25.01.2015 / Ville Niemijärvi


No niin, aion kertoa teille valituille siis ensimmäisenä maailmassa, uraa-uurtavasta prediktiivisen analytiikan menetelmästä, jolla voitte tahkoa miljoonia massia, pysäyttää ISIS, toteuttaa Sote-uudistus, päteä pomolle ja saattaapa teille lykästää tämän ansiosta kotonakin. Joten aloitetaan. Menetelmän pointtina on siis…

– Anteeksi keskeytys, mutta minulla olisi kysymys.

Joo, antakaa tulla vain.

– Mikä on paras analytiikkasofta? Onks SAS kova vai mitä? Kiinnostaisi tosi kovasti! 

Meillä on käytössä menetelmiä, joilla voimme oikeasti tehdä rahaa. Nostaa myyntiä, pienentää kustannuksia, ehkäistä kalliiden koneiden hajoaminen ennakkoon, ehkä jopa ehkäistä sairauksia, pelastaa ihmishenkiä, parantaa vähintäänkin asiakaspalvelua.

Silti löytyy kavereita, jota kiinnostaa vain softa. Kun keskustelemme prediktiivisestä analytiikasta, löytyy aina ihmisiä, joita ei kiinnosta hyödyt, sovelluskohteet, menetelmät, keinot, kustannukset. Ainoastaan mikä softa on paras.

Analytiikassa tuotteen merkitys on pieni

Olen monasti paasannut siitä, miten perinteisessä raportoinnissa (business intelligence) on oikeastaan aivan sama minkä tuotteen valitset. Kaikki pystyy tekemään kaiken.

Analytiikassa tämä on vielä selvempi asia. Analytiikassa tuotetta tärkeämpää on mitä mallinnusmenetelmää tai algoritmia käyttää mihinkin ongelmaan. Tuotteella ei ole tällöin merkitystä. Logistiset regressiot, päätöspuut, ARIMAXit ja satunnaiset metsät löytyy jotakuinkin kaikista.

Menetelmääkin tärkeämpää on päästä käsiksi oikeaan lähdedataan ja pystyä muokkaamaan sitä. Rikastamaan sitä, summaamaan, siivoamaan, korjaamaan. Sillä et koskaan saa täydellistä dataa. Tietovarastoinnista tuttu ETL-softa ja SQL-taidot ovatkin usein tärkeämmässä asemassa kuin analytiikkasofta.

Datan muokkaamistakin tärkeämpää on ymmärtää alkuperäinen liiketoimintaongelma. Ymmärtää liiketoiminnan lainalaisuudet. Liiketoiminnan ymmärtäminen on välttämätöntä, jotta ratkaistava ongelma voidaan määritellä ja jotta analyysin tuloksia voidaan tulkita ja soveltaa käytäntöön.

Liiketoiminnan ymmärrystä vielä tärkeämpää on saada valmiit tulokset tuotantoon. Sillä analyysi ilman tuotantoon vientiä on ajan ja rahan hukkaa. Tämä on vaikein kohta missä tahansa analytiikkahankkeessa. Tehdä analyysin tuloksilla rahaa. Pelastaa ne ihmishenget.

Kyse ei ole siitä, etteikö näin voisi tehdä. Useimmiten kyse on siitä, että analytiikkaprosessia ei ole määritelty loppuun asti. On tilattu pistemäinen ratkaisu. Tai yrityksen johtaminen ei ole kypsä vielä tiedolla johtamiselle.

Siinä tulikin käytyä analytiikkaprojekteissa käyttämämme standardoitu CRISP-DM prosessi läpi.

CRISP-DM Process

 

Huomaatko missä vaiheessa CRISP-mallia puhutaan analytiikkatuotteesta?

Ei missään.

Mallinnuksen osuus prosessissa on ehkä 5-10%. Tuotteen osuus tuosta mallinnuksesta on sitten se 5-10%. Eli tuotteella on häviävän pieni merkitys.

Suomesta löytyy kourallinen yrityksiä, jotka tekevät analytiikkaa siinä mittakaavassa ammattimaisesti ja liukuhihnalta, että tuotteiden ominaisuuksilla alkaa olemaan merkitystä prosessien tehokkuudessa. Tai heillä on spesifi liiketoimintaongelma, johon SAS:ilta löytyy valmis kilke ja tuhti hintalappu päälle. Muut pärjäisivät vaikka ilmaisella R:llä.

Siinä vaiheessa kun sinua kiinnostaa enemmän softat kuin tulokset, on aika pysähtyä ja miettiä mitä olet tekemässä. Haluatko saada CV:tä komistamaan uuden härpäkkeen vai haluatko tehdä oikeasti jotain merkittävää?


21.01.2015 / Ville Niemijärvi

Louhia järjestää avoimet ovet vanhalla Harmoonitehtaalla Jyväskylässä perjantaina 6.2.2015 klo 14-17. Tervetuloa!

Ohjelma:

14.00: Azure Machine Learning -esittely* (eng.). Arun Justus, Microsoft
14.30: Azure Machine Learning: Louhian analytiikkapilvi ja case asiakaspoistuma-analyysi
15-17: Vapaa tustustuminen analytiikkatuotteisiin ja -palveluihin, ständeillä ainakin:

  • Azure Machine Learning ja Microsoftin asiantuntija
  • Itsepalveluanalytiikka (self-service analytics): tule katsomaan miten QlikView:stä käsin tehdään prediktiivistä analytiikkaa kuten poistumamallinnusta tai myyntiennusteita. Propellipäitä voi kiinnostaa miten olemme integroineet Qlikin R:ään ja Azure ML:ään.
  • Asla Asuntolaskuri: miten analytiikan ja tilastotieteen avulla arvioidaan asuntojen myyntihinta. Tule arvioimaan vaikka oma kämppä. Tai käy tsekkaa palvelu täällä: www.asla.fi
  • Älykkäät suosittelualgoritmit ja hakumoottorit verkkokauppaan ja raportointiin
  • Tietovarastojen toteutuksen automatisointi metamallien avulla. Näe miten DW-toteutus tehdään 1/5 ajasta perinteiseen toteutukseen verrattuna. Odotellessa rakennamme sinulle oman DW:n.
  • Some-data osana liiketoiminnan ohjausta. Näe miten maailman suurin suomenkielinen sosiaalisen median tietokanta integroidaan osaksi liiketoiminnan ohjausta ja normaalia business intelligenceä nappia painamalla. Haemme myyntitoteuman rinnalle minkä tahansa tuotteen tai brändin lähes kaikki maailman some-keskustelut ja maininnat sekunneissa.

Voit myös keskustella vapaasti louhialaisten kanssa, ihailla Smegiä, hodarikonettamme ja kysellä vaikka veikkausvinkkejä ammattilaisilta. Tilaisuuteen on vapaapääsy. Mukavaa jos kuitenkin ilmoittaudut (ville.niemijarvi@louhia.fi) niin tiedämme hankkia sinullekin Bollingeria. Tervetuloa!

*Introduction to Microsoft Azure Machine Learning and Use Cases (20-30 minutes)

Abstract: Microsoft’s vision with Azure Machine Learning is to make machine learning accessible to every enterprise, data scientist, developer, information worker, consumer, and device anywhere in the world. Customers and partners can now offer premium SaaS applications that leverage the Azure Machine Learning platform.

This is achieved through the following offerings within Azure Machine Learning:

  • Machine Learning Studio: an easy to use browser-based solution for rapid building and experimenting with predictive models.
  • Machine Learning Algorithms – best in class Algorithms and models enhanced by Microsoft research for internal projects
  • Machine Learning Operationalization: a cloud service that can host a massive selection of intelligent web services, automatically scaling. You can put any machine learning model into production by a single click.
  • Azure Machine Learning Marketplace: a marketplace/appstore for intelligent web services where an external customer can come and consume web service applications that are relevant to their business.

This session will introduce Azure ML as a product and focus on its features, functionalities and typical use cases.


14.01.2015 / Ville Niemijärvi

Kirjoitus on osa juttusarjaa, jossa käsittelemme tiedolla johtamisen ja analytiikan levittämistä organisaatiossa. Näemme tämän ensisijaisesti kulttuurisena murroksena ja organisaation maturiteetin kasvuna. Esipuhe nähtiin kirjoituksessa: Krapula-aamun päätös ei kestä pitkään.

Hei me palkataan!

Yritys oli päättänyt jokin aika sitten siirtyä tekemään analytiikkaa. Iso Pomo oli kuullut seminaarissa, että näin on hyvä. Firma palkkasi pari analyytikkoa, kaksi oikein pätevää tilastotieteilijää.

Yritys on iso, tunnettu, kuuluisa. Resursseja siis riittää. Tilastotieteilijät puhkuivat intoa kun he aloittivat työnsä.

Kunnes huomasivat, että heidän analytiikkatyövälineensä oli Excel. Eihän sillä ihmeitä vielä tehdä. No ei hätää. Noheva analyytikko latasi itselleen ilmaisen R-ohjelmiston, tilastotieteilijöiden de facto –sovelluksen. Jo alkoi numerot murskautumaan.

Mutta kun ei ollut mitä murskata. Kukaan ei osannut tilata mitään. Johdolla kun ei ollut tietoa mitä kaikkea tällä uudella osaamisella voisi tehdä, mitä pitäisi tehdä. Ei ollut visiota.

Eikä analyytikot itse tunteneet liiketoimintaa niin hyvin, että voisivat keksiä analysoitavaa toisten puolesta. Narulla on vaikea työntää.

Lapioi vaikka tuota dataa tuosta tuonne

Ajan myötä analyytikot saivat tehtäviä eteensä. Ne tehtiin aina säntillisesti ja täsmällisesti. Heidän harmikseen juuri mikään tuotoksista ei päätynyt tuotantoon. Kaikki analyysit katosivat johdon maileihin ja työpöytien laatikoihin.

Ja miten tuotantoonsiirto olisi voinut tapahtua kun sille ei ollut mitään prosessia. Ei ollut tietovarastoa tai raportointijärjestelmää, jota kautta analyysit olisivat lävähteneet johdon naamalle. Tai vaikka olisi ollut raportointijärjestelmä, ei ollut prosessia, jolla analyysien tuotokset viedään nopeasti raportointiin. Eikä välttämättä ollut oikein kunnon tarvettakaan niille analyyseille. Yrityksellä ei ollut analyyttista kulttuuria ja toimintatapaa.

Osa tilastotieteilijöistä päätyivät siirtämään dataa paikasta A paikkaan B. Toimimaan kalliina biomekaanisena releenä tehden SQL-kyselyitä ja pyöritellen exceleitä. Toivoen, että joku päästäisi kärsimyksistä.

Lopulta kävi kuten aina käy jos kunnianhimoinen ammattilainen ei koe työtään mielekkääksi. Analyytikko toisensa perään lähti.

Tarinan opetus?

Palkkaamalla yksittäisiä analyytikkoja, et voi rakentaa analyyttista työympäristöä. Se pitää olla ensiksi. Pitää olla tavoitteet, joita lähteä saavuttamaan, hyödyntäen tietoa tehokkaammin ja analyyttisemmin. Yrityksessä pitää olla halu tutkia, penkoa, etsiä ja parantaa toimintaa löydetyn perusteella. Yrityksessä pitää olla samalla uteliaisuuden sekä terveen ahneuden kulttuuri.

Vasta kun maaperä on hedelmällinen kasvaa ja kukoistaa, voi siihen istuttaa innokkaita taimia, jotka puhkeavat kukkaan innostuneisuuden ilmapiirissä, jota ruokitaan oikeilla työvälineillä ja riittävillä resursseilla.

Toinen juttu onkin sitten se kun on oikeasti aika palkata se analyytikko. Minkälaista osaamisprofiilia tarvitset, saadaksesi parhaan tuloksen? Voin paljastaa, että Louhian kellareissa on tehty pitkään ihmiskokeita, joissa on yritetty risteyttää tilastotieteilijä, tietokanta-guru, kauppalopo ja insinööri. Noiden kokeiden tuloksista lisää myöhemmin.


8.01.2015 / Ville Niemijärvi

Mitä tapahtuu liiketoiminta-analytiikan, tietovarastoinnin ja raportoinnin saralla vuonna 2015? Heitetään villi arvaus, jossa on taustalla vähän faktaa, paljon markkinatuntemusta ja ripaus markkinointiakin.

Ennakoiva-analytiikka: tasaista kasvua sitä myöten kun hyödyt kirkastuvat

Ennakoiva analytiikka, tarkoittaen tilastollisen mallintamisen ja algoritmien hyödyntämistä esimerkiksi liiketoimintatiedon ennustamisessa tai syy-seuraussuhteiden etsimisessä, ei ole vielä lyönyt isosti itseään läpi Suomessa. Maturiteetti ei ole ollut riittävän korkealla ja vuonna 2014 nähtiin lähinnä ”early adaptors” tyyppisten toimijoiden aktivoitumista.

Uusien projektien määrä tuplaantui kuitenkin vuodesta 2013, alalla on nähty paljon rekrytointeja ja headhunterit ovat soitelleet allekirjoittaneellekin yllättävistä yrityksistä. Toisin sanoen DW/BI-alan ulkopuolellakin toimivat yritykset ovat alkaneet rakentaa analytiikkaosaamistaan. Positiivista pöhinää on siis ollut ja tämä tulee konkretisoitumaan vuonna 2015.

Kasvu analytiikan osalta tulee olemaan DW/BI-alaan verrattuna selvästi suurempaa  mutta silti mitään rakettimaista nousua ei nähdä, puhutaan kaksinumeroista kasvuluvuista. Itse näen, että täsmällisiin liiketoimintaongelmiin kohdistetut tuotteet, kuten asiakaspoistumamallinnus tai ristiinmyynti, ovat ratkaisuja, joilla analytiikan hyödyt konkretisoidaan asiakkaille ja tehdään ostaminen myös helpoksi.

Teknologia edellä ei ala lyö itseään läpi ja pelkkää analytiikkakonsultointia tai softaa tarjoavat yritykset tulevat lyömään (edelleen) kirveensä kiveen.

Yllättävää kyllä, julkisen sektorin hankkeita oli meillä useampia ja voisi sanoakin, että monessa mielessä julkisen puolen toimijoilla on sekä visiot että käytännön toimet analytiikan hyödyntämisessä paljon pidemmällä kuin yksityisellä puolella.

Mielenkiintoista on myös se, että kaikki julkisen sektorin analytiikkahankkeet joissa olemme olleet mukana, näkevät ykkösprioriteettina ja analytiikan tärkeimpänä hyötynä paremman asiakaspalvelun sekä resurssien paremman kohdistamisen. Ylipäätään terminä asiakas + palvelu ovat nousseet keskiöön monessa julkishallinnon organisaatiossa. Mistä tämä kertoo? En tiedä mutta toivoisin saman näkyvän yksityisellä puolella koska siellä varsinkin asiakas on se joka sen palkan viime kädessä maksaa.

Self-service analytics – Analytiikkaa itsepalveluna

Louhian vuonna 2014 lanseeraama käsite, joka tarkoittaa ennakoivan analytiikan menetelmien ja työvälineiden tuomista lähemmäksi liiketoiminnan käyttäjää. Käytännössä tämä tarkoittaa analytiikka-algoritmien käskyttämistä esimerkiksi raportointityövälineen kuten QlikView:n kautta tai CRM:stä käsin. Näin liiketoiminnan asiantuntija voi tehdä itse ad hoc analyysejä ilman tilastotieteen osaamista ja raskaita ohjelmistoasennuksia.

Louhia_Azure_QlikView
Louhia self-service analytics – QlikView & Azure Machine learning

 

Uskomme, että itsepalveluanalytiikka tulee olemaan tuotteistuksen rinnalla yksi merkittävä tekijä joka helpottaa analytiikan käyttöönottoa vuonna 2015. Tästä kuulette lisää vielä tammikuussa.

Alla pari kuvaa itsepalveluanalytiikasta, jossa QlikView:llä kutsutaan saumattomasti joko R:ää tai Azure Machine Learningissä sijaitsevia algoritmeja. N. 100 000 tuotteelle tehdyn 12kk aikasarjaennusteen mallintaminen R:llä tai Azurella ja tulosten visualisointi takaisin Qlikiin kestää n. 2 sekuntia. 10 000 asiakkaalle tehty asiakaspoistumamallinnus ja tulosten vienti call centerille vie n. 15 sekuntia.

Ja tässä ei siis vain ajeta uutta dataa ennalta tehdyn mallin läpi vaan tehdään konepellin alla älykkäiden algoritmien avulla datan muokkaus, siivous, mallinnus, eri mallien tarkkuuden vertailu, parhaimman valinta, siirto takaisin QlikViewiin ja tulosten visualisointi. Vertailukohtana voi pitää 2-3kk projektia, vaatien etl-tekijän, data scientistin ja raporttiexpertin, joilla olen nähnyt päästävän samaan tulokseen. Okei, me tehdään se 2-3 viikossa mutta nyt tämä saatiin puristettua 15 sekuntiin ja tulokset ovat tuotannossa, ei tilastonikkarin koneella. Aika kova. Voitte olla siis varma, että kuulette tästä vielä.

Louhia Self-service analytics Time Series
Louhia Self-service analytics Time Series with QlikView

 

Louhia Self-service analytics Churn and retention analysis
Louhia Self-service analytics Churn modeling with QlikView
Pilvee, pilvee

Juice lauloi poliiseista, jotka tahtoivat vain pilvee. Nyt sitä on tarjolla myös tietovarastoinnissa kuten myös analytiikassa mutta se ei näytä vielä kelpaavan markkinoille. Erilaisia kokeiluja on tehty vuoden 2014 aikana mutta suuri yleisö on pitäytynyt on site-palveluissa eli softat omilla palvelimilla. Nyt tehdyt pilvikokeilut ovat lähinnä teini-iän ensimmäisiä pössöttelyjä. Todella isot lastit ja kunnon kama antavat odotuttaa itseään rajan takana.

Vuonna 2014 pilveen on mennyt CRM:t (esim. Salesforce), tuntikirjanpidot (mainio Harvest), projektihallinta (mainio Basecamp) ja sähköpostit ja toimisto-ohjelmat (Office 365). BI menee sinne kyllä kuten ERP:itkin aikanaan mutta ei vielä isosti vuonna 2015. Siirto tehdään pikkuhiljaa ja jokin tietty osa-alue kerrallaan (esim. raskaan lokidatan käsittely ja analysointi).

BI-softapuolella pilvipalvelua tarjoavat ainakin Tableau ja Micosoftin Power BI. Birst tarjoaa koko BI-putken pilvessä, sisältäen ETL:n, DW:n ja raportoinnin. Saattaa olla, että Birst nousee Gartnerin analyysissä leaders-kategoriaan uusimmassa katsauksessa. Uskon, että tällä alalla ensimmäisenä pilveen siirtyy käyttöliittymä eli raportointityövälineet. Vasta tämän jälkeen sinne menee datat eli tietovaraston sisältö ja etl.

Lue alkutalven katsauksemme BI-pilvipalveluista.

Analytiikan osalta oikeasti relevantteja ja mielenkiintoisia vaihtoehtoja ainakin meidän näkökulmasta ovat RapidMinerin Cloud -palvelu sekä Azure Machine Learning. Pilvialusta yhdistettynä edellä mainittuun self-service analytics -konseptiin, mahdollistaa tehokkaan suurten tietomassojen todella ketterän ja nopean analysoinnin – murto-osalla kustannuksista mitä vastaava vaatisi onsite lisenssihankintoineen.

Analytiikan pilvipalveluista ja itsepalveluanalytiikasta kuulette lisää esimerkiksi Louhian avoimissa ovissa perjantaina 6.2.2014 klo 14.00. Tästäkin lisää myöhemmin.

Big data, hadoop – Talk the talk but do ya walk the walk?

Big data ja hadoop odottavat itseään ainakin vuoteen 2016 asti. Tiedän, että alan evankelistat ovat eri mieltä.

Yhdeksi haasteeksi big data –ratkaisuiden leviämisessä näenkin juuri niitä levittävät ilon airueet. Aihepiiriä myydään puhtaasti teknologisena ratkaisuna. Sitä perustellaan sillä, että näin isot toimijat tekevät ameeriikoissa. Suomalaista syyllistetään hitaaksi hämäläiseksi ja vedotaan pelkoon jäädä jalkoihin. Osta nyt tai muuten kilpailija menee ohitse vasemmalta ja oikealta. Näillä keinoin ei liikahda kuin hölmöläiset.

Olemme tehneet muutamille isoille yrityksille big data -selvityksiä eli kartoitettaneet mikä on heidän tarpeensa esimerkiksi hadoopille. Sitä ei ole. Business casea ei ole. Datamassat ovat joko pieniä tai kohtuullisia ja data on lähinnä tai ainoastaan rakenteellista eli se sulahtaa normaaliin relaatiotietokantaan. Tähän evankelistat ja myyntimiesmynttiset vastaavat, että aina sitä voi maailmalta löytyä isoja tietomassoja strukturoimatonta tietoa – mutta entä sitten? Jos yritys ei sitä tarvitse niin se ei sitä tarvitse. Ei sitä dataa kannata väkisin lähteä maailmalta haalimaan.

Mutta hadoopille on paikkansa ja aikansa. Ja se koittaa vuonna 2016-2017 kun yritysten liiketoimintatarpeet ja maturiteetti on valmiina. Ja kun IT-talot oppivat myymään näitä ratkaisuja oikeasti asiakashyötyjen kautta eikä vain toitota samaa hypelaulua yhteen ääneen kuin känniset ääliöt.

Itse näen ketteryyden ja pienellä investoinnilla testaamisen olevan avainasemassa. Tässä Azure HD on mielenkiintoinen vaihtoehto. Käytännössä Azuren kautta yritys saa käyttöön hadoop-klusterin, jos sellaista todella tarvitsee. Oman palvelinfarmin rakentaminen konesaliin, ilman että on selvää liiketoimintatarvetta kun datamassatkaan eivät ole niin isoja, ei kuulosta hyvälle yhdistelmälle. Tähän Azuren tarjoaa nähdäkseni ketterän vaihtoehdon, kortti joka kannattaa ainakin katsoa ennen kuin laittaa luottokortin vinkumaan.

Data discovery – Qlik Sense, Tableau, PowerBI

Qlik julkaisi 2014 uuden tuotteen, Qlik Sensen. Se vie Qlikiä lähemmäksi Tableauta ja tavoittelee samaa sulavaa, helppoa käytettävyyttä. Sinänsä kumma juttu sillä lähtökohtaisesti ainakin Oracleen, Cognokseen ja Microsoftiin tottuneena QlikView itsessään edusti jo äärimmäistä helppokäyttöisyyttä.

QlikView:n suurin haaste on ollut keskitetyn metatiedonhallinnan lisäksi (vrt. Cognos Framework Manager, SAP Universe) vakioraportoinnin puuttuminen. Jos heillä olisi käytössä edes kohtuullinen raportointisofta ns. pixel-perfect vakioraportointiin ja raporttien ison mittakaavan jakeluun (sisältäen paremman portaalin ja jakelumahdollisuuden), olisi kombo aivan ylivoimainen. Siksi olinkin yllättynyt, että tuotekehitys ohjattiinkin aivan päinvastaiseen suuntaan – lähemmäksi vielä puhtaampaa self-serviceä.

Ja hei, hyvä näin. Kerrankin joku pitää päänsä, keskittyy vahvuuksiinsa eikä lähde tarjoamaan kaikille kaikkea ja tee sitä puolivillaisesti. Lue kun Yritykset ovat hukassa IBM Cognoksen kanssa. 

Cognos, SAP ja Oracle, muutamia mainitakseni, eivät vain pärjää Qlikille ja Tableaulle heidän vahvuuksilla, data discovery ja visualisointi osastolla. Microsoft yrittää kovasti ja on lähimpänä tätä poppoota.

Jos ketteryys, visuaalisuus, nopeus (=muistinvaraisuus) ja helppokäyttöisyys on valttia, käydään kamppailu Qlikin ja Tableaun välillä vuonna 2015. Tableau kiinnostaa asiakkaita mutta markkinaosuus ei tee suuria hyppäyksiä ja vaikka jenkeissä tuote onkin supersuosittu, Suomessa se jää tänäkin vuonna sivusta seuraajaksi kun Qlik vie potin.

Tietovarastointi – puheet kuolemasta ovat suuresti liioiteltuja

Tietovarastojen merkitys kasvaa entisestään tiedon määrän kasvaessa. Tiedon mallintamisen merkitys tulee kasvamaan. Hadoop, big data, pilvipalvelut, analytiikka… eivät tule poistamaan tietovaraston tarvetta vaan vahvistavat sitä. Kaikki ne tietovarastointiin liittyvät tekijät, joista tuomiopäivän pasuunat ovat väittäneet turhaksi, tulevat olemaan entistä suuremmassa roolissa jatkossa.

Näen kolmenlaista kehityskaarta tietovarastoinnissa. Kaikista näistä nähtiin merkkejä 2014 ja nämä tulevat vahvistumaan vuonna 2015.

  • Old-school DW:den modernisointi

Vuosituhannen alussa tehtiin isolla kädellä tietovarastoja ympäri härmää. Suurin osa meni pieleen. Tuolloin ala oli vielä nuorta, vauhti oli kovaa ja osaaminen ei aina riittävää, rekryjä tehtiin vähän etunojassa, annettiin junnujen oppia tehdessä virheitä. Tietovarastot tehtiin pääasiallisesti vesiputousmallilla. Joitain vuosia sitten näin tilaston, että 7/10 tietovarastoprojektista meni pieleen. Tuolloin se oli pahasti alakanttiin.

Lopputuloksena oli törkyisen kalliita EDW-viritelmiä, jotka a.) jäivät kokonaan kesken, b.) muodostuivat korttitaloksi josta ei uskalla liikauttaa pientä palastakaan koska koko homma saattaisi hajota ja ylläpito maksaa maltaita tai c.) tehtiin tukku siilomaisia ratkaisuja jotka eivät ole koskaan palvelleet kokonaiskuvan saamista ja nykypäivän tietotarpeita.

Teimme me pari hyvääkin tietovarastoa mutta sitten joku keksi, että tehdäänkin nekin uudestaan ja uudestaan

Nyt näitä rakennetaan uudestaan ja tällä kertaa ihan syystä. Osa on hylännyt DW-maailman (hetkellisesti) ja siirtyneet listani kakkososaan (QlikView viritelmät). Osa taas rakentaa modernia uuden sukupolven tietovarastoa. Modernit DW:t tehdään järjestään ketterän kehittämisen periaattein, vesiputous on passe.

Keskeistä moderneissa tietovarastoissa on siirtyminen pois siilomaisuudesta, parhaiden käytäntöjen hyödyntäminen (juniorit ovat nyt senioreita ja tietovarastojen laatu on teknisesti parempaa kuin aikanaan) ja asiakastiedon rikastaminen ja korostaminen raportoinnissa.

Tietomallinnuksessa data vault on saanut jalansijaa menetelmänä mutta edelleen konsulttitalot vielä harjoittelevat sen kanssa. Menetelmänä se on kallis. Erään sertifoituneen Data vault -mallintajan mukaan Suomesta löytyy kourallinen yrityksiä joille on järkevää tehdä tietovarasto data vaultille.  Kourallinen. Sitten on tuhat muuta. Tästä myöhemmin lisää pidemmän tarinan muodossa. Tunnen jo kuinka konsulttitaloissa korvat kuumenevat ja näppäimistöt sauhuavat. Bring it on!

  • QliKView viritelmien uudelleenrakentaminen järkevälle pohjalle (QlikView-tietovarasto hybridiratkaisu)

Ne yritykset ketkä eivät lähteneet aikoinaan isoihin tietovarastohankkeisiin mukaan ja varsinkin ne jotka lähtivät ja maksoivat kovan hinnan, innostuivat kun QlikView ilmestyi markkinoille. Nyt voitiin unohtaa kaikki se ikävä työnteko kuten tiedon mallintaminen ja keskittyä kaikkeen hauskaan kuten visualisointiin.

Ja näitä on nyt tehty sellaiset 3-5 vuotta. Ja nyt ympyrä sulkeutuu. Keskustelin viime vuonna lähes kymmenen yrityksen kanssa siitä, miten heidän QlikView on pelkkää spagettikoodia, arkkitehtuuri on hutera kuin korttitalo ja suorituskyky takkuaa. Uutta tietoa ei osata/uskalleta/pystytä lisäämään. Eli oltiin tehty liian nopeasti, liian halvalla, unohtaen olennaisen. Ja lopuksi asiakkailta tulee se kysymys: voitaisiinko tehdä tämä kaikki uudestaan mutta nyt tietovaraston kanssa? Niin kuin olisi pitänyt tehdä alunperin.

Voit lukea lisää QlikView:n sudenkuopista, Usain Bolt Jukolan viestissä, QlikView ilman tietovarastoa ja Mä haluun sen kaiken.

  • Lähdetään tyhjältä pöydältä

Edelleen löytyy yrityksiä, joilla ei ole varsinaista tietovarastoa tai QlikView-tyyppistä ratkaisua. Ja silti ne porskuttavat mainiosti, kannattavuus on mainiolla tasolla ja liikevaihto kasvaa markkinaosuuden lomassa.

Ja en puhu nyt pienistä nyrkkipajoista vaan keskisuurista ja julkishallinnon puolella erittäin suurista toimijoista. Eli miljoonan kaataminen tietovarastoon tai toinen raportointiin, big sitäjatätähypeen, ei tarkoita että maailma muuttuisi auvoiseksi.

Joka tapauksessa tänä vuonna olemme mukana ainakin kahdessa tai kolmessa miljoonaluokan tietovarastohankkeessa ja kourallisessa pienemmissä. Töitä tällä “perinteisellä” puolella riittää siis vuosiksi eteenpäin.

Yhtenä trendinä tietovarastoinnissa näen tuotteistuksen ja etl-prosessien automatisoinnin. DW:n rakentamisessa on paljon usein toistuvia manuaalisia työvaiheita, jotka voidaan automatisoida, nopeuttaa kehitystyötä ja säästää kustannuksia.

Isojen megaluokan hankkeiden lisäksi on paljon pieniä pk-sektorin yrityksiä, jotka haluavat parantaa raportointia ja tiedolla johtamista. Haasteena on, että jo 20 000€ investointi on heille liian suuri. Pienenkin tietovaraston rakentaminen maksaa tuon 20 000€, siihen päälle  lisenssikustannukset, palvelimet, ylläpito. Miten rakentaa siis parilla kympillä eheä raportointiympäristö? Ja onko siitä todella niin paljon liiketoimintahyötyjä vai pärjäisikö yritys pelkällä ERP:in raportoinnilla ja Excelillä? Näitä haasteita tulemme käsittelemään myös vuonna 2015 ja tähän BI-pilvipalvelut ovat etenkin kustannustehokas ja varteenotettava vaihtoehto.

Muistinvaraiset tietokannat, muistinvaraiset ERP:it

Tarvitaanko tietovarastoa kun ERP on muistinvarainen? Miksi ei kysellä suoraan ERP:in tietokannasta, vaikkapa SAP HANA:sta? Tai jos DW laitetaan muistinvaraiseen kantaan (Esim. IBM DB2 BLU, SQL Server 2014, Netezza…), voidaanko unohtaa olap-kuutiot? Voisiko joku teknologinen ratkaisu tehdä kaiken työn tarpeettomaksi ja minä voisin keskittyä surffaamiseen?

Lyhyt vastaus: muistinvaraisuus ei ole hopealuoti. Se, kuten mikään yksittäinen teknologinen innovaatio, ei ratkaise haasteita mitä liittyy tiedolla johtamiseen ja raportointiin. Tiedon laatu ei parane, tieto ei yllättäen ole yhteneväisessä muodossa. Et voi hylätä kunnollista arkkitehtuuria, tietomallintamista, vaatimusmäärittelyä, et voi hylätä tietovarastoa.

Et voi, tai sinun ei kannata, välttämättä hylätä edes OLAP-kuutioita vaikka koko tietovarasto olisi muistissa. Olap-kuutio ei ole vain suorituskykyä. Se on myös tietomalli, tapa järjestää tieto liiketoiminnan, raportoinnin ja johtamisen kannalta järkevään muotoon. Sinne on määritelty valmiit porautumiset (drill down/up), data summaamiset ja muut aggregoinnit, laskettu valmiiksi aikaan liittyviä lukuarvoja (YTD, MTD, QTD, vertailut edelliseen vuoteen)…

Jos sinulla ei ole OLAP-kuutiota, joudut joka kerta raporttia tehdessä miettimään nämä asiat uudestaan. Sillä et voi tehdä niitä tietovarastoosi. Etkä varsinkaan ERP:iisi.

Muistinvaraisuus tuo helpotusta. Esimerkiksi jonkun yksittäisen jättimäisen taulun, johon kohdistuu paljon kyselyitä, vieminen muistiin, voi helpottaa suunnattomasti raportointia. Muistinvarainen teknologia tulee helpottamaan raportointia, se mahdollistaa myös oikopolkujen käyttämisen. Mutta samalla se tuo lisävaatimuksia fiksuun arkkitehtuurisuunnitteluun: ennen toteutusta pitää miettiä mitä toteutetaan tietokannassa ja mitä kuutioissa/metamalleissa/raporteilla.

Mistä on hyvä tulevaisuus tehty?

Uudet innovaatiot tuovat kuitenkin helpotuksia. Pieninä erinä annosteltuna, kun ne suunnitellaan fiksusti, ketterästi käyttöönottaen, yhdistäen vähän vanhaa, vähän uuttaa ja paljon uudenlaista tekemisen meininkiä.

Toistan vielä: avainasemassa on pienellä riskillä ja investoinnilla mutta ketterästi ja rohkeasti toteutetut kokeilut. Kokeilut, jotka testataan asiakkailla (=loppukäyttäjillä) ja päätetään nopeasti edetäänkö tuotantoon vai tehdäänkö jotain muuta. Trendikkäästi start-up yrittämisen ja lean-filosofian hengessä.

Olemme olleet mukana kun pörssiyritys on tehnyt tuotekehitystä tällä tavalla ja tuupannut parissa kuukaudessa uutta tuotetta tuutista ulos. Oma missioni tulevana vuonna on tuoda tuota tekemisen meininkiä tietovarastointiin, raportointiin ja analytiikkaan.

Kaikkia tässä kirjoituksessa lueteltuja asioita pitäisi lähestyä samalla tavoin, oli se sitten hadoop, muistinvaraiset tietokannat, ennakoiva analytiikka, pilvipalvelut tai konsernitason EDW-ratkaisut. Näitä ei pidä nähdä mammuttihankintoina ja big bang -hankkeina. Ylätasolla tehdään kyllä abstrakti suunnitelma tai roadmap, joka ohjaa konkreettisen tason ketterää tekemistä, jossa yritys, erehdys ja oppiminen ovat parhaita neuvonantajia.

Mitä Louhia tekee vuonna 2015?

Ante up. Siinä kiteytettynä tulevan vuoden strategia. Lisäämme panoksia, nostamme hikeä niin itsellä kuin kilpailijoilla. Blogi tulee sisältämään vähän enemmän, vähän rohkeammin ja haastavammin kaikkea sitä mikä lukijoita kiinnostaa.

Tuomme asiakkaillemme tarjolle uusia mielenkiintoisia analytiikkatuotteita ja iskemme ne tiiviisti perinteisten business intelligence tai esimerkiksi CRM-tuotteiden kylkeen – tarjoten itsepalveluanalytiikkaa ensimmäisenä markkinoilla. Ja varmistamme, että ne tuottavat asiakkaillemme pätäkkää, tai sitten heitämme ne romukoppaan ja teemme jotain muuta.

Katsomme myös korttimme Azure Machine Learningin kanssa. Emme unohda myöskään vahvaa RapidMiner ja R osaamistamme, jota tulemme jakamaan säännöllisten analytiikkakoulutusten muodossa pitkin vuotta.

Ja siinä sivussa toteutamme muutaman maan parhaimman tietovaraston ja saatamme pari megahanketta liikkeelle.

Tuplaamme liikevaihtomme parantaen kannattavuutta. Vedämme kesällä vuosittaisen triathlonin ja ne työntekijät ketkä eivät pääse maaliin, saa palkanalennuksen. Vietämme aikaa enemmän perheen kanssa. Matkustamme.

Siinä nyt alkajaiseksi jotain pientä.


9.12.2014 / Ville Niemijärvi

Sunnuntaiaamun krapulamorkkiksessa tehty päätös muuttaa suuntaa, alkaa kuntoilemaan ja elämään terveellisesti ei kanna pitkään. Maanantaina hikoillaan viikonlopun synnit pois kuntosalilla. Tiistaina morkkiksen selkä alkaa taittumaan ja keskiviikkona suunnitellaan jo uusia koiruuksia. Silloin alkuviikolla hankittu elinikäinen kuntosalijäsenyys heitetään roskiin ja ostoskanavasta tilattu monitoimilaitteisto siirretään varastoon leipäkoneen ja thighmasterin viereen.

Elämänmuutos, kulttuurinmuutos ei tapahdu päivässä. Sitä ei voi ostaa. Se ei tapahdu käskemällä.

Tekemisen kulttuuria ja elämäntavan muutosta ei voi ostaa rahalla

Elämäntavan muutos, oli se sitten kuntoilun lisääminen tai ruoka- ja juomavalion muutos ei tule päivässä. Sitä ei voi ostaa rahalla. Sitä ei saa aikaan komentamalla.

Se lähtee omasta tahdosta, siihen edesauttaa tavoitteiden asetanta ja hyötyjen ymmärtäminen, yhteisön paine ja toki se rahakin.

Se on jokatapauksessa monen asian summa ja siinä on hiton vaikea onnistua – siten, että muutoksesta tulisi pysyvä ja kestäisi vielä keskiviikonkin yli.

Liiketoiminnan kokeilut on joskus kuin krapulapäissään tehtyjä sohaisuja

Yrityselämä ei tästä paljoa poikkea. Muutoksen aikaansaaminen ei ole helppoa, päinvastoin paljon vaikeampaa. Organisaatiokulttuuria ei voi muuttaa yksin hallitus, toimitusjohtaja tai rivijääkäri. Sitä ei voi ostaa rahalla. Sitä ei saa aikaan käskemällä. Se vaatii paljon enemmän.

Meidän erikoisalaamme on liiketoiminnan analytiikka, tiedolla johtaminen ja paremmat päätökset ja sitä kautta tuloksenteko. Vuosien varrella olemme keskustelleet kymmenien yritysten kanssa siitä, miten analyyttinen ja parempaan suoritukseen tähtäävä toimintamalli ja tekemisen meininki saataisiin ujutettua yritykseen.

Jotkut asiakkaat ovat kokeilleet joskus prediktiivistä analytiikkaa ja sanovat: Ei toiminut meillä. Oli tehty yksi yksittäinen kohdennetun markkinoinnin harjoitus. Tai yksittäinen asiakaspoistuma-analyysi. Yksittäinen asiakassegmentointi. Ja tulokset eivät olleet hyviä. Ne jäivät pöytälaatikkoon. Ajatus heitettiin romukoppaan. Propellipäiden touhuja. Jatketaan kuten ollaan aina tehty.

Yritys oli siis krapula-aamuna päättänyt, että huomenna mennään kuntosalille. Laitettiin penkkiin maltilliset kiekot, vedettiin parit sarjat ja muutama rundi kuntopyörällä. Sitten ihmeteltiin kun paino ei pudonnut, lihakset ei kasvaneet ja naisten päät ei käännyt yhtään enempää.

Jos olet ollut viimeiset 20 vuotta sohvaperuna, yksi keikka salilla ei tee vielä ihmeitä.

Et voi ostaa kulttuuria. Et voi ostaa huumorintajua. Et voi ostaa rehellisyyttä. Ja et voi ostaa uteliasta, analyyttista ajattelutapaa, joka pyrkii aina parempaan ja tehokkaampaan.

Mutta voit rakentaa sen. Se vaatii kärsivällisyyttää, systemaattisuutta. Hikeä ja toistoja.

Kilpailukykyisen, analyyttisen kulttuurin rakentaminen

Olemme nähneet vuosien varrella miten analytiikan kanssa ei kannata edetä. Miten rahaa sössitään. Miten jäädään sohvaperunaksi.

Mitä analyyttisen kulttuurin ja muutoksen rakentaminen EI vaadi:

  • elinikäistä vankeutta kuntosaliketjun kanssa = softalisenssiä tai big data –rautaa tai mitään yksittäistä teknologista ratkaisua
  • yksittäisiä kuntosalikäyntejä = pistemäisiä analyytikkojen rekryjä tai yksittäisiä sohaisuja analytiikan suuntaan. Rekryt poistuvat talosta alta aikayksikön kun huomaavat, että tekemisen kulttuuria ei ole ja omalla tekemisellä ei ole mitään merkitystä

Toisaalta olemme olleet etuoikeutettuja saadaksemme nähdä miten muutamat harvat suomalaiset edelläkävijät ovat ottaneet analyyttisen, ketterän toimintamallin omakseen ja taistelleet toimialan asettamia haasteita vastaan. Olemme saaneet toimia yritysten kanssa, joilla on ilmiömäisen analyyttinen ja suorituskykyinen organisaatio, ilman ensimmäistäkään analyytikkoa/softaa. Pyörittäen kaikkea raportointia Excelin varassa.

Mitä analyyttisen toimintakulttuurin rakentaminen sitten vaatii, muutama ajatus:

  • halu tehdä lisää rahaa. Massia, pätäkkää, hilloa. Sisäinen palo ja ulkoinen paine tehdä asioita paremmin. Voit vaihtaa rahan tilalle tietenkin minkä tahansa muun hyödykkeen: aika, terveys, hyvä mieli, asiakastyytyväisyys, parempi kunto, isommat lihakset… Mutta jos olet monopolibusineksessa ja ylimääräinen liikevaihto tai tulos ei kiinnosta, niin olet lopettanut lukemisen jo aikaa sitten.
  • ymmärrys, että tekemällä asioita oikein ja useita toistoja saadaan tuloksia. Ymmärrys, että pikavoittoja ei ole ja mömmöt on häviäjille.
  • personal trainer (=me konsultit): tarvitset sparrausapua. Tämä ei ole myyntispiikkiä. Sinulle ei ole haittaa, että joku joka on tehnyt hommia kymmenissä yrityksissä ja paininut samojen ongelmien kanssa, kertoo mitä kannattaa tehdä ja mitä ei. Se maksaa itsensä takaisin ja selkäsi ei mene rikki kyykätessä väärässä kulmassa.
  • päämäärätietoisuutta, hikeä, kyyneleitä ja toistoja. Jos et kestä tuskaa, älä lähde leikkiin.

Näiden asioiden kanssa painii tällä hetkellä niin moni yritys, että jaamme seuraavissa kirjoituksissa kokemuksiamme eri näkökulmista tämän teeman ympäriltä. Teemana on siis miten vyöryttää analyyttinen toimintamalli ja tiedolla johtamisen kulttuuri organisaation joka tasoille? Miten saada aikaan muutos organisaatiossa?

Emme väitä, että tiedämme miten se tehdään. Emme ole muutosjohtamisen ja organisaatiokulttuurin experttejä. Tiedämme kuitenkin palasia sieltä ja täältä. Ja vuosien varrella on kertynyt kokemus jos toinenkin. Ja jos ei muuta niin aloitamme toivottavasti keskustelun. Keskustelun siitä, miten isosta mullistuksesta aidossa tiedolla johtamisessa on kyse ja mitä kaikkea se voi mahdollistaa.


1.11.2014 / Ville Niemijärvi

vr logoKuningaskuluttajassa oli 30.10.2014 juttu VR:n asiakaskadosta otsikolla: Karkottiko VR:n hintauudistus matkustajia? 

VR:n matkustajamäärät ovat pahassa laskussa ja jutussa povataan, että tänä vuonna jäädään jopa puolen miljoonan tappioon verrattuna edelliseen vuoteen.

Jutussa pistää silmään VR:n hintauudistuksesta vastaavan hinnoittelupäällikkö Lassi Rönkkösen kommentti:

“Kyllä tarjouskampanjoilla saamme nykyäänkin matkustajia. Vaikea lähteä analysoimaan mikä on jonkin asian merkitys. Toisaalta niin kauan kuin meni suurin piirtein hyvin, olivat hinnoittelu-uudistuksen tulokset, sanotaan, odotusten mukaisia.”

No eihän sitä ole vaikea analysoida. Hinnoittelun vaikutuksen analysointi suhteessa myyntiin (ns. kysynnän hintajousto) on arkipäivää niin tele-, pankki-, kuljetus- kuin vähittäiskaupan asiakkaillemme. Ja se ei ole mitään rakettitiedettä eikä kuukausien projekti.

Eikä tässä täydy jäädä pelkästään hinnoittelun vaikutukseen. Analytiikan menetelmien avulla voidaan analysoida mikä on sään, juhlapyhien, kampanjoiden tai vaikka kilpailijoiden kampanjoiden vaikutus kysyntään. Eri asia on tietenkin se, haluaako merkityksen saada selville?

Tehdään Lassi niin, että soitan sinulle maanantaina ja laitetaan tämä homma raiteille.


26.10.2014 / Ville Niemijärvi

LehtimainosEräs vähittäiskaupan edustaja heitti kerran palaverissa, että kauppa mainostaa sitä tuotetta mitä on jäänyt eniten lojumaan varastoon ja josta pitää päästä eroon.

Toisin sanoen asiakkaille tarjotaan tuotetta, jota se alunperinkään ei ole halunnut.

Ostajalle sattui vain pieni moka ja nyt Kiinasta raahatut miljoona hilavitkutinta tai rättiä pitää saada menemään ettei ne muistuta siellä varastossa tehdystä virheestä.

Ei mikään paras markkinointistrategia mutta sisäpiirin tiedon mukaan aika ajoin käytetty.

Viinan perässä Viroon, voita Ruotsista ja kahvia lähikaupasta

Toisinaan mainonnassa käytetään sisäänvetotuotteita. Eli laitetaan perusvarma kotitalouksien välttämättömyyshyödyke, kuten kahvipaketti, alennukseen ja toivotaan, että se vetää asiakkaita sisään. Ja vetäähän se, suomalaiset matkustaa vaikka rajan yli jos siellä on tarjolla halvalla voita, viinaa tai löpöä.

Sisäänvetotuotteissa on vain se ongelma, että yleensä ne myydään miinuskatteella koska alennus täytyy olla todella suuri, jotta asiakkaat liikahtavat.

Tilanne on siis hullunkurinen: mitä paremmin mainos puree eli mitä useampi asiakas tulee paikalle, sitä enemmän kauppa tekee tappiota – tuossa mainostetussa tuotteessa.

Toiveena tietenkin on, että asiakkaat ostavat muitakin tuotteita. Tässä piilee vaara jos kauppa ei seuraa mitä muita tuotteita myydään sisäänvetotuotteen rinnalla. Yleensä tuotteen myyntiä verrataan edelliseen vuoteen ja ollaan tyytyväisiä jos se on noussut. Mutta sitä, onko asiakkaat ostaneet vain tuon yhden tuotteen ja lähteneet pois, ei välttämättä seurata. Harva tekeekään systemaattista mainoskampanjaan linkitettyä ostoskorianalyysiä.

Mainoskampanjan on tarkoitus nostaa myyntiä, ei laskea sitä

Yleensä kaikessa raportoinnissa verrataan esimerkiksi viikon myyntejä edelliseen vuoteen ja katsotaan onko myynti kasvanut. Samoin saatetaan tehdä kampanjaseurannan osalta. Ja useimmissa yrityksissä tämä on täysin turhaa. Miksi? Siksi koska pelkkä edelliseen vuoteen vertailu ei kerro mikä on todellinen kampanjan tuoma noste (lift).

5% nousu myynnissä tällä viikolla verrattuna viime vuoden vastaavaan viikkoon, on saattanut tulla hyvinkin yleisestä talouden ja ostovoiman noususuhdanteesta. Yritys on saattanut kasvaa, se on perustanut uusia myymälöitä, avannut uuden verkkokaupan. Viime vuonna saattoi olla jokin erityinen tapahtuma tai sesonki, joka nosti tai laski myyntiä.  Saattaa jopa olla, että mainoskampanja on itse asiassa haitannut myyntiä ja ilman kampanjaa myynti olisi ollut vieläkin isompaa.

Tätä markkinoija ei näe ellei hän erota kokonaismyynnistä perusmyyntiä (sales baseline), kausivaihtelua, trendiä ja kampanjan tuomaa myyntiä. Vasta kun nämä myynnin osat on eroteltu, voidaan arvioida mikä on kampanjan noste (=kampanjamyynti/perusmyynti) ja sitä kautta mikä on kampanjan todellinen teho.

4 keinoa tehostaa kampanjaseurantaan ja optimoida mainoskampanjoita (huom: sisältää tuotesijoittelua)

Tässä muutama idea suomalaisille kaupoille ja miksei muillekin yrityksille, miten parantaa mainoskampanjoiden seurantaa ja sitä kautta niiden tehokkuutta. Eli miten saadaan lisää myyntiä:

1. Monipuolisempi kampanjanseuranta: tuotteesta koko yritykseen

Pelkkä mainostettavien tuotteiden myynnin seuranta ei välttämättä riitä kertomaan tehosiko koko mainos. Olettaen, että mainoksessa oli useampia tuotteita. Jotta kampanjan vaikutus todella saadaan irti, pitää arvioida:

  • tuotteen myyntiä
  • tuoteryhmän myyntiä
  • myymälän myyntiä
  • koko yrityksen myyntiä

Vasta tällöin voidaan arvioida, kannattiko kampanja ja voidaan ottaa siitä opiksi.

Kun seurataan systemaattisesti oliko mainoskampanja onnistunut vai ei ja tallennetaan tuo tieto, voidaan jatkossa analytiikan avulla muodostaa menestyskampanjan resepti – ja toistaa se uudestaan ja uudestaan.

2. Monipuolisempi kampanjanseuranta: baseline vs. lift

Tuotteen myynnistä pitää erottaa perusmyynti ja kampanjan tuoma lisämyynti. Näin saadaan tietää mikä on kampanjan noste ja jälleen kerran – onnistuiko kampanja vai ei. Jos edellä tarkasteltiin koko mainosta, nyt tarkastellaan yksittäistä tuottetta.

Miten perusmyynti ja kampanjan aiheuttama noste saadaan irti? Tähän tarvitset analytiikkaa eli tilastotieteestä tuttuja menetelmiä, esimerkiksi SARIMAX -mallia (Seasonal autoregressive moving average). Sitä varten tarvitset taas analytiikkaan erikoistuneen softan, kuten R:n, RapidMinerin, SPSS:n, MS Analysis Servicen tai SAS:in.

sales_prediction_Qlikview_R_sarimax_louhia
Tuotteen myyntiennuste ja kampanjan vaikutuksen analysointi Louhian Predictorilla (QlikView+R).

 

Asiakkaille, joilla ei ole analytiikkasoftaa käytössä ja kalliit lisenssihankinnat eivät kiinnosta, olemme integroineet QlikView:n ja R:n yhteen. Näin liiketoiminnan käyttäjät voivat tehdä myyntiennusteita ja kampanjaseurantaa suoraan QlikView:stä käsin ja analytiikkaprosessiin kuluneesta ajasta mallintamisesta tuotantoon on pystytty nipistämään rapiat 99%. Kirjoittelemme tästä aiheesta vielä myöhemmin lisää sillä uskomme, että tämä tulee mullistamaan tavan tehdä analytiikkaa. Pidättele hengitystä.

3. Ostoskorianalyysi: 

Jokaisen kivijalan ja verkkokaupan perustyökalupakista löytyvä ostoskorianalyysi. Kun markkinointiosasto miettii mitä tuotteita laittaa ensi viikon Hesariin, sen tulisi tarkastaa ostoskorianalyysin avulla:

  • mitä muita tuotteita ostetaan valitun tuotteen kanssa
  • kuinka paljon ja millä todennäköisyydellä (ns. support & confidence)

Valitse sellainen sisäänvetotuote, joka nostaa mahdollisimman montaa muutakin tuotetta.

Mutta jos haluat ovipumpun laulamaan oikein kunnolla, yhdistät ostoskorianalyysin ja edellä kuvatun kampanjavaikutuksen analyysin kuten me olemme tehneet.

Toisin sanoen tuotteemme nuuskii kuittidataa, etsii ostoskorianalyysin avulla ne tuotteet, jotka keräävät mukanaan mahdollisimman paljon tukituotteita. Samalla tarkastetaan, että sekä mainostettavan tuotteen että tukituotteiden myynti on korkea ja bonuksena tarkastamme, että mainonnan tuoma noste on todella korkea.

Tällöin voimme automaattisesti etsiä tuhansien tuotteiden joukosta aina kulloiseenkin mainokseen parhaiten sopivat tuotteet eli tuotteet, joiden aiheuttama kokonaismyynti on mahdollisimman iso.

paljon tukituotteita eli tuote on ostoskorin magneetti
+
tuotteen ja sen mukanaan vetämien tukituotteiden myynti on isoa
+
tuotteet ovat sellaisia, että kampanja aiheuttaa niille nostetta

= Paras mahdollinen tuote, jota mainostaa

ostoskorianalyysi Louhia
Ostoskorianalyysi yhdistettynä kampanjan vaikutuksen analysointiin kertoo mitkä tuotteet kannattaa laittaa mainokseen saadaksesi parhaimman kokonaismyynnin.

Ja tämä kaikki automaattisesti. Nappia painamalla.

4. Nuuski sosiaalista mediaa ja löydä missä on kuhinaa

Palatakseni kirjoituksen alkuun, jossa vähän kärjistäen kuvasin suomalaisen kaupan markkinointistrategiaa. Miten välttää lastin homehtuminen varastossa, miten tutkia onko jollakin tuotteella kysyntää? Mikä on tämän hetkinen trendituote ja uppoaako uusi treenilauta joulumarkkinoille kuin veitsi possuun?

Vastaus: tutki sosiaalista mediaa, miten tuote tai brändi aiheuttaa keskusteluja.

Hankalaa ja vaivalloista? Vaatii bigdata härpäkkeen ja miljoonainvestoinnin?

Ei laisinkaan. Se käy nappia painamalla. Kumppanimme Futusomen kautta meillä on käytössä maailman suurin suomenkielinen sosiaalisen median tietokanta. Täsmähauilla tuotteen 10 vuoden somedata saadaan asiakkaamme raportille myynnin viereen alle 10 sekunnin.

Se sisältää maan isoimpien keskustelupalstojen keskustelut. Tähän kun lisätään Twitter, Youtube, Instagram, Facebook ja Suomen suurimmat ja suosituimmat blogit – niin päästään tekstitiedon louhian aarreaittaan.

Sosiaalisen median analytiikka osana myynnin raportointia.
Sosiaalisen median analytiikka osana myynnin raportointia.

Kaikki tuo tieto on integroitavissa yrityksen raportointi- ja analytiikkaohjelmistoihin. Saamme tuotteen myyntisi, varastosaldojen ja kampanjatietojen viereen tiedon aiheuttiko kampanja tai tuotelanseeraus pöhinää somessa ja montako kertaa siitä puhuttiin viime viikolla vaikkapa vauva.fi:ssä, Instagrammissa tai missä tahansa (avoimessa) sosiaalisessa mediassa. Ja tietenkin käyttäjä voi porautua myös keskustelujen sisältöihin.

Aika huikeaa, vai mitä.

Tällöin päästään oikeasti kiinni mainostamisen ytimeen. Enää ei kauppiaan tarvitse laittaa kylän tiedonantajaan viime kesäisiä nuttuja vaan hän voi tarkastaa mitä kansa oikeasti haluaa.


Tässä pieniä maistiaisia siitä, mitä saadaan aikaan analytiikalla mainonnan ja myynnin tehostamisessa. Avaamme näitä aihealueita jatkossa lisää ja esittelemme tarkemmin videoiden kera keinoja saada mainonnasta enemmän irti.

Uudet mainonnan optimoinnin analytiikkatuotteet tulevat mullistamaan printtimainonnan tehokkuuden ja seurannan. Hesari ja muut mediatalot voivat alkaa kirjoittamaan kiitoskortteja valmiiksi, media-alan ahdinko on nimittäin ohi.


16.10.2014 / Ville Niemijärvi

Rakensimme analytiikkatuotteen, jonka avulla mainostaja voi seurata miten mainoskampanja tehoaa eli mikä on kampanjan tuoma noste myyntiin. Itse tuotteesta myöhemmin enemmän, makua saat aiemmista kirjoituksistamme kampanjaseurannasta.

Teimme tuotteella vähittäiskaupan mainoskampanjatuotteille analyysiä. Selvitimme mikä on lehtimainoksen tuoma noste myyntiin: eli toimiiko kampanja vai ei.

Erään tuotteen kysynnän käyttäytyminen oli mielenkiintoista ja aiheutti jatkotutkimuksia. Tuotteen myyntikäyrä näkyy alla kuvassa. Klikkaa suuremmaksi.

 

Mainoskampanjan tuoma noste näkyy piikkeina myynnissä.
Mainoskampanjan tuoma noste näkyy piikkeina myynnissä.

Kuten kuvasta näkee, mainos toimii kuin junan vessa. Aina kun tuotteen mainos on lehdessä, myynti räjähtää moninkertaiseksi. Tämän hoksaamiseksi ei tarvita analytiikka-algoritmeja tai propellipäitä.

Eli mainos toimii hyvin, case closed? No ei nyt ihan, mietitään hieman.

Mikä on mainoksen tavoite: maksaa itsensä takaisin vai aiheuttaa isompi muutos asiakaskäyttäytymisessä?

Jos mainoksen tavoite olisi maksaa itsensä takaisin niin tapaus olisi selvä. Homma toimii. Mutta toivottavasti kukaan mainostaja ei tyydy tähän kuitenkaan. Eihän?

Meitä alkoi kiinnostamaan, mikä on muutos asiakkaiden käyttäytymisessä, jonka mainos aiheuttaa? Voisiko löytyä vielä parempi tuote mitä mainostaa?

Kuten myyntikäyrästä näkee, heti kampanjan jälkeen myynti palautuu takaisin uomiinsa. Ja perusmyynti tälle tuotteelle on todella vähäistä, mitätöntä itseasiassa. Tuote pääsee hädintuskin top 1000 listoille. Eli todellisuudessa asiakkaat eivät halua tai tarvitse tuotetta.

Mainos toimii hyvin siinä, että se luo äkillisen tarpeen, herättää kuluttajissa pikaisen tietoisuuden, joka häviää yhtä nopeasti kuin se tulikin.

Mainos toimii siis tekohengityksenä tai kenties paremminkin hormoonipiikkinä tuotteelle. Aina kun sitä annetaan, nousee älytön pöhinä mutta se katkeaa kuin kananlento ja sitten meno onkin flegmaattista.

Kannattaako tuotetta siis mainostaa?

  • Kyllä, jos olet ostanut sitä älyttömän määrän varastoon ja haluat päästä siitä eroon.
  • Kyllä, jos ainoa tarkoituksesi on saada maksettua mainoksen hinta takaisin ja oikeasti myynnin kasvattaminen ei kiinnosta.

Muuta käyttäytymistä, tee mainostamisesta tarpeetonta

Entä jos löytäisimme tuotteen, jonka mainostaminen aiheuttaa muutoksen asiakkaiden käyttäytymisessä? Asiakkaat alkavatkin ostamaan tuotetta ilman, että sitä mainostetaan. Eikö tämä pitäisi olla tavoite kaikessa mainonnassa?

Ja katsos vain, tällainen tuote voidaan löytää ja vielä automaattisesti.

Alla esimerkissä mainonnan tuoma noste on itse asiassa huonompi kuin ensimmäisellä tuotteella. Mutta tällä kertaa mainos toimiikin pidemmällä aikavälillä. Se nostaa kysynnän uudelle tasolle. Huomaamme, että enää meidän ei tarvitse sijoittaa rahaa mainontaan, koska sillä ei ole vaikutusta.

Kampanja_analytiikka_2
Mainoskampanja muuttaa kysynnän käyttäytymistä pysyvästi.

Noste siis hävisi, mutta se on vain hyvä asia, sillä saimme aikaan positiivisen muutoksen. Tästä eteenpäin tuotteen siivet kantavat niin hyvin, että sitä ei tarvitse kannatella enää mainosrahan turvin.

Joten muista kun suunnittelet seuraava mainoskampanjaa ja valitset siihen tuotteita: viet aina paikan joltain toiselta tuotteelta. Tuotteelta, joka voisi aiheuttaa muutoksen asiakkaissa. Tuotteelta, joka voisi olla se ostoskorien keskipiste, joka vetää magneetin lailla muita tuotteita mukaan.


23.09.2014 / Ville Niemijärvi

Lean-filosofian määritelmä Wikipediasta:

Lean is a production philosophy that considers the expenditure of resources in any aspect other than the direct creation of value for the end customer to be wasteful, and thus a target for elimination.

Jos olet paraikaa töissä, pysähdy hetkeksi miettimään edellistä lausetta ja tätä hetkeä. Juuri nyt. Mieti aamupäivää, loppupäivän tehtävälistaa, alkuvuotta ja kaikkia niitä päiviä margariinitehtaallasi. Kaikkia niitä tehtäviä, askareita, puuhastelua, aherrusta. Kaikkia palavereita, pitkiä päiviä.

…”value” is any action or process that a customer would be willing to pay for.

Kuinka paljon asiakkaasi olisi valmis maksamaan tästä hetkestä? Seuraavasta tehtävästä, jonka teet. Tästä päivästä?

…and thus a target for elimination.

Vai olisiko siellä ehkä jotain turhaa?