things to the table. Of course, for someone who has not been following the HANA and S-innovation curve, this launch was most likely a newsflash. There were, of course, some significant new product facts mentioned, e.g. the cloud capabilities of S/4HANA that would be especially interesting for new customers with the Public Cloud option. I also think the Hana Cloud Platform got some re-exposure, as one of HCP’s primary use cases has already been extending the (on-premise) ERP. The launch left the customers with further questions that SAP and its partners, like Bilot, need to answer.

 

The Complexity (of Yesterday’s Glory)

Why wouldn´t SAP just launch a full-blown Super-Suite for HANA that would totally replace the traditional ERP (R/3-Enterprise-ECC) while being non-disruptive at the same time? Answer: it is not possible. It could be technically feasible, but it would take a long time, and it would probably be dangerous for SAP’s business since customers would need to execute extensive migration projects. SAP “ERP” consists of (literally) millions of lines of ABAP business logic code and those +20000 database tables which has allowed users and organizations to configure and customize most complex business processes and scenarios. In other words, the “ERP” data model is vastly complicated, and the architecture is based on retrieving data from the Database layer and processing it on the Application layer. This is the very exact opposite compared to processing as much as possible inside the HANA database.

 

The Simple

Designing and implementing Simple is usually very hard and effort consuming. Nobody promised it would be the other way! When it comes to simplifying the vast and complex ERP logic, it is in fact not just about simplification, but also about choosing mainstream functionality over complex functionality. If you want to simplify ERP, you need to – radically – simplify the data model, and that, my friends, does not come without making some very hard compromises:

  • Do you want to keep all the fine-grained and even exotic attributes in the data model, or
  • Do you want to go with a very simple Header-Item-type of a data model?

Choose, you cannot have both – at least now in the short term with the current SAP “ERP” architecture. It could be that SAP can steer the ship of simplicity on a course that adds up all the (upcoming) Simple Products into one Simple Über-ERP, but that remains to be seen.

The Beef

Don’t get fooled by interpreting S/4HANA as yet another enterprise application! With or without its cloud capabilities, S/4HANA is the continuum of the paradigm shifting HANA; this time applied with a simplified UX and a simplified data model. The single most important aspect of this product takes a little effort to dig out and understand. It’s not about Fiori, not about simplicity as such and not even about the raw performance of the HANA platform (and – especially – the database within it). S/4HANA is about coupling HANA and the application logic in an optimized and simplified end-to-end way that is end-to-end SAP. This is a radical shift away from the traditional (3-tier) model in which the customer has been able to select the database vendor of the enterprise software! It can be argued if customers are now losing their freedom of selection, but I think it is the exact other way: customers can deal with one partner only instead of two. Also, the to-be-old architecture with disk-based databases did not favor a S/4HANA like model: no significant performance advantage is possible to gain by selecting a certain database and a certain application server. Maybe this 1st wave in-memory technology is supposed to be optimized this way? By vendors who are able to do it? You don’t change the processer in your iPhone, and you don’t get to pick the engine manufacturer of a standard car.

 

The Dead

“If this doesn’t work, we’re dead. Flat-out dead.” I didn’t make that up, Hasso actually said that. Hearing that kind of a one-liner from any world class software company executive is very rare. But I totally agree with Hasso: it’s the race of the century and SAP has got a good head start. SAP and the whole enterprise software industry is facing a big time Innovator’s Dilemma. Should one try to please the customers with their current and short-term needs or try to create something that will take the customers’ business to the next level? In the end, it’s about faster horses and flying cars. Jockeys want faster horses; visionaries can come up with ideas about utilizing flying cars.

As all software companies are nowadays cloud companies, the other horses in the game are also cloud companies. Some and even most of the other horses are non-ERP cloud vendors such as SalesForce and Workday, who are delivering fancy UX and pushing their cloud platforms on the go. There is also another large ERP vendor in the race that is a cloud company – naturally – but also a database giant, Oracle. All the horses in the race are fighting to protect their installed base and trying to win new customers at the same time.

 

The Risks

Is SAP now taking a big risk with S/4HANA? Probably. Are the competitors better off by delivering optionally-accelerated generic databases and cloud platforms that are nice and UX rich but not really disruptive? Not likely. The global customer base will inevitably decide and dictate the winner(s) in this game. However, I have a very hard time believing that a S/4HANA kind of a platform would not offer extensive long-term benefits in helping customers transform into digital business, utilize big data and IoT. There is synergy in having all the (hot) enterprise data in one, superior performance platform against spreading it around in various applications and cloud platforms. Integration is not free (in many ways), even as open source, so you need to pick your spots on what to integrate!

 

The Verdict

Sounds like S/4HANA is not yet revolutionary in its current release, has SAP failed? Hell no! How could they have? They’re the first and only enterprise software vendor to launch a paradigm shifting in-memory platform (HANA) coupled up with dedicated simplified and optimized data model and applications. Will SAP win this game? Will it rain on February 3rd, 2025? I don’t know. But I know one thing: if Hasso Plattner has the balls to say that they are “flat-out dead” in case the Suite for HANA does not work out, it has to be taken very seriously. Since Hasso is (still) the largest shareholder of SAP AG, he literally has his skin in this game (or neck on the line). 

I don’t think that the current industry model of building cloud solutions and platforms on “any” database technology is no longer a valid one. History will teach us which current cloud software vendors got disrupted out of the game. Then there are the “generic” and in-memory-optional DB vendors, especially Oracle, who are in a very different position compared to SAP with HANA. They have to make sure that their products support a large matrix of other applications and vendors. SAP has the luxury of dedicating the superior performance of the platform HANA to their business applications and vice-versa, although HANA is an open platform for any use.

SAP was able to conquer to market with R/3, but the market was way different in the 90’s compared to what it is now. HANA and S/4HANA specifically, are the obvious choice and platform continuum for customers who are running SAP Business Suite and who want to keep on running SAP’s business software. Even though the S-products included in S/4HANA are yet very limited and largely still in the development pipeline, SAP’s approach is clearly standing out in the crowd of the enterprise software vendors. Let’s put it this way: if SAP’s racehorse is flat-out alive after the race, there will be more than one other racehorses who have not been so lucky. I would bet my money on the Suitest Deal!


23.02.2015 / Ilya Belomutov

You are warmly welcome to participate in a discussion about the role of Microsoft BI and Analytics in a contemporary enterprise.

Register to attend the focused breakfast event at Bilot on 20.3.2015 8:30-12:00!

As a Head of Finance / HR / IT, a LoB or Business Intelligence Manager you might be looking for intelligent business solutions.

This event is a great opportunity for you to learn how to increase the efficiency of your organisation by utilising intelligence tools and your analytical capability powered by Microsoft technologies.

Enterprise Performance ManagementMicrosoft, SAP and other vendors’ software form the IT landscape of many organisations. To steer your enterprise performance, it is essential to make the best use of your business data – in Finance, Human Resources and line-of-business processes. To make effective data-informed decisions, managers look forward to relying on business solutions empowered with analytics.

This event will demonstrate you practical applications of data analysis outcomes and will give you possible ideas on how you can benefit from the existing and new Microsoft Business Intelligence tools:

  • Get a top view of your business through powerful dashboard representations of your data.
  • Employ ‘what-if’ analysis and KPI-driven management practices.
  • Make one more step towards discovering the Internet of Your Things (IoYT).
  • Clear out your concerns about Big Data, Hadoop and Advanced Analytics scenarios.

Agenda

8:30 – 9:00 Breakfast

9:00 – 09:50 Enterprise Performance Management and LoB Scenarios

Break

10:05 – 10:55 MS BI & Analytics Technologies for Your Business

Break

11:10 – 11:45 Microsoft Presentation: Advanced Scenarios

11:45 – 12:00 Feedback + Q&A

 

The Speakers

To help you gain ideas and inspiration for your business solutions, two Microsoft Certified Masters team up with the top subject matter experts to share their expertise with you!

Guest speakers from Microsoft:

  • Arun Justus, Solution Architect, Data Platform, BI and Big Data.
  • Vesa Tikkanen, Microsoft Certified Master: SQL Server, MVP.

Bilot speakers:

  • Ilya Belomutov, Lead Consultant, MS BI & Analytics, Microsoft Certified Master: SharePoint, MBA.
  • Olli-Pekka Saxell, BI Consultant, MS BI & Analytics.

This event will be held in English.

Looking forward to seeing you at Bilot!


19.02.2015 / Lasse Liukkonen

Asiakkuudenhallinta (eng. customer relationship management, lyh. CRM) on keskeisempiä käsitteitä nykypäivän yritystoiminnassa. Se pitää lyhykäisyydessään sisällään asiakaslähtöisen ajattelutavan yrityksessä, sekä siihen yhteydessä olevat IT-pohjaiset järjestelmät.

Asiakkuudenhallinnan keskeisenä ideana on tuoda hyötyjä sekä liiketoimintaa harjoittavalle yritykselle että heidän asiakkailleen. Oikein rakennetun ja edistyneen asiakkuudenhallinnan hyötyjä yritykselle ovat mm. asiakashankinnan kulujen vähentäminen ja kohdentaminen (prospektointi), korkea asiakaspysyvyys (asiakaspito, poistuma), sekä yleinen kilpailukyvyn parantaminen (liikevaihdon parantaminen pienin kustannuksin).

Varmasti jokainen yritys myöntää, että asiakkuudenhallinta on yksi heidän liiketoiminnan keskeisimmistä ja kehittyneimmistä osioista, mutta miksi vain murto-osan murto-osa käyttää hyväkseen nykypäivän teknologiaa ja sen tuomia kehittyneitä menetelmiä asiakkuudenhallinnan tehostamiseen. Itseasiassa suurin osa asiakkuudenhallinnan analytiikasta olisi voitu tehdä jo vuosituhannen vaihteessa riittävän monipuolisesti sen aikaisella välineistöllä. Emme siis puhu tässä yhteydessä edes viimeistä huutoa olevista menetelmistä ja innovaatioista.

Kuinka asiakkuudenhallinnassa voidaan käyttää analytiikkaa hyödyksi?

Keskitymme blogisaagassamme yhteen asiakkuudenhallinnan osa-alueeseen: asiakastiedon ja – käyttäytymisen analysointi (analytiikan menetelmien avulla). Tässä kirjoitelmassa pääpaino on asiakkuuden elinkaaren kokonaiskuvan hahmottamisessa ja vaihekohtaisissa analytiikan tuomissa tuloksissa (lisäinformaatiossa). Seuraavassa asiakastiedon ja -käyttäytymisen analysoinnin päävaiheet alkaen prospektoinnista ja päättyen takaisin hankintaan.

 Kokonaiskuva

 

1. Prospektointi

Alkajaisiksi mainittakoon, että sana prospektointi tarkoittaa alunperin kullan etsimistä (eng. prospecting), joka jo itsessään pitää sisällään intuitiivisen kuvan asiakkuudenhallintavaiheen sisällöstä. Prospektoinnissa on ideana pyrkiä “pisteyttämään” potentiaaliset asiakkaat useiden eri mittareiden avulla ja kohdentamaan myyntiresursseja yrityksen kannalta otollisiin/kannattaviin potentiaalisiin asiakkaihin.

Kuinka löytää potentiaalisesti kultaiset asiakkaat tavanomaisista lyhyistä ja kannattamattomista asiakkaista?

Prospektoinnin haasteita ovat yleensä vähäinen tiedon määrä asiakkaasta, sillä asiakkaan käyttäytymisestä ei ole tietoa (olettaen, että kyseessä ei ole uudelleen hankinta). Nykyisin on kuitenkin saatavilla yrityksiä koskevia tunnuslukuja (B2B), mm. liikevaihto, tulos, koko, toimiala. Henkilöasiakkaita koskevia tietoja (B2C) on myös saatavilla, mainittakoon vastsikään tilastokeskuksen julkaisema postinumeroalueittainen avoin tieto (Paavo, rajapinta). Jo edellä mainituista tiedoista/lähteistä on yleensä apua prospektointilistan resurssienkohdentamisessa.

Prospektoinnissa analytiikan tuomia tuloksia voivat olla mm.

1. Ostopäätöksen todennäköisyys ~ Ennuste asiakkuuden alkamisen todennäköisyydestä

2. Odotettu ensiostoksen suuruus ~ “Optimaalinen” tarjottavan tuotteen tai palvelun hinta/ensimmäisen tilauksen suuruus/…

3. Odotettu asiakkuuden kesto ~ Ennuste asiakkaan elinkaaren pituudesta

4. Odotettu prospektilistan uusien asiakkuuksien lukumäärä ~ Ennuste uusien asiakkuuksien potentiaalisesta lukumäärästä

5. Odotettu kokonaistuotto ~ Ennuste uuden potentiaalisen asiakkaan kokonaistuotosta

6. Edellä mainittujen kohtien pistearvoisiin tuloksiin vaikuttavat tekijät (ajurit)

Prospektoinnin tuloksien avulla on mahdollista kohdentaa myyntiresurssit potentiaalisiin asiakkuuksiin ja kasvattaa tätä kautta mm. uushankinnan konversiota ja kannattavuutta. Jotta kunnollinen prospektointianalyysi saadaan suoritettua tulee yrityksellä olla kirjattuna “mahdollisimman kattavat” historiassa tapahtuneisiin myyntiponnisteluihin liittyvät tiedot myös prospekteista, jotka eivät ole asiakkaiksi saakka päätyneet (“epäonnistuneet” myyntiponnistelut). Ilman näitä taustatietoja voimme saada vääristyneen kuvan potentiaalisista asiakkaista, tätä kutsumme otantavääristymäksi.

 

2. Asiakaspito

Asiakaspidolla tarkoitetaan tässä yhteydessä asiakkuuden kannattavuuden, lisä-/ristiinmyyntipotentiaalin, ostotiheyden, sekä yleisesti asiakkuuden tilan kartoittamista. Joskus asiakaspidolla voidaan tarkoittaa ainoastaan asiakaspoistuman analysointia. Asiakaspidolle tyypillistä on se, että sen analyysit suoritetaan yleensä tietyin aikajaksoin (viikko/kuukausi/kvartaali/…), valittu aikajakso riippuu liiketoiminnan ominaispiirteistä. Toisin kuin prospektoinnissa, tässä vaiheessa tarkastellaan todellisia asiakkuuksia, joten saatavilla on jo asiakkaan käyttäymistä koskevaa tietoa (laskutus, tarkat osto/tuotetiedot, …)

Asiakaspidossa analytiikan tuomia tuloksia voivat olla mm.

1. Odotetut uudelleen ostot ~ Ennuste asiakaskohtaisesta uudelleen ostotodennäköisyydestä

2. Odotettu (jäljellä oleva) asiakkuuden kesto ~ Ennuste asiakkaan elinkaaren pituudesta (huom. tarkempi kuin prospektointivaiheessa)

3. Ristiinmyyntipotentiaali ~ Ennuste potentiaalisista riistiinmyyntituotteista ja niiden ostotodennäköisyyksistä

4. Odotettu tuottavuus tulevaisuudessa ~ Ennuste asiakaskohtaisesta tuottavuudesta tulevaisuudessa

5. Edellä mainittujen kohtien pistearvoisiin tuloksiin vaikuttavat tekijät (ajurit)

Asiakaspitoon sisältyvät analyysit ovat tärkeitä erityisesti silloin, kuin pohditaan onko syytä ohjata resursseja enemmän uusihankintaan prospekteista vai nykyisten asiakkaiden tyytyväisyyden ylläpitämiseen. Yleensä yrityksissä syyttävä sormi ei osoita ketään asiakaspoistuman osalta, mutta uusmyynnin takkuamisesta voidaan päitä asettaa pölkylle.

 

3. Uushankita vs. asiakaspito

Kolmennessa vaiheessa punnitaan edellisten vaiheiden tuomia tuloksia ja muodostetaan strategisia päätäntämalleja näiden pohjalta. Havainnollistava yksinkertaistettu esimerkki päätäntämallista voisi olla seuraavankaltainen:

Jos asiakkaan odotettu tuottavuus tulevaisuudessa on pieni ja poistumatodennäköisyys on suuri verrattuna prospektoinnin antamiin ostopäätöstodennäköisyyksiin ja kokonaistuottoihin, käytä asiakkaaseen kohdistettavat “elvyttämisresurssit” uushankintaan.

 

4. Asiakaspoistuma

Asiakaspidossa muodostetut poistuma-analyysin kanssa ekvivalentit analyysit pyritään muodostamaan siten, että niiden tulokset ovat vertailukelpoisia prospektoinnin tuloksien kanssa. Spesifissä asiakaspoistuma-analyysissä voidaan puolestaan käyttää kaikki saatavilla oleva informaatio asiakkaan asiakastiedoista ja käyttäytymisestä. Tästä syystä asiakaspoistumaa seurataan/analysoidaan yleensä myös erikseen omana prosessina asiakkuudenhallinnassa. Tyypillisesti asiakaspoistuma-analyysistä saadaan tulokset:

1. Odotettu asiakkuuden kesto ~ Ennuste asiakkuuden kestosta (tulevaisuuteen)

2. Hetkellinen poistumatodennäköisyys ~ Ennuste kiinnitetyssä aikaikkunnassa asiakkuuden poistumatodennäköisyydelle

 

5. Takaisin hankinta (Winback)

Usein ajatellaan, että poistunut asiakas on menneen talven lumia. Menetetyn asiakkuuden osalta ei kannata kuitenkaan aina lyödä hanskoja tiskiin. Poistuneesta asiakkasta on rutkasti tietoa olemassa; asiakkaan ostokäyttyminen tunnetaan historiasta, tiedetään (mahdollisesti) mikä meni pieleen ja jne…

Kannattaako asiakkaalle antaa toinen elämä ja panostaa takaisin hankintaan?

Mikäli yrityksellä on entuudestaan takaisin hankittuja asiakkuuksia, on tässä vaiheessa tehtävät analysoinnit mahdollisia ja tuloksia antavia. Takaisin hankinta-vaiheen analyysi tuottaa muun muassa seuraavat tulokset:

1. Uudelleenhankinnan todennäköisyys ~ Todennäköisyys saada asiakkuus takaisin

2. Odotettu uuden elinkaaren pituus

3. Odotettu uuden elinkaaren arvo

Analyysin tuloksien perusteella yritys voi puntaroida kannattaako menetetylle asiakkuudelle antaa uusi mahdollisuus uusilla myyntiponnisteluilla, tarjonnalla ja tarjouksilla.


 

Edellä esitetty runko asiakkuudenhallinnan analysointiin on melko kattava ja pitää sisällään potentiaalisesti useita kymmeniä eri analyyttisiä malleja, joista osa on linkittynyt toisiinsa. Tästä huolimatta analyyttinen “asiakkuudenhallintaputki” voidaan muodostaa ja automatisoida järkevin kustannuksin asiakkuudenhallintajärjestelmiin. Kyseisen putken implementoinnin suurin kustannus muodostuu yleensä huonosti rakennetun tiedon tallentamis-struktuurin johdosta. Yksittäisen vaiheen analyysien muodostaminenkin tuottaa yleensä tuntuvia tuloksia liiketoiminnan kannalta, itsetarkoitus ei ole rakentaa koko putkea kerralla!

Analyysien tuomia etuja pohdittaessa on syytä huomioida, että pienetkin hyödyt yksittäisessä asiakkuudenhallintaputken vaiheessa kumuloituvat seuraavissa vaiheissa ja ohjaavat liiketoimintastrategioita oikeaan tuottavampaan suuntaan.

 

Blogisaagan seuraavassa kirjoituksessa keskitymme asiakashallinnan ensimmäiseen osaan, prospektointiin.

 


17.02.2015 / @okkooulasvirta

Kilpailu kansainvälisillä markkinoilla asettaa yrityksille valtavan paineen nopeuttaa ideasta sovellukseksi kehityskaartaan. Entä jos yrityksesi voisikin 1,2,3… tehostaa sitä kuinka yrityksessäsi kehitetään, julkaistaan ja operoidaan sovelluksia ja toisaalta mahdollistaa IT-osastosi lyhentämään korjauksiin menevää aikaa, käyttöönottoaikoja, optimoimaan resurssien käyttöä?

Tässä artikkelisarjassakäyn läpi tärkeimmät DevOps osa-alueet, joiden avulla yritykset pystyvät tehostamaan omaa ja toimittajilta tilaamaansa sovelluskehitystä. Otan artikkeleissa kantaa siihen mitä yritys pystyy tehdä soveluskehitysprosesseilleen eli kuinka toimittajien tekemisiä voidaan työkaluin ja menetelmin ohjata ketterämpään suuntaan. Artikkelisarjassa keskityn 3 eri pääaiheeseen.

Hyvän yhteenvedon aihepiiristä saat myös osallistumalla BILOTIN JA MICROSOFTIN DEVOPS & CLOUD AAMIAISTILAISUUTEEN

Lyhyemmät julkaisusyklit

Minimoi manuaaliset vaiheet automatisoimalla julkaisuprosessisi. Paranna jäljitettävyyttä ja läpinäkyvyyttä hyödyntämällä yhdenmukaistamalla määrittely ja kehitysprosessit ja työkalut. Mahdollista ja varmista liiketoiminnan, kehitystiimien ja IT-toimintojen yhteistyö.

  • Nopeuta julkaisusykliäsi askel askeleelta (artikkeli tulossa…)
  • Ketteryys on kiinni työkaluista (atrikkeli tulossa…)

Resurssien optimointi

Mahdollista ympäristöjen tehokas lisäys, poisto ja hallinta itsepalveluna automatisointia tukevien teknologioiden avulla. Kontroloi kuluja käyttämällä vain tarvittuja resursseja ja vain sen aikaa kun se on tarpeellista.

  • Kehitys- ja testiympäristöt tehokkaasti Azuresta (artikkeli tulossa…)

Laatu ja tavoitettavuus

  • Tunnista ongelmat aikaisessa vaiheessa kehityskaarta (artikkeli tulossa…)
  • Tunnista ja lyhennä vaiheet vian havainnosta ongelmaan ratkaisuun (artikkeli tulossa…)
  • Suuntaa kehitysresurssit oikeaan suuntaan keräämällä sovelluksesta analytiikkaa (artikkeli tulossa…)
  • Varmista, että palvelusi vastaavat asiakkaillesi automatisoidun valvonnan avulla (artikkeli tulossa…)
  • Varmista jatkuvan palautteen saanti Visual Studio Online avulla (artikkeli tulossa…)