16.10.2019 / Mika Aho

Datastrategiaprojektin ehkäpä mielenkiintoisin vaihe on dataan pohjautuvien liiketoiminnan kehittämismahdollisuuksien tunnistaminen. Tänään pääsemme niiden kimppuun.

Jostain syystä näitä on kuitenkin vaikea tunnistaa. Gartnerin (2018) tutkimuksen mukaan noin kolmasosassa organisaatioista on vaikeuksia löytää sopivia käyttötapauksia datalle, johon varmaankin osasyynä on, että vain 12 %:lla on organisaation laajuinen datastrategia (Forbes, 2018).

Tiedä häntä ja tuskinpa noin. Isoimpana syynä luulisin, ettei tiedetä. Tämä näkyy erityisen hyvin vetämissämme bisnestyöpajoissa. Jos maturiteettitaso on alhainen, myös datan käyttötapaukset jäävät raportoinnin, analysoinnin ja manuaalisten työvaiheiden korvaamisen tasolle. Näillä ei ihan vielä luoda uutta distruptiivista liiketoimintaa, vaikka se konsernin strategiakalvoissa vilahtelisikin. Ei tiedetä datan mahdollisuuksista liiketoiminnassa tai olla kypsiä soveltamaan niitä.

Poikkeuksiakin löytyy — totta kai — ja usein vielä saman organisaation sisällä eri yksiköistä, toiminnoista tai ihmisistä.

Toisinaan konsulttina tekisi mieli muuttaa maailmaa hetkessä, mutta mitä enemmän eri (suur)yrityksiä on nähnyt, sitä enemmän tuntuu siltä, että niiden on vain kuljettava tietty polku mahdollisuuksien ymmärtämiseksi.

Mutta, asiaan.

Datasta näkemyksiksi ja business case -aihioiksi

Dataan pohjautuvia tietotarpeita ja liiketoiminnan kehitysmahdollisuuksia kannattaa tunnistaa eri näkökulmista. Kerron seuraavaksi muutaman niistä.

Siinä missä AI-työpajoissa business-ongelman identifiointi on systemaattisempi ja syvällisempi, pyritään datastrategiaprojektissa alkuun löytämään isompi joukko kehitysmahdollisuuksia sekä tekemään karsintaa myöhemmin. Halutaan ennemminkin muodostaa kokonaiskuva organisaation tarpeista ja datan mahdollisuuksista. Kevyttä priorisointia on silti hyvä harrastaa, kuten myöhemmin opimme.

Lähestytään kehitysmahdollisuuksia alkuun kolmen näkökulman kautta.

 

1. Datasta näkemyksiksi – jos kaikki olisi mahdollista

Mitäpä jos kaikki olisi mahdollista? Mitä haluaisit nähdä ensimmäisenä tietokoneesi tai mobiililaitteesi ruudulla kun tulet töihin?

Lähdetään alkuun liikkeelle loppukäyttäjästä (eli sinusta) ja mietitään, miten data käännetään helposti saatavilla olevaksi informaatioksi ja näkemyksiksi.

Olen vetänyt tätä harjoitusta useammalle sadalle henkilölle noin kymmenen vuoden aikana (on tullut muuten muutama takan pesällinenkin sytytettyä top-secret-dashboardeilla). Edelleen hämmästelen sitä, miten hyvin tämä harjoitus toimii ajatusten herättäjänä varsinkin kun ihmiset pääsevät aidosti kertomaan omista tarpeistaan. Hämmästyttävää on myös se, miten vähän eri yrityksissä keskustellaan tai tiedetään toisten (liiketoimintojen) tarpeista, vaikka istutaan melkein naapuripöydissä. Usein ollaan kuitenkin ihan perusjuttujen äärellä, kuten myyntipipen visualisoimisessa tai varastoarvojen raportoinnissa.

Tusseja, paperia ja post-it-muistilappuja

Dashboard-harjoitukseen tarvittavat välineet ovat tussit, oikein iso paperi (ideaalisesti revittynä fläppitaulusta) ja kasa post-it-muistilappuja.

Ajatuksena on yksinkertaisesti piirrellä omaa ideaalista dashboardia, jos kaikki olisi mahdollista. Korostaen vielä, että kaikki olisi mahdollista ilman datan, organisaation, teknologian tai prosessien tuomia rajoitteita.

Kun ideaaliset dashboardit on piirretty, kannattaa hetkeksi pysähtyä miettimään mikä toiminnassasi tai päätöksenteossasi aidosti muuttuisi, jos kaikki tämä informaatio olisi käytettävissä?

Usein vastaukset ovat ajansäästöä manuaalisten työvaiheiden karsimisessa tai parempia dataan pohjautuvia päätöksiä, jolloin ollaan vielä kaukana datan oikeista mahdollisuuksista liiketoiminnassa. Mutta se ei tämän harjoituksen tarkoitus ollutkaan.

 

2. Kysymykset datalle

Askarteluharjoitusten jälkeen on hyvä pohtia, millaisiin kysymyksiin et juuri nyt saa vastausta? Tämä tietenkin mielellään täydentäen nykyistä dashboardiasi.

Jos näkökulmana on esimerkiksi asiakas tai jo syventynyt asiakkuus, voivat kysymykset olla seuraavanlaisia:

  • Mitkä asiakkaat kasvavat?
  • Mikä on asiakassuhteen keskimääräinen kesto ja arvo?
  • Mitkä ovat asiakaspoistuman taustalla olevat syyt?
  • Miten brändimme vertautuu suhteessa kilpailijoiden brändeihin?

Tai jos mietit sisäisiä toimintoja, niin seuraavat kysymykset saattavat kiinnostaa:

  • Miten optimoimme toimitusketjumme?
  • Mitkä toimittajat ovat epäluotettavimpia ja miksi? Miten iso riski toimittajan konkurssilla on omaan toimintaamme?
  • Mikä liiketoiminnan osa altistuu eniten petokselle?
  • Mitkä ovat suurimmat keskeiset laatuongelmat, joihin törmäämme?

Tai jos olet vaikkapa henkilöstöhallinnosta, niin mahdollisesti nämä askarruttavat:

  • Mitkä työntekijät ovat todennäköisiä eläkkeelle jääjiä tulevan viiden vuoden aikana? Mitä osaamista tuolloin poistuu? Miten se voidaan korvata?
  • Minkälaisten työntekijöiden kohdalla on suurin riski lähteä ensi vuonna?
  • Mikä on näiden todennäköisten lähtijöiden osaamisprofiili?
  • Mitkä ovat kustannustehokkaimmat rekrytointikanavat tiettyihin positioihin?

Näitä kun kerää riittävästi ympäri organisaatiota, alkaa olla kasassa melkoinen lista tulevaisuuden tarpeista. Myöhemmin tietopääomavaiheessa sitten ihmettelemme, miten ja mistä näihin kysymyksiin saadaan datat.

Jotta linkki organisaation visioon ja missioon pysyy vahvana, ei muuten huono ajatus, jos tunnistetut kysymykset liittyvät jollain tapaa liiketoiminnan tavoitteisiin tai liiketoimintastrategiaan.

 

3. Liiketoiminnan kehityskohteet

Seuraava taso on miettiä eräänlaisia kevyitä business case -aihioita datalle. Puhun mieluummin aihioista, sillä business case itsessään on paljon laajempi asia.

Olen usein käyttänyt ajatusten herättelyn apuna seuraavaa nelikenttää, jossa tarkastellaan niin organisaation sisäisiä, kuin ulkopuoleltakin löytyviä kehittämiskohteita. Kuvassa oleva harmaa kolmio jakaa nelikentän näihin kahteen osaan.

Jos miettii pari aikaisempia harjoituksia, meillä itse asiassa on jo melkoinen nippu tavaraa kahteen alempaan lokeroon. Jonkin verran myös siniseen, mutta veikkaanpa, ettei juurikaan vielä keltaiseen.

Liiketoiminnan kehityskohteita onkin hedelmällistä pohtia ennen kaikkea asiakaskokemuksen sekä datan monetisoinnin ja kasvun näkökulmista. Tähän ei mitään hopealuotia ole olemassa, mutta erilaisia ryhmätöitä tekemällä on päästy oikeinkin hyviin tuloksiin. Hyvä tekniikka on jalostaa myös jo tunnistettuja kysymyksiä, joihin ei saada vastausta.

Kehityskohteiden listaamisen lisäksi kannattaa tuoda esiin myös saavutettavat hyödyt tai esimerkit sekä miettiä arvioitua euromääräistä hyötyä tai sopivaa KPI-mittaria.

Otetaan esimerkki digitaalisen asikaskokemuksen puolelta:

  • Käyttötapaus: Ostokäyttäytymisen siirtäminen private label -tuotteisiin sekä tähän liittyvä kampanjoiden optimointi
  • Edut/esimerkit:
    • Tunnistetaan substituuttituotteet
    • Löydetään asiakkaalle tarjottavat kombinaatiot
    • Optimoidaan markkinointikampanjoita sisällyttämällä niihin omia “pirkkatuotteita”, jotka nostavat kokonaismyyntiä (kannibalisoimatta kuitenkaan muuta myyntiä)
    • Tuotesuosittelut verkkosivuilla ja verkkokaupassa
  • Eurot ja mittarit:
    • “Pirkkatuotteiden” lisämyynti €
    • Potentiaalisten säästöjen kommunikointi asiakkaalle
    • Ostoskorin maksimointi

Kasvun ja datan monetisoinnin kautta dataidentiteetin tunnistamiseen

Talouselämässä oli hiljattain mielipidekirjoitus dataidentiteetistä, joka kirjoittajien mukaan määrittelee datastrategian ytimen ja antaa suunnan erottautumiselle, jolla peitota kaikki kilpailijat.

Erityisesti kasvuun ja datan monetisointiin liittyviä asioita tunnistamalla muodostuu organisaation oma dataidentiteetti ja matka kohti dataohjautunutta organisaatiota ottaa melkoisen kasvuloikan.

Kasvuun ja datan monetistointiin liittyviä näkökulmia on paljon, kuten:

  • Miten käyttää dataa hyväksi organisaation kokonaisarvon kasvattamiseksi? (data-analytiikan lisääminen tuotteisiin, esim. älykellot, tai palveluihin, kuten Amazonin tuotesuosittelut)
  • Miten luoda lisäarvoa tai pääomaa datasta myymällä se takaisin asiakkaille tai muille kiinnostuneille osapuolille? (Nielsen myy markkinadataa, Foreca säädataa, Bisnode yritysdataa, Facebook kohdennettua mainontaa profiiliimme perustuen jne.)
  • Miten keksiä kokonaan uusia ansainta- ja liiketoimintamalleja, tuotteita tai palveluita datan ympärille? (joukouttamiseen liittyvät palvelut kuten Waze; data ja algoritmit energiatuotannon optimoinnissa jne.)
  • Miten virtualisoida arvoketjuja? (Uberit, Airbnbt, Alibabat ym.)
  • Miten kasvattaa markkinoita datan avulla? (esim. tekoälybuustattu verkkokaupparatkaisu, jolla otetaan globaalit markkinat haltuun)

Näistä syntyvät myös ne hedelmällisimmät business case -aihiotkin.

Arviointi ja arvottaminen

Äskeisiä harjoituksia kun tekee, niin ollaan (ja ollaan todellakin oltu) tilanteessa, jossa meillä on Excelissä satoja hienoja liiketoiminnan kehityskohteita, tarpeita ja ajatuksia datan hyödyntämiselle. Mitäs sitten? Miten eteenpäin?

Viimeistään tässä vaiheessa on paikallaan tehdä kevyttä priorisointia. Apuna voidaan käyttää nelikenttää, jossa akseleilla ovat liiketoimintahyöty sekä toteuttamisen helppous.

Liiketoimintahyödyllä tai -vaikutuksella haetaan ennen kaikkea taloudellista (kustannus tai tuotto) etua, jolloin kannattaa antaa myös kohteelle jonkinlainen euromääräinen arvio (tyyliin puhutaanko sadoista euroista vai sadoista tuhansista euroista).

Toteuttamisen helppous on astetta moninaisempi. Siihen liittyy muun muassa datan keräämisen helppous, saatavilla olevan datan laatu, teknologia, olemassa olevat kyvykkyydet tai sisäinen politikointi.

 

Lopuksi: funtsi hetki

Loppuun yksi tuore esimerkki (viime viikolta), jossa sinällään ison ja tärkeän jutun ratkaiseminen voi tuntua hienolta datan ja analytiikan avulla.

Haasteeksi asetettiin asiakaspalvelun ruuhkahuippujen ennustaminen. Ajatuksena tietenkin, että ennakoimalla paremmin ruuhkia ja varautumalla niihin omaa väkeä resursoimalla saavutettaisiin parempi asiakastyytyväisyys.

Kyseinen ennustemalli rakennettiin yhteen yritykseen. Perimmäinen ongelma ei kuitenkaan ollut toisinaan ruuhkautunut asiakaspalvelu, vaan asiakaspalvelun ruuhkahuippujen taustalla olevat syyt. Kuten kehnosti toimiva tuote, hintavirhe tai esimerkiksi manuaalinen vaihe prosessissa, joka tuli hoitaa asiakaspalvelijan kanssa.

Toisinaan siis kannattaa funtsia hetki ennen varsinaisen projektin aloittamista ja laittaa taustalla olevat asiat ensin kuntoon.

 

Seuraavaksi kehittämisen näkökulmia

Seuraavassa blogissa sukellamme kehittämisen näkökulmiin ja linjauksiin, joka toimii eräällä tapaa siltana datastrategian liiketoiminnallisemman sekä teknisen osuuden välissä.

Kehittämisen näkökulmissa luodaan linjauksia tulevaisuuden kehittämistyölle niin liiketoiminnan kuin teknologian näkökulmista menemättä vielä liian syvälle teknisiin yksityiskohtiin. Kehittämisen näkökulmissa pohdimme asioita kuten:

  • Millaisia liiketoiminnan tärkeimpiä tavoitteita tulee mahdollistaa?
  • Mikä on keskeisin (uuteen ratkaisuun vietävä) tietosisältö?
  • Mitkä ovat arkkitehtuurin reunaehdot ja tärkeimmät linjaukset (julkisen pilven käyttö, tietosuojavelvoitteet jne.)?

Eikä siinä vielä kaikki.

Sitä ennen avaan kuitenkin tarkemmin tässäkin blogissa vilahtanutta värikästä datapohjaisten business case -aihioiden nelikenttää ja kerron kustakin laatikosta konkreettisia asiakasesimerkkejä. Pysyhän kuulolla.




30.11.2016 / Juha Kostamo

Analytiikan kehittäminen on kuin tutkimusmatka – aina ei tiedä minkä ääreltä itsensä löytää. Mikä on kuitenkin varmaa on se, että jos ei ikinä lähde matkaan niin ei päädy minnekään.

Monissa yrityksissä on viime vuosina laitettu raportointia, BI:tä, kuntoon. Tiedetään miten hyvin tai huonosti meillä meni eilen, viime viikolla, viime kuussa. Sekin on ihan arvokasta tietoa ja onhan siinä samalla tehty organisaation datapääomalle määräaikaishuolto.

Aika monen toimiston nurkkahuoneessa nautitaan Suomen luonnon tarjoamasta hämärästä hetkestä ja pohditaan, että mitähän ihmettä sille kaikelle yrityksen toiminnasta kerätylle datalle tekisikään. Kaverit klubilla puhuivat jostain ennustavasta analytiikasta ja Machine Learningista…miten päästä alkuun ja uuden oppimisen äärelle järkevällä riskillä.

Louhialla ja muissakin fiksuissa konsulttitaloissa käytetään CRISP-DM metodologiaa (IBM:n aikanaan kehittämä), jonka avulla tehdään ketteriä ja pieniriskisiä analytiikkaprojekteja. Sen avulla on nopeasti selvitettävissä onko valitussa ongelmassa liiketoimintapotentiaalia. Työskentelytapa on iteratiivinen.

CRISP-DM vaiheistus on kuvattu seuraavassa:

  1. Ongelman identifiointi
  2. Datan ymmärtäminen
  3. Datan valmistelu
  4. Mallinnusvaihe
  5. Tulkinnat ja analyysit
  6. Tuotantoon vienti tai palautus aiempiin vaiheisiin

Kaikki lähtee ratkaistavan liiketoimintaongelman tunnistamisesta ja kuvaamisesta. Ongelmien tunnistaminen on yleensä suhteellisen helppoa, kuvaaminen jo hieman haastavampaa. Apuna voi käyttää esim. Ishikawa- diagrammia.

Osana kuvaamista tunnistetaan myös ko. ongelman ratkaisemisen hyötypotentiaali. Samalla on hyvä myös tutkailla löytyykö aihealueelta dataa menemättä vielä yksityiskohtiin. Yhtenä löydöksenä voi olla myös se, että meillä on ongelma, jonka ratkaiseminen toisi merkittävää liiketoimintahyötyä, mutta meillä ei ole dataa. Action: ryhdytään keräämään dataa ja palataan asiaan esim. vuoden kuluttua.

Kun on saatu ymmärrys ratkaistavasta ongelmasta, sen laajuudesta ja hyötypotentiaalista ja ollaan tunnistettu aihealueeseen suurella todennäköisyydellä liittyvät datat, on aika avata konepelti ja kääriä hihat. Datan kanssa puuhaaminen on aikaa vievää ja välillä tuskallistakin hommaa – kerätään, kuvaillaan, tutkaillaan, verifioidaan, valitaan, putsataan ja yhdistellään muiden datojen kanssa. Tämän vaiheen tärkeyttä ei voi aliarvioida – ilman dataa ei synny analyysiä, ilman analyysiä ei synny uusia havaintoja ja niiden mahdollistamia hyötyjä. Tämä vaihe saattaa vaatia pizzaa ja energiajuomia.

Mallinnusvaiheessa datatieteilijä tekee taikojaan: valitsee soveltuvat mallinnustekniikat, rakentaa ja testaa malleja, pistää parametrit oikeaan asentoon. Tässä vaiheessa datatieteilijää ei saa häiritä ja samassa toimistossa työskenteleviä suositellaan riisumaan kengät pois ja laittamaan pörrösukat jalkaan melun minimoimiseksi.

Kun mallinnus on tehty, on aika siirtyä tekemään tulkintoja ja analyysejä sekä verrata mallin antamia tuloksia suhteessa projektin alussa asetettuihin tavoitteisiin. Hyvässä lykyssä voidaan todeta, että mallit antavat järkevän tuntuisia tuloksia. Jossain tapauksissa joudutaan palaamaan nöyrästi joko mallinnuksen pariin tai selvittämään datassa mahdollisia olevia puutteita. Hyvässä lykyssä siirrytään miettimään miten kehitetyt mallit ja data saadaan tuottamaan liiketoimintahyötyä eli ryhdytään ensin suunnittelemaan ja sitten toteuttamaan tuotantoon siirtoa.

Kun jotain viedään tuotantoon, täytyy suunnitella kuinka asioita seurataan, ylläpidetään, kehitetään ja kenen kanssa.  Mallien antamia tuloksia voidaan vaikkapa upottaa suoraan yrityksen liiketoimintaprosesseihin taikka visualisoida joko omassa sovelluksessa taikka yrityksen käyttämässä BI- sovelluksessa – modernit BI- välineet eivät hyljeksi esim. R- koodia. Ja nyt sitten tekemään parempia päätöksiä ja liiketoimintaa.

Mitenkä tämmöinen tutkailu sitten kannattaa ostaa? Paloittain ja hallittuina kokonaisuuksina. Jos joku sanoo muuta, tämä joku ei suurella todennäköisyydellä tiedä mistä puhuu.

Analytiikkahankkeille on tyypillistä se, että kun tämän lampun saa syttymään, se palaa kirkkaasti ja pitkään (uusia business case- aihioita tunnistetaan eri puolilla organisaatiota). Kyseessä on oppimismatka ja kun tästä Graalin maljasta pääsee ottamaan hörpyt, niin sitä tekee sitten kyllä mieli lisää.

Minkälaisia mysteerejä Louhia on sitten jo asiakkaidensa kanssa ratkaissut? No onhan noita ja eri toimialoilta.

  • Asiakaspoistuman ennustaminen (vakuutus-, -tele ja energiasektori
  • Kysynnän ennustaminen (terveydenhuolto, tukkuliikkeet)
  • Tuotteiden hintaoptimointi (teollisuus)
  • Vikaantuminen ennakointi (elektroniikkateollisuus)
  • Maaperän kosteusarvojen estimointi (teollisuus)
  • Asiakassegmentointi (vähittäiskauppa, telesektori)
  • Tilauskannan realisoitumisen ennustaminen (terveydenhuolto)
  • Liikenteen viivästymisalgoritmin kehittäminen (top secret)
  • Mainonnan optimointialgoritmi (vähittäis- ja tukkukauppa)
  • IoT-ennusteratkaisu raskaan liikenteen lähtöajankohtiin
  • Avoimen datan hyödyntäminen
  • Tarjousten läpimenon optimointikone (teollisuus)

Lampun sytytyspalveluun voi tutustua tarkemmin osoitteessa  http://www.louhia.fi/palvelut/analytiikkamysteerit/.