16.05.2017 / Ville Niemijärvi

Vähittäiskauppiaat ja kaupan alaa tuntevat huomio

Teimme jo pari vuotta sitten mainonnan optimoinnin -sovelluksen. Kyseessä on joukko algoritmeja, jotka opettamalla voidaan kertoa mitä tuotteita mainoskampanjaan kannattaa laittaa, jotta siitä saataisiin mahdollisimman suuri tuotto.

Se toimii niin perinteisessä printtimainonnassa, suoramainonnassa kuin web-mainonnassa. Missä tahansa tilanteessa missä kauppiaalla on iso määrä tuotteita, joista pitäisi päättää mitkä laittaa kampanjaan saadakseen eniten myyntiä.

Analysoimme tilastollisten mallien avulla historiamyyntiä ja menneitä kampanjoita, joiden pohjalta kauppias saa tietää:

  • Mitkä tuotteet ovat nosteessa ja mitkä laskussa?
  • Mille tuotteille mainonnalla on suurin vaikutus?
  • Mitkä tuotteet aiheuttavat suurimman ostoskorin eli nostavat myös muiden tuotteiden myyntiä?

Lopputuloksena on siis älykäs mainonnan suunnittelijan työväline, joka tarjoaa automaattisesti parhaimmat tuotteet kuhunkin kampanjaan.

Emme koodanneet vielä varsinaista käyttöliittymää vaan upotimme sovelluksen ensiksi QlikView:iin ja integroimme sen R:ään. Sitten teimme sen Azuren pilveen, jotta voimme tarjota sitä SaaS -palveluna. Ihan oikea käytännön sovelluskohde koneälylle tai data sciencelle. Se ratkaisee konkreettisen ongelman ja tuottaa lisämyyntiä, joka voidaan vielä todentaa.

Testasimme mainonnan optimointia kourallisella vähittäiskaupan asiakkaita, tulokset olivat todella hyviä.

Kohtasimme dataan liittyviä haasteita, niitä ratkottiin, algoritmeja ja sovellusta muokattiin. Myimme palvelun yhdelle tukkukaupalle, kiinnostusta oli usealla vähittäiskaupalla.

Myyntiponnistelut jäivät kuitenkin vähiin ja hautautuivat muiden päivätöiden sekaan. Piti laskuttaa ja uuden tuotteen vieminen markkinoille, vaikka kuinka hyvä tahansa, ei ole helppoa. Tuote ei breikannut. Se jäi pöytälaatikkoon. Ei siksi, että se olisi huono tai etteikö se toimisi. Emme vain osanneet ja ehtineet myydä sitä.

Uskon kuitenkin, että käsissämme on valtava potentiaali. Tai sitten ei.

Kokeilenkin nyt uudestaan. Tämä blogikirjoitus on välimuoto markkinakartoitusta ja myyntiä. Toisaalta jos joku haluaa pölliä tästä hyvän idean ja toteuttaa itse, siitä vain.

Hyviä ideoita ei kannata pantata itsellä. Pöytälaatikossa ne eivät hyödytä ketään.

Eli kaikki vähittäiskauppaa tuntevat. Arvostaisin kovasti jos voisitte auttaa ja kertoa:

  • Onko tällaiselle palvelulle tarvetta?
  • Onko kampanjasuunnittelussa ja mainonnassa petrattavaa isosti? Onko business riittävän suuri?
  • Kannattaako tätä lähteä myymään isosti?
  • Miten sitä pitäisi kehittää?
  • Ostaisitko tämän?

Mennään siis suoraan asiaan. Kerron seuraavasti miten mainonnan optimoinnilla voidaan tehdä miljoonia lisämyyntiä.

Ongelma: mainoskampanjat eivät tuota

Olen tehnyt yli 10 vuotta töitä vähittäiskaupan analytiikan ja raportoinnin parissa usean eri ketjun kanssa. Minua on kiinnostanut erityisesti mainostaminen, oli kyse verkkobannereista tai sanomalehdessä olevasta kokosivun mainoksesta.

Lehtimainos

Ongelma mainoskampanjoissa on käsittääkseni seuraava:

  • tuotteita pienemmälläkin kauppaketjulla on kymmeniä tuhansia, joillain nimikkeitä löytyy useita satojatuhansia
  • miten löytää satojentuhansien tuotteiden joukosta ne 10 tai 20 jotka tuovat suurimman myynnin tai katteen?
  • joissakin ketjuissa mainostettavat tuotteet toistavat itseään: kahvi, olut, vessapaperi ja sesonkiin liittyvät tuotteet eli vappuna simaa ja serpentiiniä, kesällä grillitarpeita jne.
  • mainostajat pelaavat varman päälle, jolloin tämä tarkoittaa, että esimerkiksi kahvia myydään miinuskatteella.

Mainonta ei ole siis kovin optimoitua. Se perustuu varman päälle pelaamiselle, tuotteiden myymiselle tappiolla tai sitten mututuntumaan.

Ja toki myös vuosien henkilökohtaiseen kokemukseen, joka on äärimmäisen arvokasta mutta harvemmin jaettavissa muille.

Lähdin pohtimaan miten mainoskampanjoihin löydettäisiin edistyneen analytiikan avulla parhaiten myyvät tuotteet.

Ratkaisu: algoritmit löytävät parhaiten myyvät tuotteet

Ensimmäinen ajatukseni oli etsiä kampanjaan ne tuotteet, joilla on nouseva kysynnän trendi. Eli miksi mainostaa tuotteita, joita kukaan ei osta muutenkaan tai joka on väistyvä.

Toisaalta piti tietää mikä tuote myy juuri mainostettavalla viikolla. Eihän esimerkiksi pääsiäissesonkituotteita, kuten mämmiä, osteta koko vuonna laisinkaan. Joten pelkän trendin katsominen ei riittäisi.

Aikasarja-analyysin avulla saamme myyntiennusteen ja tuotteen kysynnän trendin

Olimme tehneet Louhialla paljon myynnin ja kysynnän ennusteita. Hyödyntäen aikasarja-analyysiä. Toisin sanoen otetaan tuotteen (tai minkä tahansa asian) menekki usealta vuodelta taaksepäin ja pyöräytetään se algoritmin läpi. Lopputuloksena saamme kysynnän ennusteen valitulle ajanjaksolle, esimerkiksi mainosviikolle.

sales_prediction_Qlikview_R_sarimax_louhia

Tämä on lähes aina tarkempi vaihtoehto kuin laskea vuosien välistä keskiarvoa tai verrata vain edelliseen vuoteen (tai viikkoon/kuukauteen).

Aikasarja-analyysi kertoo myös tuotteen kysynnän trendin eli mihin suuntaan kysyntä menee: laskeeko se, pysyykö samana vai nouseeko.

Tätä voidaan hyödyntää myös mainonnassa, ehkä laskevan kysynnän tuotteeseen ei kannata tuhlata mainosrahoja. Tai sitten juuri sitä pitää buustata ja piristää sen myyntiä oikea-aikaisella mainoskampanjalla.

Mainoskampanjan vaikutus tuotteen myyntiin

Aikasarja-analyysin oheistuotoksena saamme ns. kovariantin avulla tietää mikä on mainonnan vaikutus kysyntään. Tai minkä tahansa muunkin ulkopuolisen tekijän.

Mainoskampanjan tuoma noste näkyy piikkeina myynnissä.

Jos vain tuote (tai vastaava tuote) on ollut riittävästi historian aikana mainoksessa, pystymme kertomaan sen perusmyynnin (baseline, myynti ilman mainosta) ja mainonnan tuoman nosteen.

Ja tämä tietenkin suhteutettuna ko. ajanjaksoon.

Esimerkki: Muumivaippoja myydään toukokuussa keskimäärin 5500€/viikko.

Kun muumivaipat ovat lehtimainoksessa, nousee niiden myynti 8000€/viikko.

Mainonnan vaikutus on siis 2500€/viikko eli n. 45% buusti.

Tämä itsessään on jo valtavan informatiivistä ja arvokasta tietoa mainostajalle ja auttaa löytämään ne tuotteet, joilla saadaan valtavasti lisämyyntiä.

Mutta emme olleet tyytyväisiä ihan vielä.

Ostoskorianalyysin avulla maksimoidaan ostoskorin suuruus

Olimme tehneet myös ostoskorianalyysejä monesti. Ostoskorianalyysin avulla tiedetään mitä muita tuotteita mainostettavan tuotteen ohella myydään ja millä todennäköisyyksillä.

Eli jos asiakkaan ostoskorissa on Muumivaipat, kertoo ostoskorianalyysi millä todennäköisyydellä koriin eksyy myös pilttipurkki, äidinmaidonvastike tai six-pack keskiolutta.

Mainonnassa tätä voidaan hyödyntää siten, että laitetaan mainokseen sellaisia tuotteita, jotka imevät sinne mahdollisimman paljon muitakin tuotteita. Toisin sanoen kasvatetaan ostoskorin kokoa oikeilla sisäänheittotuotteilla.

On hölmöä mainostaa tuotetta, vieläpä miinuskatteella, jos asiakkaat tulevat ja ostavat vain tuon yhden tuotteen.

Päätimme siis yhdistää aikasarja-analyysin ja ostoskorianalyysin.

Näin aikasarja-analyysin ja ostoskorianalyysin yhdistelmällä saatiin tietää:

  • millä tuotteilla on suurin myynti tulevilla viikoilla (myyntiennuste)
  • millä tuotteilla mainonnan vaikutus on suurin (kampanjan tuoma noste)
  • mitkä tuotteet keräävät mahdollisimman paljon muita tuotteita (ostoskorianalyysi)
  • mikä on mainoksen tuoma noste näille ostoskorista löytyville lisätuotteille

Tulokset

Kun myyntihistoria siis ajettiin näiden kahden algoritmin läpi, saatiin tuloksena optimaalisin mainostettavien tuotteiden setti, joka tuo suurimman myynnin.

Tai katteen. Tai asiakasmäärän. Mikä nyt mainostajaa eniten kiinnostaa.

Alla oleva kuva esittää kuvitteellisen tilanteen, jossa Partioaitta (ei asiakassuhdetta) käyttäisi mainonnan optimointia.

Mainonnan optimointi Louhia Analytics Oy

Esimerkki:

Mainoskampanjan suunnittelijalle esitetään järjestyksessä eniten lisämyyntiä (tai katetta) tuovat tuotteet.

Tai vaihtoehtoisesti hän voi hakea tiettyjä tuotteita ja vertailla niitä keskenään ja simuloida mikä olisi mainoksen kokonaistuotto tällä tuotekokoonpanolla.

Tässä esimerkissä Fjällräven Kånken repun laittaminen mainokseen nostaa ko. tuotteen myyntiä 186% eli 7310€.

Tämän lisäksi Fjällräven Kånken repun kanssa ostetaan erityisesti neljää yllä esitettyä tuotetta. Näistä saadaan tuotteiden normaaliin perusmyyntiin nähden lisämyyntiä yhteensä n. 8554€. Huom: ilman, että ne itse ovat mainoksessa.

Koska Fjällräven Kånken oli mainoksessa, toi se lisämyyntiä yhteensä 15 864€.

Tässä esimerkissä meillä on siis yksi suositeltu tuote mutta käytännössä mainonnan optimointi kertoo tuotteiden kokonaisvaikutuksen kaikille tuotteille eli kampanjan suunnittelija voi valita sen täydellisen tuotekombon, oli tilaa sitten viidelle tai kymmenelle tuotteelle.

Tuoden mukaan tietenkin oman asiantuntemuksen ja näin tehden mainoksesta vieläkin paremman.

Mainonnan optimointi yhdistää siis:

  • aikasarja-analyysin, joka kertoo paljonko tuotetta tullaan myymään tulevaisuudessa eli esimerkiksi kampanjaviikolla
  • mainonnan vaikutuksen tuotteen myyntiin eli mikä on mainoksen noste (lift)
  • ostoskorianalyysin, joka kertoo mitä tuotteita myydään mainostettavan tuotteen kanssa yhdessä ja mikä on niiden saama noste

Kaikki tämä automatisoituna, vaikka kerran yössä ja integroituna esimerkiksi business intelligence -työvälineeseen tai tuotuna vaikka sitten asiakkaan ERP:hen tai Exceliin.

Louhian mainoskampanjan optimointi 2

Lisämausteet: hintajousto, somepöhinä, menestyskampanjan resepti

Lähdimme jatkokehittämään ratkaisuamme, tehdäksemme siitä vieläkin paremman.

Hintajoustoanalyysi kertoo kannattaako tuotetta laittaa alennukseen

Saimme palautetta eräältä ketjulta. He haluavat mainostaessaan tietää kannattaako tuote laittaa alennukseen ja kuinka suureen. Eli mikä olisi sopiva alennus, jotta tuotteesta todella tulee sisäänheittotuote.

No problem.

Lisäsimme mukaan hintajoustoanalyysin, joka kertoo alennusprosentin vaikutuksen tuotteen kysyntään. Näin mainostaja tietää riittääkö normihinta, 5% alennus vai pitääkö laittaa kunnon jytky ja pudottaa hinta puoleen.

Suomen kattavin somedata mainonnan tukena

Tutustuimme myös kumppanimme Futusomen kautta somedataan ja sen käyttö kampanjoinnissa on kiinnostanut jo vuosia. Tähän liittyen olemme tehneet myös useita harjoituksia ja pystyneet näyttämään, että somedatan perusteella voidaan ennustaa tuotteen kysyntää.

Toisaalta somedatan avulla voidaan katsoa etukäteen onko tuotteen ympärillä pöhinää tai jälkikäteen aiheuttiko mainoskampanja keskustelua ja miten tämä korreloi myynnin kanssa.

Mikä on menestyskampanjan resepti ja voidaanko se toistaa?

Itseä on aina kiinnostanut onko tuotteiden lisäksi jotain muuta tekijää, joka toistuu niissä mainoskampanjoissa, jotka menestyvät.

Valittu media (printti, display, tv, radio), ajankohta, sesonki, tuotteiden määrä, kuvien määrä, koko, väri jne.

Joten lisäsimme mainonnan optimointiin lisäoptioksi mahdollisuuden selvittää ja oppia, mitkä mainokset toimivat ja miksi.

Tämän avulla voidaan selvittää menestyskampanjan resepti ja toistaa se.

Näin palvelumme eri komponentit hahmottuivat ja täydellisen mainoskampanjan kertova konsepti oli valmis.

 

Louhian mainoskampanjan optimointi
Louhian mainoskampanjan optimointipalvelun osa-alueet

 

Kiinnostaako mainonnan optimointi vähittäiskauppoja?

Palataan blogin alussa esitettyihin kysymyksiin.

  • Onko teidän mielestä tässä konseptissa tai tuotteessa ideaa?
  • Onko business case riittävän iso eli onko mainonnan suunnittelussa petrattavaa ja paljon?
  • Mitä ongelmia tai haasteita teille tulee mieleen ratkaisun käyttöönotossa yrityksessänne?
  • Ostaisitteko palvelun?

Kaikki kommentit, ideat ja ajatukset ovat erittäin tervetulleita ja otetaan kiitollisina vastaan.

Jos olet kiinnostunut juttelemaan palvelusta lisää, ota yhteyttä (+358 50 326 4989 / Ville).


13.01.2016 / Ville Niemijärvi

parked-bikeKäytännön ennustavan analytiikan blogisarjamme ensimmäinen osa kuvaa kuvitellun yrityksemme liiketoimintaongelman. Eli määritellään miksi analytiikkaa ylipäätään lähdetään tekemään.

Yrityksen esittely

Yrityksemme on vähittäiskauppa. Se myy polkupyöriä ja niihin liittyviä tarvikkeita ja lisävarusteita.

(Kyllä, kyseessä on Microsoftin AdventureWorks -demoaineisto. Voit ladata omasi vaikka täältä)

Toimitusjohtajan nimi on Eddy. Entinen pyöräilijä, jonka vanhemmat olivat ruokakauppiaita. Hänellä on intohimo työhönsä. Eddy haluaa nähdä kaikki kansalaiset viilettävän muna-asennossa trikoissa asfalttiteitä pitkin.

Suomen Polkupyörätukku olkoon hyvä vertailukohta. Yritys voisi olla myös sopimusliiketoimintaa harjoittava, esimerkiksi sähköyhtiö, mediatalo (sanomalehdet, TV, tilauskanavat kuten HBO, Netflix), kuntosaliketju tai pankki- ja vakuutusalan yritys.

Aivan samat menetelmät pätevät näihin toimialoihin. Sopimusliiketoiminnassa tosin asiakkuuksien johtaminen hieman poikkeaa koska usein asiakas on naimisissa yrityksen kanssa, kunnes lopettaa asiakassuhteen. Poistumamallinnus eli asiakaspito on tärkeää. Samoin lisä- ja ristiinmyynti.

Vähittäiskaupassa shoppaillaan naapurissakin ja siellä mitataan taas esimerkiksi brändilojaliteettia mutta voidaan tutkia myös poistumaa, sen määrittäminen on vain hankalampaa. Ostoskorianalyysi on yksi vaihtoehto tutkia mitä tuotteita ostetaan yhdessä.

Sopimusliiketoiminnassa älykkäällä prospektoinnila voidaan etsiä ne asiakkaat, jotka todennäköisemmin tarttuvat myyjän puhelinsoittoon tai tarjoukseen ja parantaa konversiota. Vähittäiskaupassa taas suurempi merkitys on mainonnalla – oli se kohdennettua suoramainontaa tai massana eri medioissa.

Molemmissa tapauksissa asiakkaskäyttäytymisen ymmärtäminen edesauttaa asiakkaisiin vaikuttamista .

Liiketoimintaongelma

Analytiikka pitäisi tukea yrityksen liiketoimintastrategiaa. Tai siitä johdettuja taktisia ja operatiivisia tavoitteita.

Tai sitten analytiikan pitäisi olla työväline liiketoimintaongelmien ratkaisemisessa.

Toki analytiikka voi olla erilaisten hypoteesien testaamista mutta mielellään niin, että ne tähtäävät johonkin suurempaan tavoitteeseen.

Analytiikka ei ole nättiä käppyrää, visualisointia tai nice-to-know raportteja. Niiden sijaan analytiikan avulla pyritään muuttamaan toimintaa. Aiheuttamaan muutos.

Polkupyöräkauppamme toimari, Eddy, on yhdessä hallituksen kanssa tehnyt linjavetoja. He haluavat muutosta. Yritys tulee satsaamaan jatkossa vaatelinjaston liikevaihdon kasvattamiseen. Eddy näkee, että kireät pyöräilyshortsit takapuolipehmusteilla tulee lyömään itsensä läpi ensi kesän helteillä rahvaankin joukossa.

Toisaalta Eddy haluaa, että markkinointipäällikkö Lance, joka haaveilee salaa oman “lisäravinnekaupan” pystyttämisestä, karsii kulujaan ja keskittää mainoskampanjansa fiksummin. Jokaisen persaukisen perusautoilijan luokse ei tarvitse suoramarkkinointikirjettä lähettää vaan keskitytään vihreisiin, muotitietoisiin kaupunkilaisiin, joilla löytyy kuitenkin pätäkkää.

Eddy järkeilee, että on parempi antaa luonnon ja sepelvaltimotaudin hoitaa autoilevat möhömahat. Sitä kautta markkinoille saadaan parempia kuluttajia. Pyöräileviä kuluttajia.

Lisäksi Eddy laittaa osto-johtaja Bernardille ukaasin:

“Älä tilaa niitä väärän värisiä rättejä varastoon jos niitä ei kerran kukaan osta. Nehän homehtuu sinne. Ranskalaisena luulisin sinun tajuavan jotain muodin päälle?, tuhahtaa Eddy sillä tavoin ivallisesti kuten voisi kuvitella belgialaisen tekevän kun pääsee pomottamaan ranskalaista.

Toimitusjohtaja-Eddyn ja hallituksen muodostamat tavoitteet ja ns. must-win-battles kirjataan ylös:

  • vaatelinjaston myynnin pitää kasvaa 20%
  • myynnin kulujen pitää laskea 20%
  • varaston arvon pitää pienentyä 30%

Lance ja Bernard ryhtyvät hommiin koska heidän oma palkkansa riippuu siitä, miten hyvin he täyttävät tavoitteensa. Niin kuin kaikissa fiksuissa yrityksissä on, vai mitä?

Kaverit lyövät pyöräilykypäränsä yhteen ja tuumailevat:

  • jotta me voimme myydä enemmän vaatteita, meidän pitää tietää ketkä vaatteita ylipäätään ostavat, meidän pitää ymmärtää asiakaskäyttäytymistä
  • kun tiedämme ketkä vaatteita ostavat, voimme kohdistaa myynnin pelkästään heille.
  • näin myynnin konversio kasvaa eli saamme myytyä pienemmällä myyntiväellä isommalle porukalle
  • jotta varaston arvo laskee, meidän pitää välttää huonosti kiertävien tuotteiden sisäänoston
  • tulevien kuukausien myynnit pitää siis nähdä etukäteen. Näin voimme ennakoida kysynnän nousut ja pudotukset hyvissä ajoin ja osto voi reagoida niihin.

Kaverukset johtavat tavoitteista seuraavat toimenpiteet:

  • mallinnetaan keitä asiakkaamme ovat, selvitetään miten he käyttäytyvät
  • mallinnetaan ketkä ostavat vaatelinjaston tuotteita ja mitkä taustatekijät selittävät ostoa (ikä, sukupuoli, maantieteellinen sijainti, muu ostokäyttäytyminen jne.)
  • sovelletaan mallia nykyiselle aktiiviselle asiakaskannalle ja selvitetään ketkä heistä olisivat todennäköisempiä ostajia uusille tuoteryhmille
  • kohdennetaan suoramarkkinointi vain näille todella potentiaalisille kuluttajille
  • tehdään jatkuvasti päivittyvät myyntiennusteet tuleville kuukausille per tuoteryhmä ja annetaan nämä ostajille ostopäätösten tueksi

“Päivän päätteeksi tehdään enemmän rahaa pienemmilä kustannuksilla, saadaan mojovat bonukset ja pidetään työpaikkamme.”

Näin yritys on määrittänyt itselleen strategiasta johdetut tavoitteet, jotka on purettu konkreettisiksi toimenpiteiksi. Seuraavaksi selvitämme millä analytiikan keinoin voimme tukea tai ratkaista nämä liiketoimintaongelmat. Mitä työvälineitä ja mitä dataa siihen tarvitaan?

Lasse, maailman vahvin analyytikko, oletko selättänyt jo influessan? Meillä olisi hommia!


Kuva: Sylwia Bartyzel (https://unsplash.com)

5.06.2015 / Ville Niemijärvi

Esittelin vuosia sitten asiakkaalle ideaa ennakoivasta analytiikasta: kuinka voisimme analysoida asiakkaiden ostokäyttäytymistä, selvittää minkälaisia asiakassegmenttejä löytyy ja ennakoiva tuotteiden kysyntää.

Asiakas totesi, että suurin osa härmäläisistä myymälöistä on niin pieniä kioskeja, että analytiikalla ei ole juuri mitään merkitystä. Myymäläpäällikkö jossakin pienessä puodissa Posiolla tietää kyllä, että vaippoja pitää hankkia lisää hyllyyn kun Virtasen emäntä on pyöräyttänyt viidennen mukulan.

Ja näinhän se on. Suomi on markkina-alueena varsin pieni. Väkeä on vähän. Ne vähäiset asiakkaat kyllä tunnetaan.

Sopimusliiketoiminnassa asiakaspoistumamallinnusta on turha lähteä tekemään jos asiakkaiden määrä on joitakin kymmeniä.

Vähittäiskaupassa ostoskorianalyysejä tehdessä törmätään aina ongelmiin kun tuotteita on valikoimassa 100 000 ja asiakkaita muutama tuhat. Todennäköisyys (support, confidence), että kaksi tai useampaa tuotetta osuisi useamman asiakkaan ostoskoriin on todella pieni. Assosiaatiot ovat heikkoja. Näin ollen ostoskorianalyysi ei ole aina toimiva väline esim. tuotteiden sijoittelun apuna myymälässä koska todistusvoima on varsin pieni.

Tuodaan kyläkauppiaan tietämys koko konsernin käyttöön

Mutta kaupungistuvassa automarkettien Suomessa löytyy myös niitä vähän isompia putiikkeja, joissa jokaista parkkipaikan täyttäjää ei tunneta. Ja kyläkauppiaastakin joskus aika jättää.

Märkäkorvalla myyjällä ei olekaan enää vuosien kokemusta takanaan eikä hän tiedä, että Virtasen jälkikasvun persposkille kelpaa vain kotimainen Muumivaippa. Pampersit homehtuu varastoon.

Ja vaikka kyläkauppias tunteekin asiakkaansa, tunteeko ketjuohjauksesta vastaava johtaja tai edes aluepäällikkö? Entä konsernin talouspäällikkö, business controller tai valikoimavastaava?

Vaikka muumivaippojen kysyntä Posiolla tunnetaankin, entä 100 000 muuta nimikettä ympäri Suomen niemen?

Tällöin kaivataan rikastettua asiakas- ja tuotetietämystä, joka tulisi löytyä tallennettuna yrityksen tietojärjestelmiin kaikkien saataville. Prediktiivinen, ennakoiva analytiikka tarjoaa menetelmät tuon asiakas- ja tuotetiedon keräämiseen.

Kun tieto on vielä tallennettu systemaattisesti esimerkiksi analytiikkatietokantaan tai tietovarastoon, voidaan se poimia helposti tukemaan päätöksentekoa.

Analytiikka ei korvaa kyläkauppiaan kokemusta. Analytiikka tuo kyläkauppiaan kokemuksen kaikkien saataville.