Analytiikka liiketoiminnassa

858 views

Published on

Analytiikka liiketoiminnassa esitys Edutech Big Data ja data-analytiikka liiketoiminnan kehittämisessä 1.4.2014. Lisätietoa kokonaisuudesta: http://www.bit.ly/ebd2014

Published in: Business
0 Comments
3 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
858
On SlideShare
0
From Embeds
0
Number of Embeds
69
Actions
Shares
0
Downloads
26
Comments
0
Likes
3
Embeds 0
No embeds

No notes for slide

Analytiikka liiketoiminnassa

  1. 1. Analytiikka liiketoiminnassa Big data ja data-analytiikka liiketoiminnan kehittämisessä Edutech 2014 Jari Jussila, Novi, TTY
  2. 2. Mitä pitäisi tehdä? Ottaa kaikki data käyttöön! Analytiikka liiketoiminnassa 2/6 Kerää Tallenna Analysoi Hyödynnä Ennusta Automatisoi Datavirrat on analysoitava heti Lopullinen tavoite Big Datan mahdollisuudet [Salo, 2014]
  3. 3. Analytiikkaprojektin neljä tärkeintä oppia • Analytiikkaprojektit epäonnistuvat poikkeuksetta silloin, kun ne tehdään out-of-the-box –projektitoimituksena. Asiakkaan liiketoimintaa ei ymmärretä eikä aitoa asiakasymmärrystä pääse koskaan syntymään. On täysin yhdentekevää asetella neuroverkkoja silmät kiinni jonkun aineiston päälle ja “ennustaa” siitä jotain. Tuloksena on toki joku malli, mutta mitään liiketoiminnallista arvoa sillä ei saa. • Kaikista keskeisin syy analytiikkaprojektien epäonnistumiselle on se, että mennään mallinnus, algoritmit ja työkalut edellä, liiketoiminnan sijasta. Analytiikka liiketoiminnassa 3/6 Analytiikkaprojektin neljä tärkeintä oppia [Kartela, 2014]. Saatavissa: http://www.solita.fi/lehti/analytiikkaprojektin-nelja-tarkeinta-oppia/?sthash.mrb6PGi1.mjjo#sthash.mrb6PGi1.KtvrAXiG.dpuf
  4. 4. Mikä analytiikkaprojekteissa on haastavaa? • Ratkaisu on tunnistettu ennen ongelma – mennään työkalu, menetelmä tms. edellä  sovitetaan liiketoimintaongelma ratkaisulle sopivaksi • Monet ongelmista eivät ole selviä – liiketoiminnasta vastaavat eivät tiedä mihin ongelmaan haluavat vastausta, tai vielä pahempaa eivät tunnusta ongelman olemassaoloa • Vastaukset on vaikea ymmärtää Analytiikka liiketoiminnassa 4/6 Analytics for Decision Making [Catanzaro, 2013]. Saatavissa: http://sdm.mit.edu/systemsthinkingconference/2013/presentations/catanzaro.pdf
  5. 5. Analytiikkaan pohjautuva päätöksenteko: 6 vaihetta 5/6 Liiketoiminta- ongelman tai –kysymyksen tunnistaminen Aikaisempien löydöksien läpikäynti 1. 2. 3. 4. 5. 6. Ratkaisun mallintaminen ja muuttujien valinta Datan kerääminen Datan analysointi Tuloksien esittäminen ja niiden pohjalta toimiminen Kun käytetään big dataa päätöksenteossa, liiketoimintaihmisten (”non-quants”) pitäisi keskittyä prosessin ensimmäiseen ja viimeiseen vaiheeseen. Numeroihmiset tyypillisesti hoitaa yksityiskohdat välissä, mutta (viisaat) liiketoimintaihmiset esittävät paljon kysymyksiä matkan varrella. Analytics-Based Decision Making – in Six Key Steps [Daveport, 2013] Analytiikka liiketoiminnassa
  6. 6. Perinteinen data-analytiikan työnkulku 6/6 Big Data Imperatives [Mohanty et al., 2013] Liiketoimintakysymys: ”Kuinka saavutan markkinoinnin tavoitteet eri digitaalisissa kanavissa?” Liiketoimintapäätös: ”Määritä kanavakohtaiset asiakassegmentit ja kohdista markkinointi analyysin tuloksien mukaisesti” Liiketoiminta- vastaava Liiketoiminta-ja data-analyytikko Tunnista datalähteet: CRM, tietovarasto, Excel sosiaalinen media, jne. Yhdistä ja kokoa data: Hae ja yhdistä data eri lähteistä Siivoa ja rikasta: ETL, datan siivous, datan rikastaminen Lisää ja kontekstualisoi: Sijainti, demografia, segmentointi Rakenna analytiikan työnkulku: Rakenna ympäristö, mallinna, analysoi data, ennusta Analyysi: Tarkastele tuloksia ja iteroi Esitä ja sovita: Visualisoi, rakenna applikaatio tai kerro tarina IT/datahallinnan asiantuntija Analytiikka liiketoiminnassa
  7. 7. Big data-analytiikan työnkulku 7/6 Big Data Imperatives [Mohanty et al., 2013] Liiketoimintakysymys: ”Kuinka saavutan markkinoinnin tavoitteet eri digitaalisissa kanavissa?” Liiketoimintapäätös: ”Määritä kanavakohtaiset asiakassegmentit ja kohdista markkinointi analyysin tuloksien mukaisesti” Liiketoiminta- vastaava Datatieteilijä Tunnista datalähteet: CRM, tietovarasto, Excel sosiaalinen media, jne. Yhdistä ja kokoa data: Hae ja yhdistä data eri lähteistä Siivoa ja rikasta: ETL, datan siivous, datan rikastaminen Lisää ja kontekstualisoi: Sijainti, demografia, segmentointi Rakenna analytiikan työnkulku: Rakenna ympäristö, mallinna, analysoi data, ennusta Analysoi: Tarkastele tuloksia ja iteroi Esitä ja sovita: Visualisoi, rakenna applikaatio tai kerro tarina Syötä dataa Visualisoi Mallinna Analytiikka liiketoiminnassa
  8. 8. Miten liikkeelle? Analytiikka liiketoiminnassa 8/6
  9. 9. Mikä on organisaation tavoite Big datalle? • Mikä on tavoiteltava hyöty? – kustannuksien vähentäminen? – prosessien tehostaminen? – myynnin / ristiinmyynnin lisääminen? – tuotteen tai palvelun laadun parantaminen? – uudet (dataan perustuvat) tuotteet tai palvelut? – uudet (dataan perustuvat) ansainta- ja liiketoimintamallit? Analytiikka liiketoiminnassa 9/6 Hyviä esimerkkejä mm. Big Data at Work [Davenport 2014]
  10. 10. Liiketoimintakysymyksen muotoilu Analytiikka liiketoiminnassa 10/6 Selkeä ja ajankohtainen liiketoimintaongelma ja tarve analytiikalle Ei selkeästi muotoiltua tarvetta, mutta liiketoiminta- ongelma tiedossa Ei tiedostettua liiketoiminta- ongelmaa tai analytiikkatarvetta Selkeä väittämä kysymyksestä, johon halutaan vastaus ONGELMA: Markkinoinnin kohdistaminen ei toimi TARVE: Löytää tekijät, jotka tällä hetkellä korreloivat myynnin kanssa VÄITTÄMÄ / KYSYMYS: Kuinka myynti korreloi tekijöiden A, B, C ja D kanssa; kun tarkastellaan päivämyyntejä vuodesta 2010 tähän päivään asti Hyvä esimerkki Pitäisi analysoida markkinointia Huono esimerkki See also: Analytics for Decision Making [Catanzaro, 2013]. http://sdm.mit.edu/systemsthinkingconference/2013/presentations/catanzaro.pdf
  11. 11. Zoomaus ulos Tarkastellaan laajempaa kokonaisuutta, koko prosessia, koko tuotetta tai tuoteportfoliota Zoomaus sisään Tarkastellaan pienempää kokonaisuutta, prosessin osaa, tuotteen osaa tai yksittäistä ominaisuutta Asiakassegmentti Määritellään eri kriteerein / muuttujin kuin aikaisemmin, keskitytään tiettyyn kapeaan segmenttiin, laajennetaan, etsitään uutta Asiakastarve Hyödynnetään eri lähteitä asiakastarpeen määrittämisessä, esim. asiakkaan itse generoima data (clickstream ym.), videotallenteet palvelutilanteesta, asiakkaan keskustelut sosiaalisessa mediassaAnalytiikka liiketoiminnassa 11/6 Liiketoimintaongelman, kysymyksen ja analytiikkatarpeen iteroinnissa pivotointi voi auttaa
  12. 12. Analytiikan kokeilu • Lähdetään etsimään mitä datasta löytyy ja kuinka dataa voidaan käyttää hyödyttämään organisaation liiketoimintaa Lopputuloksena on idea – konsepti mahdollisesta uudesta tuotteesta, palvelusta tai ominaisuudesta tai hypoteesi (ja sitä tukeva evidenssi) että olemassa olemaa mallia voidaan parantaa Usein enemmän inkrementaalisia parannuksia. Esimerkki tunnistetaan uusi tekijä, joka parhaiten ennustaa asiakaspoistumaa tai auttaa tarkemmin kohdistamaan tarjouksen Liikkeelle pienellä pilotilla tai proof-of-conceptilla Analytiikka liiketoiminnassa 12/6 Big Data at Work [Davenport 2014]
  13. 13. Analytiikan tuotanto • Skaalataan analytiikkaratkaisu tuotantoon – Esimerkiksi muutetaan hinnoittelualgoritmeja tai siirrytään kokeiluasteella olevasta tuotteesta tai palvelusta täysin toiminnalliseen tuotteeseen tai palveluun asiakkaalle • kaikki kokeilut ei välttämättä mene tuotantoon • tiukemmat vaatimukset mm. luotettavuudelle ja turvallisuudelle ja muille seikoille mitä asiakkaat, partnerit ja lainsäädäntö edellyttävät • vaatii erilaista osaamista ja asiantuntemusta, mm. uusien sovelluksien integroimista olemassa olevaan arkkitehtuuriin ja sovelluksien suorituskyvyn optimointiin • perusasioiden pitää olla kunnossa, mm. ydintietojen hallinta Analytiikka liiketoiminnassa 13/6 Big Data at Work [Davenport 2014]
  14. 14. Mikä on oikea nopeus Big datan käyttöönotolle? • Pitäisi edetä konservatiivisesti jos: – Kilpailijat ei juuri tee mitään Big datalla – Sinulla ei ole paljoa dataa asiakkaista tai muista tärkeistä business toimijoista – Yrityksesi ei tyypillisesti ole edelläkävijä toimialan innovoinnissa • Pitäisi edetä aggressiivisesti jos: – Toimialasi on jo aktiivinen big data-analytiikassa – Haluat pysyä edellä kilpailijoitasi – Yritykselläsi on ainakin joitain ihmisiä jotka osaa tehdä big data- analytiikkaa • Pitäisi edetä todella aggressiivisesti jos: – Joku toimialallasi on jo todella aggressiivinen – Yrityksesi on hyödyntänyt aiemmin teknologiaa uudistamaan toimialaa – Yritykselläsi on kaikki tarvittavat kyvykkyydet 14/6 Big Data at Work [Davenport 2014]

×