28.04.2015 / Tuomas Autio

Last decade we fuzzed about Enterprise Data Warehouses (EDW). A data warehouse concept where all the enterprise data is collected to one central data warehouse – preferably to one data model, the one and only truth of the company and its’ business landscape. EDW has been the Holy Grail of data warehousing last 20 years, and we finally saw those solutions in reality during last ten years.

Efforts building (and maintaining) EDW systems are significant. Long waterfall projects beginning with long and painful logical data modelling exercises following months of data, integration and physical modelling work. And when system is finally “ready”, business has a bunch of new requirements and company needs to start tweaking its’ data model again and build new multilevel Extract-Transform-Load processes (ETL). Slow, risky and costly!

Last few years we have been forced to rethink the EDW approach. Gartner introduced term “Logical data warehouse” in 2011. And the question was how this “big data architecture” will impact the Holy Grail of data warehousing – EDW. Logical data warehouse concept is closer to reality with solutions such as SAP HANA. HANA’s multi-tenant architecture support and Hybrid Transactional/Analytical Processing (HTAP) makes possible to access and use your all data from one integrated platform without moving the data around and duplicating it to several places. Data virtualization, HTAP, logical data warehouse, multi-tenant systems, modern data architecture – just to name few concepts which will change the data warehousing and analytics architectures fundamentally.

Also Internet-of-Things and other data streaming solutions are creating new challenges in real-time data processing. Amount of data can get so high, it is semi-structured, or it is coming in so frequently that traditional EDW approach is way too expensive for any business case. These new challenges and requirements forces to rethink the architecture and where again modern data architecture and logical data warehousing concepts come in the picture. In many cases relational database is not even the best feasible solution and NoSQL databases without schema and strict relations is more agile and flexible option.

As enterprises’ data needs, variety and amount of data grows and the overall environments gets more demanding, it is many times even impossible to centralize and combine the data into a single database.

Upcoming modern data architecture trends:

  • HTAP (and other OLAP and OLTP combining systems)
  • Seamless Hadoop (and other file systems) and EDW integration architectures
  • Solutions integrating cloud and on-premises DWs
  • Multi-tenant architectures
  • NoSQL databases and related architectures

SAP HANA is a platform, which is designed to support logical data warehouse concept. For some time now it has been possible to use data directly and seamlessly from its’ original location through Smart Data Access. In the latest service pack SPS09 multi-tenancy has taken a step further as well. SAP introduced multi-tenant database concept, and you can run several applications e.g. ERPs on the same HANA appliance – each system having own tenant database. And great new feature for big data is write-back to HDFS. These features are not only supporting modern data architecture, but truly helping companies to reduce IT costs significantly and giving them a lot of new options when planning their enterprise architecture.

One thing is clear and obvious: there is no magical “One Size Fits All” solution. Architecture needs to be designed fit for purpose – now we just have a bunch of new tools, systems and applications supporting modern solutions and architectures. But the end of the day the dream remains the same as before: one truth of business and easily accessible data through a single access point.

Last but not least: in few years we need to rethink our approach again when we see live SAP S/4s. Are data warehouses for business analytics dead for businesses running SAP? One doesn’t have to be a wizard or have a crystal ball to predict that at least SAP BW’s role is going to change…


26.04.2015 / Lasse Liukkonen

Edellisessä kirjoituksessa paneuduimme analyyttiseen prospektointiin ja sen tuomiin hyötyihin liiketoiminnan ohjauksessa. Kun uudet asiakkaat on saatu hankittua prospektien joukosta, voidaan heidän osaltaan aloittaa seuraava vaihe asiakkuuden hallinnassa, asiakkuuden pitäminen. Keskeisimmät tehtävät analyyttisessä asiakaspidossa ovat

  1. Tutkia mitkä tekijät vaikuttavat asiakkuuden pysyvyyteen/poistumiseen/tyytyväisyyteen
  2. Muodostaa malleja, joiden avulla pyritään ennustamaan poistumaa, ohjaamaan resursseja, sekä muodostamaan “optimoituja” toimenpidepäätöksiä poistuman vähentämiseksi
  3. Vahvistaa yrityksen ja asiakkaan välistä suhdetta, sekä lisätä asiakkuuden kannattavuutta

Kohdan 2. osalta tulee huomioida, että analyysien ohjaamassa toimenpidestrategiassa tulee ottaa huomioon sekä asiakkaan, että yrityksen näkökulma; on yrityksiä, joilla on asiakkaita, joista halutaan eroon esimerkiksi kannattavuus syistä, vaikka se sotiikin asiakkuuden hallinnan lähtökohtaista ideologiaa vastaan ”pyritään pitämään asiakkaat tyytyväisenä”.

Systemaattisesti toimivan asiakaspidon hyödyt generoituvat yrityksen kannattavuuteen kausaalisesti:

Yrityksen tuotteiden ja palvelun laatu lisää asiakastyytyväisyyttä => Asiakastyytyväisyys lisää asiakaspysyvyyttä => Asiakaspysyvyys lisää yrityksen kannattavuutta

Asiakaspidon liiketoimintaa ohjaavissa analyyseissä ei aina ole välttämättä kyse suoraan asiakkaan taustatietojen ja käyttäytymisen analysoinnissa, vaan myös asiakkaiden antamien signaalien johdosta tehtävissä analyyseissä, esim. kyselytutkimukset. Käsittelemme tässä kirjoituksessa kuitenkin vain asiakkaan taustatietojen ja käyttäytymisen analysointia.

Analyyttinen asiakaspito vastaa seuraavankaltaisiin konkretiatason kysymyksiin:

  1. Ostaako uusi asiakas uudestaan tulevaisuudessa yrityksen palveluita/tuotteita?
  2. Mikä on odotettu asiakkaan elinkaaren pituus? Mikä on asiakkaan poistumatodennäköisyys tietyllä ajanhetkellä?
  3. Mikä on asiakkaan ostokäyttäytyminen ensimmäisen ostoksen jälkeen; odotettu keskimääräinen ostoksen suuruus, ostaako asiakas useasta eri tuoteryhmästä (ristiinmyynti)?
  4. Mikä on yrityksen toimialakohtainen suhteellinen osuus palveluiden myynnistä asiakkaalle, ”Share of wallet”?
  5. (Edellisten kohtien tuloksiin vaikuttavat taustatekijät, ajurit)

Käymme seuraavaksi läpi mainittujen konkretiatason kysymyksien analyysien perusrakenteen ja huomioitavat seikat esimerkiksi valittujen analyysimenetelmien näkökulmasta.

 

1. Ostaako uusi asiakas uudestaan tulevaisuudessa yrityksen palveluita/tuotteita?

On jo pitkään tiedetty, että uuden asiakkaan hankinta on moninkertaisesti kalliimpaa yrityksille, kuin vanhan/vasta hankitun asiakkaan pitäminen. Koska asiakkaan uudelleen ostaminen on enemmän tai vähemmän ekvivalentti asiakkaan poistumisen kanssa, on luontevaa mallintaa uudelleenostotodennäköisyyksiä esimerkiksi logistisen regression avulla. Logistinen regressio tarjoaa selkeät ja hyvin tulkinnalliset tulokset uudelleen ostamiseen vaikuttavista tekijöistä, lisäksi logistisen regression tuottama malli voidaan implementoida helposti tuotantokäyttöön teknisestä ympäristöstä riippumatta.

Vaste-muuttujaa, ”Ostiko asiakas tarkasteluajanjaksolla”: Kyllä/Ei, muodostettaessa on oleellista käyttää hyväksi tietämystä liiketoiminnan erityispiirteistä, jotta uudelleen ostamisen tarkasteluajanjakso saadaan määritettyä järkevällä tavalla. Esimerkiksi yrityksillä, jotka myyvät kodinkoneita tulee tarkasteluajanjakson olla huomattavasti suurempi kuin huoltoasemilla. Kodinkoneita ostetaan kerran vuodessa (tai harvemmin), mutta auton tankki käydään täyttämässä viikottain (kuukausittain). Huonosti määritelty tarkasteluajanjakso voi johtaa vääriin liiketoimintaa ohjaaviin toimenpiteisiin.

Tyypillisiä uudelleenostamista selittäviä muuttujia ovat esimerkiksi asiakkaan sukupuoli, ensimmäisen oston suuruus, keskimääräinen ostojen suuruus, edellisen tarkasteluajanjakson ostot, kanta-asiakkuus (Kyllä/Ei).

Analyysin tuloksena saadaan asiakaskohtaiset uudelleen ostotodennäköisyydet, sekä ajurikohtaiset ristitulosuhteet ”oddsit”. Oddsien ja kokonaiskuvan perusteella voidaan esimerkiksi kohdentaa räätälöity markkinointikirje oikeille asiakkaille, jotta heidän suhdettaan yritykseen saadaan vahvistettua uudelleen ostamisen johdosta.

 

Louhia Asiakaspito

2. Mikä on odotettu asiakkaan elinkaaren pituus? Mikä on asiakkaan poistumatodennäköisyys tietyllä ajan hetkellä?

Asiakkaan elinkaareen pituuden analysoinnissa on tavoitteena saada selville ketkä asiakkaista ovat ”suurella” todennäköisyydellä aktiivisia myös tulevaisuudessa.

Asiakkaan elinkaaren pituutta voi ennustaa jo pelkän asiakaskohtaisen ostokäyttäytymisen perusteella. Ostokäyttäytymisestä johdettavia muuttujia voisivat olla esimerkiksi yhteenlaskettu ostoksien lukumäärä, aika viimeisimmästä ostokerrasta, kuinka monesta tuoteryhmästä asiakas on ostanut, sekä asiakkuuden kesto tähän päivään mennessä.

Yleensä tässä vaiheessa on tyypillistä muodostaa malli, jonka avulla saamme todennäköisyydet sille, että asiakas suorittaa oston (=asiakas on edelleen aktiivinen) johonkin tiettyyn kiinnitettyyn aikapisteeseen mennessä. Tyypillisesti ongelman mallintamiseen käytetään elinaikamalleja; suhteellisen vaaran mallit tai AFT-mallit. Mallintaminen poikkeaa kohdan 1. mallintamisesta oleellisesti, sillä emme havaitse konkreettisesti asiakaspoistumaa. Tämä tarkoittaa sitä, että mallissa ei ole vaste-muuttujaa.

Asiakkuuden keston laskemisessa tulee huomioida, että mallintamiseen käytetty asiakasjoukkio on yleensä järkevää kiinnittää jonkin kriteerin perusteella, esim. 1.-14.1.2014 välisenä aikana ostaneet asiakkaat (ensiostos).

Analyysin tuloksena saadaan todennäköisyydet sille, että asiakas on edelleen aktiivinen kiinnitetyn tarkasteluikkunan lopussa. Todennäköisyyksien perusteella voidaan ryhmitellä tarkasteltava asiakasjoukkio ja kohdentaa eri toimenpiteitä eri tyyppisille asiakasryhmille.

 

3. Mikä on asiakkaan ostokäyttäytyminen ensimmäisen ostoksen jälkeen; odotettu keskimääräinen ostoksen suuruus kiinnitetyllä aikavälillä?

Usein käytetty mittari yritysliiketoiminnassa on keskimääräinen ostoksen tai ostoskorin suuruus. Odotettu keskimääräinen ostoksen suuruus koostuu kahdesta komponentista,

  1. Todennäköisyydestä, että asiakas ostaa kiinnitetyllä aikavälillä, sekä
  2. Odotetusta ostoksen suuruudesta, ehdolla, että asiakas ostaa kiinnitetyllä aikavälillä

Kuten tuli lyhyesti mainittua blogisaagan ensimmäisessä osassa, tulee tässä kohdassa huomioida mahdollinen otantaharha. Otantaharha saadan helpoiten otettua huomioon, kun mallinnetaan ensimmäinen komponentti käyttäen probit-mallia logistisen regression sijasta ja laskemalla ns. Inverse Mills Ratio, jolla otantaharha saadaan korjattua (mikäli se merkitsevänä esiintyy). Otantaharha vaikuttaa mallin parametrien estimaatteihin ja saattaa vääristä tuloksia, jotka pahimmassa tapauksessa voisivat johtaa vääriin/”ei-optimaalisiin” liiketoiminnan toimenpiteisiin. Toisen komponentin mallinnus voidaan suorittaa yksinkertaisemmillaan lineaarista regressiota käyttäen.

Esitellyssä ensimmäisen vaiheen analyysissä mallinnettiin asiakkaan uudelleen ostamista logistisella regressiolla siitä syystä, että probit-malli ei tuota vastaavia helposti tulkittavia tuloksia. Tulokset probit- ja logistisen regression osalta eivät kuitenkaan yleensä ole ristiriitaisia, joten probit-mallin käyttäminen jälkimmäisessä analyysissä on “perusteltua”, mikäli logistinen regressio on tuottanut ensimmäisessä vaiheessa järkeviä tuloksia.

 

Asiakaspito_2

 

Keskimääräisen ostoksen suuruuden lisäksi yritykset ovat usein kiinnostuneita ristiinmyynnin lisäämisestä asiakkaille. Ristiinmyynnin uskotaan parantavan asiakkaan ja yrityksen välistä suhdetta, ja näin ollen vaikuttavan yrityksen tuottavuuteen. Ristiinmyynnissä täytyy kuitenkin muistaa, että tarjottava tuote tulee olla asiakkaalle tarpeellinen, umpimähkäinen ristiinmyynti yleensä heikentää asiakkaan ja yrityksen välistä suhdetta. Ristiinmyynnin analysointiin ei tässä kirjoitelmassa paneuduta tarkemmin.

 

4. Mikä on yrityksen toimialakohtainen suhteellinen osuus palveluiden myynnistä asiakkaalle, ”Share of wallet”?

Yrityksen myytyjen palveluiden suhteellinen osuus toimialalla kilpailevien yrityksien kokonaismyynnistä asiakkaalle, Share of wallet, olisi ihanteellinen tieto usealle yritykselle. Mitä suurempi SOW on, sitä kiinnostuneempi ja/tai tyytyväinen asiakas on juuri kyseisen yrityksen tarjoamista palveluista, ellei kyseessä ole monopolistinen markkina-asema. Korkea ja stabiili SOW-luku indikoi yleensä suoraan asiakkaan lojaalisuutta yrityksen palveluita kohtaan.

SOW-analyysissä haasteellisinta on saada kyseinen tieto asiakasryhmittäin tai asiakaskohtaisesti. Mikäli SOW-arvot saadaan hankittua tai arvioitua riittävän tarkasti, voidaan siirtyä tarkastelemaan mitkä taustamuuttujat (ajurit) vaikuttavat suhteelliseen myynnin osuuteen toimialakohtaisilla markkinoilla.

Mallista saatavat ajureiden vaikutukset SOW-arvoon ohjaavat yrityksen asiakkuuden hallintaa, esim. Aktiivinen yhteydenpito asiakkaan kanssa yleensä lisää SOW-arvoa, mutta yliaktiivinen yhteydenpito asiakkaaseen voi puolestaan laskea sitä. Yksi mielenkiintoinen tutkimisen aihe voisi olla myös kanta-asiakasjärjestelmän vaikutus; Onko kanta-asiakasjärjestelmällä merkittävä positiivinen vaikutus SOW-arvoon. Mikäli vaikutus osoittautuisi olevan olematon, olisi syytä pohtia tulisiko kanta-asiakkuuden tuomia asiakaskohtaisia etuja muuttaa.

Klassisien tilastollisien menetelmien joukosta SOW-analyysi (=ajureiden vaikutus SOW-arvoon) suoritetaan yleensä Tobit-mallin avulla. Tobit-malli vastaa luonteeltaan lineaarista regressiota, erona on kuitenkin se, että vaste-muuttuja SOW rajoitetaan välille 1-100, missä 100 tarkoittaa, että asiakas ostaa kaikki toimialakohtaiset tuotteet ja palvelut samalta yritykseltä.

 

Yhteenveto

Edellä esiteltyjen analyysien tuloksia voidaan käyttää itsenäisenäisinä liiketoiminnan toimenpiteiden ohjaamiseen ja tehostamiseen, asiakastyytyväisyyden ja yrityksen tuottavuuden kasvattamiseen. Tarvittavat tiedot analyysien suorittamiselle ovat yleensä saatavilla yrityksen tietovarannoissa, haastavin osuus on yleensä tietojen yhdistäminen eri lähteistä. Poikkeuksena yritykset, joilla on käytössään keskistetty tietovarasto tai vastaava “datapankki”.

Kirjoitelmassa mainittuja analyysien tuloksia voidaan hyödyntää asiakkaan odotetun tulevaisuuden tuottavuuden laskemisessa, CLV (eng. Customer lifetime value). Tämä onkin yleensä yhtenä motivaationa yksittäisien analyysien suorittamiselle. Jo yksittäisien analyysien tulokset ohjaavat liiketoiminnan kehittämistä, joten kaikkien analyysien muodostaminen kertarykäisyllä ei ole itsetarkoitus. Mainitut asiakaspidon analyysit eivät kuitenkaan ole riippumattomia toisistaan, järkevintä onkin yleensä aloittaa analysoiminen ensimmäisestä konkretitason kysymyksestä.


23.04.2015 / Jani Liimatta

Viime vuosina on itselläni on ollut mahdollisuus nähdä melkoinen nivaska muiden yritysten ja kehittäjien toteuttamia tietovarastoja, ETL:stä tietokantoihin. Toteutusten yleinen taso on ollut hyvin kirjavaa, samoin kuin asiakastyytyväisyyskin näihin projekteihin. Yksi suurimmista riskeistä on siinä miten kovan osaajan toimittaja pöydän toiselle puolelle tällää määrittely- ja toteutusvaiheissa.

Tietovaraston tekeminen ei ole mitään rakettitiedettä. Onnistunut projekti vaatii tekijältä siltikin harvinaisen laajaa osaamista. Tarvitaan mm

  • Asiakkaan prosessien ja liiketoiminnan laajaa ymmärrystä
  • Osaamista lähdejärjestelmistä, niiden toiminnoista ja tietokantarakenteista
  • Mallinnusosaamista tietovaraston osalta – jotta se palvelee mahdollisimman hyvin raportointi yms. tarpeita.
  • Tietokantojen mallinnus niiltä osin mitä se vaikuttaa suorituskykyyn ja latausnopeuksiin
  • ETL-välineen teknistä osaamista ja ymmärrystä
  • Vahvaa tietokantaosaamista suorituskyvyn ja teknisen toteutuksen osalta

Kolmeen ensimmäiseen kohtaan eivät auta tekniset työvälineet – tai koulutuskaan välttämättä. Näissä osaaminen tulee aika pitkälti kokemuksen kautta. Auttaa paljon jos tekijä on tehnyt elämässään jotain muutakin kuin kirjoittanut koodia. Kannattaa perehtyä tekijän referensseihin huolella.

tx2014Kokemusteni mukaan tekijöillä on suuria puutteita myös teknisessä osaamisessa. Nämä riskit ovat osittain taklattavissa teknisillä apuvälineillä. TimeXtender automatisoi tekniset asiat ja suorittaa sen aina parhaiden käytäntöjen mukaisesti. Kehittäjän ei välttämättä tarvitsekaan osata esimerkiksi

 

  • tehdä Update/Insert-logiikkaa niin että se on latausajoiltaan mahdollisimman nopea
  • Osata käyttää ETL-välineen oikeita palikoita oikeissa paikoissa. Sekin näyttäisi olevan monelle perustekijälle hämmästyttävän vaikeaa. On helppoa syyttää suorituskykyongelmista liian kevyttä rautaa tai työkalun ongelmia.
  • Osata indeksoida tietokantaa – ja nimetä indeksejä oikeaoppisesti. Luoda suurten tapahtumataulujen partitioinnit
  • Luoda mahdollisimman tehokkaasti toimivaa hitaasti muuttuva-dimensio-rakennetta
  • jne

Entä virhealttius? Jokainen tietovarastoprojekti on erilainen, jopa silloinkin kun kahdella asiakkaalla on sama lähdejärjestelmä ja asiakkaat toimivat samalla toimialalla. Raportointitarpeet ovat siltikin uniikkeja. Tämä johtaa siihen että myös tietovarastot ja niihin liittyvä logiikka ovat uniikkeja. Jos automaatio hoitaa logiikan rakennuksen, eikö silloin tule väkisinkin vähemmän virheitä ja testaustarvekin on pienempi?

Kolmas riski liittyy projektin sisältöön. Jos määrittely on massiivinen, logiikka kompleksinen ja työmäärät valtavia – voi käydä niin että projektin valmistuessa liiketoiminnan vaatimukset ovat jotain ihan muuta kuin mitä määrittelyissä todettiin. Tätä voi osin taklata agileilla menetelmillä. Vielä paremmin taklaus onnistuu jos avuksi otetaan jotain kättä pidempää jolla projektin läpimenoajat saadaan järkevälle tasolle.

Lue lisää TimeXtender-tuotteesta: www.timextender.com tai varaa oma demoaika 040-777 1142,

tai tule paikalle katsomaan demo TDWI-tapahtumaan 28.5.


13.04.2015 / Ilya Belomutov

What makes an IoT professional? Passion. Drive. Expertise. A sense of purpose. Creativity. The latter is in high demand that is driven by the need to explore the added value proposed by the contemporary technology. Expert knowledge shall span software, hardware, users and business acumen. A good sense of business purpose is a must to enable an Internet of Things initiative to drive corporate profitability. All in all, a multi-faceted person an IoT professional is expected to be, isn’t he?

The recent report by the Application Developers Alliance quoted J. Bond – not the famous MI6 agent, but relayr co-founder and chief product officer – Jackson Bond said: “We found the hardware guys are happy building devices and connecting into the cloud, but the software guys were having a harder time. They did not understand the hardware. Even though 30 to 40 percent had heard about IoT and 60-70 percent had already pushed for it in their projects, they were failing because it was difficult to get the programming connected to the bare metal.” So, does it mean that IoT professionals naturally come from the production floors, labs and industrial engineering? Well, the fact that the issue is being raised in software developer communities points to the shift of the original trend. There are good reasons for that. The interconnected world – be that a plant, a fleet of vehicles, a multitude of consumer things or the industrial internet on a wide scale – requires pervasive involvement of a variety of competencies.

Hence, national IoT projects, like the IoT Project of Finland, emerge. And the present count of the Internet of Things Meetups has reached 486 user groups with 141,160 members in 49 countries. This results in an enormous work of thought, both at academia and in business, and facilitates relevant research and creative approaches to solving existing business problems.

To drive the success rate of the IoT projects, what should be considered by the IoT professionals? As much as the possessed competency matters, cooperation across various interest groups is what might help an undertaking to result in a tangible result. The businesses desperately look for value and performance improvements. Creativity assumes fall of mind borders. And professionalism suggests a goal focus. Altogether, it ain’t rocket science and is a matter of intelligently applying the exiting skills to the evolving industrial contexts.

For instance, at Bilot we are the IoT professionals. We manage to complement our portfolio with experience of working with sensors and other ‘bare metal’, we partner with hardware vendors and expand on our core competency of business intelligence and analytics. As a sneak peek into our solutions, here is an example that might seem simple from the first sight, yet involves an amazingly large number of elements and implies the Internet of Things subject matter comprehension.

Interested? Stay tuned to Bilot events.

IoT Demo Architecture
IoT Demo Architecture

9.04.2015 / Jani Liimatta

Tietovarastojen tekeminen on kokemassa suurta murrosta. Meidän lisäksi pari muutakin kilpailijaa kotimaassa on puuhastelemassa automatisointituotteiden parissa. Louhia on valinnut tuotteekseen yhden maailman markkinajohtajista, tanskalaisen TimeXtenderin. TimeXtender toimii täysin Microsoftin BI-stack:in päällä.

Miten tuo otsikossa mainittu 80% ajansäästö on mahdollista? Olen itse asiassa hyvin vakuuttunut tästä. Ajan säästö koostuu mm.

  • Automaattisesta tietokantaskeemojen ylläpidosta (kehittäjä ei enää lisää sarakkeita, indeksejä, näkymiä jne tietokantaan)
  • SQL:n määrän radikaalista vähenemisestä
  • Pienemmästä virhemäärästä (mm. partitioinnit, hitaasti muuttuvat dimensiot, inkrementaaliset lataukset kun hoituvat tavallaan itsestään, aina samalla tavalla)
  • Pienemmästä aivotyöstä (aikaa kuluu vähemmän ratkaisujen pohdiskelemiseen)
  • Tietovaraston ylläpito voidaan hoitaa asiakkaan pääkäyttäjän toimesta (vaikka nyt uuden sarakkeen tuonti lähdejärjestelmästä kuutioon/Qlik:iin/raporteille asti)

Toki – jos lähdejärjestelmä on kovin monimutkainen, tarvittavat laskennat ja datan muokkaukset hyvin vaativia, datan laatu huttua, ei tuo 80% toteudu. Kaikkea ei kuitenkaan voi automatisoida.

Tietovarastohankkeessa kuitenkaan ei pidä ajatella pelkän yksittäisen projektin kustannusta. On ajateltava myös koko hankkeen elinkaarta. Esimerkiksi – jos haluat valmiista tietovarastosta raportille uuden puuttuvan sarakkeen, tapahtuu perinteisessä ympäristössä seuraavia steppejä:

  1. Ota yhteyttä toimittajaan. Määrittele lähdejärjestelmän sarake ja kuvaa mihin se pitäisi raportilla/tietovarastossa saada
  2. Odota toimittajan resurssin toimenpiteitä. Tässä voi mennä aikaa 1-15 päivää
  3. Toimittaja tekee seuraavaa stagen osalta: muokkaa lähde-SQL:ää, lisää stage-kantaan sarakkeen, muuttaa ETL-latausta, suorittaa latauksen
  4. Toimittaja tekee seuraavat toimenpiteet tietovaraston osalta: muokkaa lähde-SQL:ää, lisää kantaan tai metamalliin sarakkeen, päivittää tietokannan, ajaa ETL:n
  5. Toimittaja päivittää dokumentaatiota, jos päivittää. Tässä vaiheessa ollaan vasta kehitysympäristössä.

Tässä menee yleensä kalenteriaikaa 3…15 päivää. Suuren toimittajan laskutus tästä ilosta voi olla 2 htp sisältäen muutokset testiympäristössä, testaukset, viennit tuotantoon. ISTU JA PALA! YHDEN SARAKKEEN LISÄÄMINEN RAPORTILLE!

TimeXtenderillä homma hoituu seuraavasti:

  1. Avaa työkalu
  2. Klikkaa lähdejärjestelmän saraketta, prosessoi (tietokantaan lisätään sarake automaattisesti, ETL päivitetään automaattisesti)
  3. Klikkaa stagella oleva data mukaan tietovarastotauluun. Prosessoi (tässäkin kaikki tapahtuu automaattisesti taustalla)
  4. Dokumentaatio on automaattisesti ajan tasalla

Asiakas pystyy pienellä opastuksella tekemään tämän itse. Aikaa tähän kuluu latausten lisäksi ehkä 15 minuuttia. Toimittaja ei lähetä laskua. Näin tämän homman pitääkin mennä. Pysy kuulolla, tästä aiheesta kirjoittelemme lähiaikoina lisää.

Tule katsomaan miten homma tehdään 28.4. PASS-tapahtumaan

Jos et ehtinyt PASS-tapahtumaan, varaa oma demoaika 040-777 1142 tai tule paikalle TDWI-tapahtumaan 28.5.

Lue lisää TimeXtenderistä: www.timextender.com


8.04.2015 / Kristiina Burtsoff

Kysymys, jota yksikään henkilöstöjohtaja tai –päällikkö ei tahdo kuulla, on: “Mikä on meidän headcount?” Kylmä hiki nousee välittömästi otsalle. Tarkoitatko nuppiluku tänään vai sinä päivänä kun saan tuon tiedon selville? Kuinka tarkan tiedon oikeastaan tarvitset…?

Meilläkin on käytössä HR-tietojärjestelmä, halpa ja kotimainen. Järjestelmä on kevyt ja helposti muokattava, sillä se meille myytiinkin, ja sitä se totisesti on. Valmiita prosesseja tai syöttölomakkeita ei ole. Kun haluat perustaa uuden työntekijän, tehtailet tietoja lukuisille lomakkeille, syötät samoja päivämääriä sinne ja tänne ja toivot, että kaikki tuli tehtyä oikein. Myöhemmin huomaat, että ei tullut. Datan laatu on samaa luokkaa kuin post-it lapuilla. Ero on siinä, että laput eivät enää lentele ympäriinsä.

HR tekee hämmästyttävän monessa yrityksessä työtään surkeilla työvälineillä. Syy ei ole yksinomaan päätöksentekijöissä, jotka eivät investoi HR:n työvälineisiin, vaan myös HR:ssä, joka tahtoo muuttaa prosessejaan vähän väliä ja vaatii järjestelmiltään muokattavuutta halvalla. Kehittäminen on HR-ihmisten mukavuusaluetta. Operatiivinen tehokkuus ei ole.

Bilotilla on kehitetty SmartMDMTM tuote, joka helpottaa master datan hallintaa ja takaa laadun. Tehokkuus HR:ssä syntyy nimenomaan leaneistä prosesseista ja työn laadusta. Henkilöstötietojärjestelmä on täynnä perustietoja, joita ylläpidetään, koska työsopimus-, vuosiloma- , yhteistoiminta- ja muutama muu laki niin vaatii. Palkanlaskenta käyttää HR:n tietoja, jotka pitää olla täsmällisen oikeat joka hetki. Käytännössä HR:n aikaa tuhrautuu suhteettoman paljon selvittelyyn, korjaamiseen ja viestintään, kun järjestelmät eivät tue operatiivisia prosesseja, strategisista puhumattakaan. Tällainen leväperäisyys ei olisi mahdollista taloushallinnossa, mutta siellä tietojärjestelmätkään eivät ole täynnä porsaanreikiä.

Paljon puhutaan henkilöstötiedon analytiikasta. Niin kauan kuin headcount on epäselvä, korkeamman tason analytiikka on lähinnä huono vitsi. Aidosti ketterä ja strateginen HR on analyyttinen, ennustava ja kykenee tuottamaan tietoa päätöksenteon tueksi. Jos kuitenkin perusasiat ovat edelleen sillä tasolla millä ne useimmissa organisaatioissa ovat, meillä ei tule olemaan helppoa tulevaisuudessa. Meille tullaan esittämään paljon vaikeampiakin kysymyksiä kuin headcount, joten nyt olisi korkea aika alkaa valmistautua.

Jos haluat tutustua SmartMDMTM:ään, lue asiantuntijoidemme blogit aiheesta:

http://www.bilot.fi/materdatan-hallinnasta-helpompaa-hauskempaa-ja-tuottavampaa/

http://www.bilot.fi/onko-master-datan-yllapitaminen-pelkkaa-tuskaa-ja-tehotonta/


6.04.2015 / Ville Niemijärvi

Berliini on mahtava kaupunki. Vaikea selittää, pitää kokea itse. Ruoka, kulttuuri, historia, rento fiilis ja halvat hinnat. Manhattan on kuulemma kallis, mutta en ole käynyt. Aloinkin suunnittelemaan New Yorkin matkaa.

Nämä matka-ajatukset tulivat mieleen kun kuuntelin Leonard Cohenin läpimurtolevyä I’m your man, josta myös otsikon kappale on.

“They sentence me to 20 years of boredom. For trying to change the system within”.

Aikaa sitten meillä aloitti uusi työntekijä. Hän ei ollut koskaan ollut töissä pienessä nyrkkipajassa, jota alle 10 hengen putiikkiamme voisi myös kutsua.

Miten työskentely sitten eroaa pienen ja ison välillä? Leonard Cohen tiivistää sen aika hyvin.

Tylsyys.

Suuruuden ekonomia aiheuttaa väkisin tylsyyden. Iso laiva kääntyy hitaasti ja muuta sellaista.

Kunnianhimo on toinen. Kun esi-isät ovat jo valloittaneet maailman, ei ole paljoa muuta tehtävää kuin käydä siilipuolustukseen ja odottaa milloin tulee noutaja. Ja aina se tulee.

Pienessä putiikissa ei ole koskaan tylsää koska et voi pysähtyä. Tämä on jatkuvaa uimista eikä kukaan ole vieressä noukkimassa veneen kyytiin. Itsetunto pitää olla kuin siinä vanhassa vitsissä muurahaisella, joka ui selkää Thames-jokea vehje ojossa, lähestyessään Lontoota huutaa ”Sillat auki tai kohta kolisee!”

Tarkoittaako tämä kaikki, että olemme menossa kansainvälisille vesille? Ehkä, tai sitten selän välilevyn pullistumaan saadut tropit tehoavat vain todella, todella hyvin.


1.04.2015 / Ville Niemijärvi

Louhia on mukana vielä salaisessa big data IoT –hankkeessa, jossa yhdistetään vähittäiskauppojen asiakkaiden kuittidataa ja samojen asiakkaiden vakuutustietoja.

Terveysasiantuntijoiden mukaan korkea alkoholin kulutus korreloi selvästi heikomman terveydentilan ja ennenaikaisen eläköitymisen kanssa. Onkin epäreilua, että terveiden elämäntapojen noudattajat joutuvat maksamaan samansuuruisia vakuutusmaksuja kuin holtittomimmin elävät.

Nyt Louhian älykkäillä super-algoritmeilla segmentoidaan lähikaupan kuluttajat ja luokitellaan kaikki suomalaiset sen perusteella miten terveellisesti he elävät, perustuen heidän ostoskoreihinsa.

Oluen, tupakan, makkaran ja mellukoiden suurkuluttajat tulevat jatkossa saamaan korkeamman vakuutusmaksun kun taas salaatin ja luomuruuan pupertajat selviävät vähemmällä. Henkivakuutusta on turha hakea jos ostoskoriin eksyy einestä ja olvia.

 

Asuntolainaa on turha hakea jos elämäntavat eivät vakuuta

Paremman asiakaskokemuksen varjolla ja vapaakauppasopimuksen turvin olemme yhdistämässä myös kuluttajien luottotietoja ostotottumuksiin. 20 vuoden asuntolainaa, kulutusluotosta puhumattakaan on turha haaveilla, jos mittarit näyttävät että elinaikaa on korkeintaan kymmenen jäljellä.

Pankkien luottoluokittelijoilla onkin nyt aivan uudenlaiset välineet arvioida kuluttajan riskiä jättää laina maksamatta takaisin. Kulutustottumukset tullaankin huhujen mukaan ottamaan mukaan uuteen pankkisäännöstöön Basel IV:seen.

Holtiton sukupuolielämä voi nostaa lainamarginaaliasi

Voit huiputtaa mahaasi mutta lipidosi ei valehtele. Vaikka ostatkin vaimosi painostuksesta lähiruokaa ja koitat peittää alkoholiriippuvuuden ”keskieurooppalaisella” punaviinin tissuttelulla, jää holtittomat elintavat seulaamme viimeistään yksityisessä terveydenhuollossa.

Kun vielä mietit lääkärin odotushuoneessa hikikarpalo otsalle, miten paljon tippuritesti sattuukaan (paljon), on tietosi jo IoT-algoritmimme murskattavana. Väestörekisteristä tiedämme, että olet naimisissa ja ostokäyttäytyminen kertoo ilman älykästä syy-seurausalgoritmiakin, että tauti tuli Tallinnan risteilyn tuliaisena eikä vaimo ollut suinkaan mukana.

Palkintona lainamarginaalisi tulee nousemaan koska erotilanteissa on aina riski, että talo jää pankille. Mutta ei hätää, kohdennettu markkinointimme toimittaa sinulle kaupungin vapaat vuokra-asunnot suoraan kännykkääsi ennen kuin olet ehtinyt napittaa housujasi.

Katsaus konepellin alle

Koodinimellä ”Eteläranta kuuntelee”  kulkeva salainen hanke on propellipäiden märkä unelma, jolle NSA on kateellinen. Arkkitehtuuri rakentuu MungojerryDB ja Clown’dandy Noseql –tietokannoille ja data tallennetaan .jay-z formaatissa, yhdistelmä joka tuo äärettömän skaalautuvuuden ja mahdollistaa ennen kaikkea knoppailun nörttipalstoilla.

Ykstyisyyden suoja on… huomioitu.

Keskittäminen kannattaa aina.