Analytiikka ja datan käyttäminen liiketoiminnan suunnittelussa ovat nykypäivänä kaikkien huulilla ja monet yritykset palkkaavatkin analyytikoita, jotta yrityksessä tuotettu data saataisiin osaksi päätöksentekoa.
Monelle analytiikka näyttäytyy kuitenkin vaikeasti ymmärrettävänä koneoppimisalgoritmina, data-analyytikko hepreaa puhuvana älykkönä ja sähköpostiin maanantaisin ilmestyvä raportti sarjana pylväsdiagrammeja, joilla ei ole oikeasti mitään väliä päivittäisen toiminnan kannalta. Ja entä jos yrityksellä ei edes ole sitä data-analyytikkoa ja raportointikin on haave vain? Miten päästäisiin tilanteeseen, jossa kerättyä ja tuotettua informaatiota voitaisiin oikeasti käyttää yrityksen toiminnan tehostamiseen ja ennakointiin, jos ollaan tilanteessa, jossa useat yrityksen henkilöt käyttävät parhaimmillaankin aikaansa Excel-tiedostojen muokkaamiseen ja tiedon siirtelyyn manuaalisesti?
Analytiikassa sanotaan usein olevan neljä tasoa, joita kuvastavat erilaiset kysymykset. Nämä tasot rakentuvat toistensa päälle ja täten edellisen tason on oltava jotakuinkin kunnossa, jotta seuraava taso ei romahda omaan mahdottomuuteensa.
Ensimmäinen analytiikan vaihe vastaa kysymykseen Mitä on tapahtunut? Halutaan siis tietää, missä mennään. Mikäli yrityksessä tehdään jonkinlaista raportointia, on yritys tässä vaiheessa. Tällöin kerätystä tiedosta tuotetaan erilaisia raportteja ja näistä seurataan esimerkiksi miten myynti on kehittynyt, miten asiakkaiden ostokäyttäytyminen on muuttunut tai kuinka monta tapaturmaa yrityksessä on tapahtunut. Kyseessä on niin kutsuttu deskriptiivinen analytiikka. Tämä vaihe on tärkeä rakentaa ja automatisoida huolella, jotta manuaaliselta lukujen läpikäynniltä jää aikaa raporttien lukujen ymmärtämiseen ja seuraavan analytiikan vaiheen rakentamiseen.
Kun raportointi on kunnossa ja ymmärretään, mitä yrityksessä tapahtuu, herää miltei vääjäämättä kysymys: Miksi? Halutaan tietää, mitkä prosessin vaiheet ovat johtaneet saatuun lopputulokseen, mitkä asiat vaikuttavat eniten ja mitkä asiat korreloivat. Vaikka korrelaatio ei tunnetusti välttämättä tarkoita kausaliteettia, voi korreloivilla asioilla olla jokin muu yhteys, johon vaikuttamalla lopputulosta voitaisiin muuttaa. Tätä vaihetta kutsutaan diagnostiseksi analytiikaksi ja kun yritys on tässä vaiheessa, voidaan analytiikasta saada jo erittäin suuria kustannussäästöjä, kun havaitaan, mihin asioihin kannattaa kiinnittää huomiota.
Kun menneiden kampanjoiden, muutosten ja toimintojen seuraukset ovat selvillä, alkaa houkuttaa tulevaisuuden ennustaminen ja kysytään Mitä tulee tapahtumaan? Halutaan ennustaa tulevaa käyttäen valmiiksi kerättyä dataa, jotta voitaisiin ennakoida toimintoja. Tässä vaiheessa puhutaan prediktiivisestä analytiikasta ja sen avulla voidaan tehostaa esimeksi laitekannan korjauksia tai markkinointikampanjoita.
Nälkä kasvaa kuitenkin syödessä ja kun analytiikan menetelmät ja mahdollisuudet ovat tiedossa, halutaan siirtyä vielä yksi askel eteenpäin analytiikan vaiheissa, eli alkaa ohjaamaan toimintaa optimaalisilla valinnoilla. Kysytään Miten? Tässä preskriptiivikseksi analytiikaksi kutsutussa vaiheessa ohjataan toimintoja haluttuun lopputulokseen esimerkiksi personoiduilla suosituksilla asiakkaille tai tietyillä laitteiden toimintojen ajoituksilla. Tällainen analytiikka voi parhaimmillaan johtaa mittaviin kustannussääntöihin ja helpottaa päätöksentekoa huomattavasti ja kukapa tätä ei haluaisi.
Jotta näin pitkälle päästään, on edelliset vaiheet kuitenkin rakennettava huolella. Tämä voi olla joskus työlästä, mutta A.C. Nielsenin sanoin: ”Valon hinta on pienempi kuin pimeyden kustannukset.”
Kirjoittaja: Kirsti Laurila
Vastaa