Analytiikka toiminnan kehittämisessä esitys Data-analytiikka PK-yritysten toiminnan kehittämisessä 4.12.2014.

1. Analytiikka toiminnan kehittämisessä
Jari Jussila
Novi tutkimuskeskus
Data-analytiikka PK-yritysten toiminnan kehittämisessä
4.12.2014

2. Johdanto
•Big Datan ja analytiikkamaailman käsitteiden läpikäyminen
•Toiminnan kehittämisen eri ulottuvuudet, mihin kaikkeen data ja analytiikka taipuvat
•Analytiikka web-sivujen seurannassa, hakukoneoptimointi, sosiaalisen median hyödyntäminen toiminnan kehittämisessä ja asiakasanalyysissa
8.12.2014
2

3. Big datan ja analytiikkamaailman käsitteet
8.12.2014
3

4. Päätöksenteon tukijärjestelmät ja johdon tietojärjestelmät ”1970-1990”
8.12.2014
4
vrt. erilaiset johdon työpöydät, kuten markkinoinnin työpöytä
Vierailut
Toiminnot sivustolla
Liidit
Mahdollisuudet
Voitot
Metriikka
Tavoitteen saavuttaminen
64 %
51 %
70 %
29 %
35 %
Myyntisuppilo
Lähde: erilaisia esimerkkejä nähtävillä esim. Klipfolion sivuilla (ks. Dashboards); ks. myös Visualisointi ja tiedon jakamisen käytännöt (Aho 2014)

5. Kuutioiden mallinnus - OLAP (online analytical processing)
8.12.2014
5
Tuote
Aika
Markkinat
image Athanasios Kastanidis
”1980-1990”

6. OLAP-kuutioiden perusidea
•OLAP-tekniikka poikkeaa perinteisestä tilastoinnista ja raportoinnista siten, että käyttäjä voi vaihtaa näkökulmaa tiedontarpeensa mukaan.
•Esimerkiksi analyytikko voi lähteä 1) tarkastelemaan tuoteryhmien myyntiä maittain, 2) filtteröidä aineisto tiettyihin maihin 3) joista löytää jotain esimerkiksi myyntitavoitteista poikkeavaa. Tämän jälkeen 4) porautua esimerkiksi myyntiin tietyissä kaupungeissa. 5) Vaihtaa näkökulmaa liikevoittoon tuoteryhmittäin, jne.
8.12.2014
6
”1980-1990”

7. Liiketoimintatiedon hallinnan ulottuvuudet
8.12.2014
7
Organisaation
sisäinen
Organisaation
ulkoinen
TIEDON
KOHDE
Määrällinen
Laadullinen
TIEDON
TYYPPI
Organisaation
sisäinen
Organisaation
ulkoinen
TIEDON
LÄHDE
Lähde: [Hannula 2005]; image Athanasios Kastanidis
”1989-2005”

8. Tiedon arvoketju liiketoimintatiedon hallinnan näkökulmasta
8.12.2014
8
Lähde: [Myllärniemi 2012]

9. Minkälaista tietoa tarvitaan?
Tieto, joka on pystytty hankkimaan
Tieto, joka todella tarvitaan
Tieto, joka määritellään tarpeelliseksi
8.12.2014
9
Lähde: [Hannula 2005]

10. Liiketoimintatiedon hallinnan prosessimalli ja keskeiset tehtävät
8.12.2014
10
Lähde: Tietojohtaminen [Laihonen et al. 2013]

11. Tiedonlouhinta, data mining, knowledge discovery in databases (KDD) ”1990-2007”
8.12.2014
11
10-20 %
20-30 %
50-70 %
10-20 %
10-20 %
5-10 %
1. Liiketoiminnan ymmärtäminen
2. Datan ymmärtäminen
3. Datan valmistelu
3. Mallinnus, tiedonlouhinta
5. Arviointi
6. Tulosten julkaisu
Lähde: The CRISP-DM Model [Shearer 2000], [Aho 2014]

12. CRISP-DM referenssimalli
CRISP-DM referenssimallin tehtävät
Liiketoiminnan ymmärtäminen
Datan ymmärtäminen
Datan valmistelu
Mallinnus, tiedonlouhinta
Arviointi
Tulosten julkaisu
Määritä liiketoiminnan tavoitteet
Tee tilannearvio
Määritä tiedonlouhinnan tavoitteet
Laadi projektisuunnitelma
Kerää alustava data
Kuvaa data
Tutki dataa
Varmista datan laatu
Datasetin kuvaus
Datan valinta
Datan siivous
Datan rakentaminen
Datan integrointi
Datan formatointi
Valitse mallinnus menetelmä
Suunnittele koe
Rakenna malli
Arvioi mallia
Arvioi tuloksia
Arvioi ja varmista tiedonlouhintaprosessin laatu
Määrittele seuraavat stepit
Suunnittele mallin julkaisu (esim. verkkosivuna) asiakkaalle
Suunnittele mallin ylläpito
Laadi loppuraportti
Arvioi projekti
8.12.2014
12
Lähde: The CRISP-DM Model [Shearer 2000]

13. Analytiikka ”2005-2010”
•Deskriptiivinen analytiikka: tekniikoita joiden avulla voidaan ymmärtää dataa ja analysoida liiketoiminnan suoriutumiskykyä
•Diagnostiivinen analytiikka: tekniikoita joiden avulla voidaan ymmärtää mitä on tapahtunut ja miksi
•Prediktiivinen analytiikka: tekniikoita joiden avulla voidaan analysoida nyky- ja historiatietoa jotta voidaan päätellä mitä todennäköisesti tapahtuu tai ei tapahdu
•Preskriptiivinen analytiikka: tekniikoita joiden avulla voidaan laskennallisesti kehittää ja analysoida vaihtoehtoja organisaation toiminnalle
•Päätöksentekoa tukeva analytiikka: tekniikoita joiden avulla voidaan visualisoida informaatiota päätöksen teon tueksi
8.12.2014
13
Lähde: Big Data and Analytics [Kaisler et al. 2014]

14. Analytiikkasykli
1.Määrittele liiketoimintaongelma tai kysymys johon haluat vastauksen
2.Tunnista, kerää, siivoa ja valmistele data kysymyksen vastausta varten
3.Deskriptiivinen analytiikka
–Perehdy dataan (descriptives, correlations, factor analysis, cluster analysis, ym.)
–Luo mahdollisia hypoteeseja (data mining ym.)
4.Prediktiivinen analytiikka
–Muodosta hypoteesit
–Tunnista soveltuvimmat analytiikkamenetelmät
–Kehitä analyyttiset mallit (multivariate regression, logistic regression, forecasting, non-linear models, decision trees, ym.)
–Aja mallit ja luo ennusteet
5.Preskriptiivinen analytiikka
–Kehitä päätös- ja optimointimallit
–Hyödynnä koneoppimista päätöksien ohjelmointiin
6.Kirjoita johtopäätökset ja suositukset
8.12.2014
14
Lähde: Introduction to Big Data [Kaisler et al. 2014]

15. Big Data ”2010-”
8.12.2014
15
Volyymi
Vauhti
Variaatio
Varmuus
Data at Rest
Data in Motion
Data in Many Forms
Data in Doubt
Terabittejä olemassa olevaa dataa prosessoitavaksi
Striimattua dataa, nopea vasteaika millisekunneista sekunteihin
Strukturoitua, ei- strukturoitua, ja semistrukturoitua dataa
Epävarmuutta liittyen datan epätäydellisyyteen, puutteellisuuteen, tai virheellisyyteen
Lähde: [Breuker 2014; Laney, Meta Group 2001 (3V:tä)]

16. Big Data transaktioista interaktioihin
8.12.2014
16
WEB
BIG DATA
Lähde: mukaillen [Yli-Pietilä & Backman 2013; Valli & Ahlgren 2013]
ERP
CRM
ostotiedot
maksutiedot
segmentointi
tarjoustiedot
asiakaskohtaamiset
tukikontaktit
weblogit
tarjoushistoria
A/B testaaminen
Dynaaminen
hinnoittelu
Hakukonemarkkinointi
ja optimointi
Mainosverkostot
Käyttäytymispohjainen
kohdentaminen
Dynaamiset
funnellit
Sentimentti
Ulkopuolinen demografia
Kuvat ja videot
Puheen muuttaminen tekstiksi
Feedit
Anturi/sensoridata
Tuote / palvelu logit
SMS/MMS
Sosiaaliset verkostot
Sosiaalinen media
Käyttäjien luoma sisältö
Mobiilidata
Klikkivirran analyysi
Sijaintidata

17. Datan lajeja
Datan laji
Muoto
Volyymi
Kuvaus
Esimerkkejä
Master Data
Strukturoitu
Matala
Yritystason dataa jolla on strategista arvoa organisaatiolle
Asiakas, tuote, toimittaja
Transaktiodata
Struktoroitu & semi- strukturoitu
Keskinkertainen - korkea
Transaktiot joita syntyy liiketoiminta-prosesseissa
Tilaukset, ostot, maksut
Referenssidata
Struktoroitu & semi- strukturoitu
Matala – keskin- kertainen
Faktoja jotka tukevat organisaation kykyä tehokkaasti prosessoida transaktioita, hallita masterdataa ja tukea päätöksiä
Demografiset kentät
Metadata
Strukturoitu
Matala
”Dataa datasta”
Datan nimi, datan dimensiot tai yksiköt, ym.
Analytiikkadata
Strukturoitu
Keskinkertainen - korkea
Liiketoimintaoperaatiosta tai transaktioista jalostettua tietoa raportoinnin ja analytiikan tarpeisiin
Data joka sijaitsee tietovarastoissa ja päätöksenteon tukijärjestelmissä
Big Data
Struktoroitu, semi- strukturoitu ja ei strukturoitu
Korkea
Isoja data settejä, joita on haastava tallentaa, etsiä, jakaa, visualisoida ja analysoida
Ihmisten ja koneiden luomaa dataa sosiaalisesta mediasta, webistä, mobiililaitteista, sensoreista, ym.
8.12.2014
17
Lähde: Big Data and Analytics [Kaisler et al. 2014]

18. Master data
•organisaation ydintieto on usein kaikkein tärkeintä liiketoiminnalle ja siinä menestymiselle sekä data-lähtöiselle päätöksenteolle
•ydintietoa käytetään useissa yrityksen prosesseissa ja tietojärjestelmissä, joten ydintietojen muotojen standardointi ja arvojen synkronointi on kriittistä järjestelmien onnistuneelle integroinnille
•ydintiedoksi mielletään usein esimerkiksi asiakastiedot ja tuotetiedot
8.12.2014
18
Lähde: [Vilminko-Heikkinen & Pekkola 2013]

19. Datan käyttöön ja analysointiin liittyvää terminologiaa
Termi
Ajanjakso
Kuvaus
Päätöksenteon tuki
[Decision Support]
1970-1985
Hyödynnetään data analyysiä tukemaan päätöksentekoa
Johdon tukijärjestelmät
[Executive Support Systems]
1980-1990
Fokus data analyysissä ylemmän johdon tueksi
Kuutioiden mallinnus
[Online Analytical Processing OLAP]
1990-2000
Ohjelmistoja multidimensionaalisten data taulujen analysointiin
Liiketoimintatiedon hallinta [Business Intelligence]
1989-2005
Työkaluja tukemaan datalähtöistä päätöksentekoa, painopiste raportoinnissa
Analytiikka
[Analytics]
2005-2010
Fokus tilastollisessa ja matemaattisessa analyysissä päätöksenteon tueksi
Massadata
[Big Data]
2010-
Fokus erittäin isossa, monimuotoisessa ja nopeasti liikkuvassa datassa
8.12.2014
19
Lähde: Big Data at Work [Davenport, 2014]

20. Kuinka liiketoimintatiedon hallinta on muuttunut massadatan myötä?
Massadata
Business analytiikka
Liiketoimintatiedon hallinta
Vanhaa
•Relaatiotietokannat
•SQL
•Tietovarastot
•Tiedonlouhinta
•Kvantitatiivinen analyysi
•Tilastotiede
•Operaatiotutkimus
•Päätöksenteon tukijärjestelmät
•Johdon tietojärjestelmät
•OLAP
Uutta
•4V:tä
•Monimuotoista dataa
•Vähemmän struktuuria
•Big Data teknologiat (MapReduce, Hadoop, NoSQL, ym.)
•Ei strukturoitua dataa
•Dataa monesta lähteestä
•Monimuotoista dataa
•Data liikkeessä
•Tekstianalytiikka
•Visuaalinen analytiikka
•Sosiaalisen median analytiikka
•Helppokäyttöisyys
•Visuaalisuus
•Dynaamisuus
•Kattaa organisaation prosessit
•Koneoppiminen
•RTAP
8.12.2014
20
Lähde: mukailtu Introduction to Big Data [Kaisler et al. 2014]

21. Big Data, data-analytiikka ja lähikäsitteet
•Big Data can be defined as the amount of data just beyond technology’s capability to store, manage and process efficiently. (Kaisler et al. 2014)
•Data analytics is the science of examining raw data with the purpose of drawing conclusions about that information. (Rouse 2008)
•Business analytics is the scientific process of transforming data into insight for making better decisions (INFORMS)
•Tiedonlouhinta (engl. data mining) on kokoelma menetelmiä, jotka valikoivat, kuvailevat ja mallintavat suuria tietomääriä tavoitteenaan löytää tiedon omistajalle uusia ja hyödyllisiä säännönmukaisuuksia ymmärrettävässä muodossa (Hand et al. 2001)
•Business Intelligence refers to the technologies, applications, and processes for gathering, storing, accessing, and analyzing data to help its users make better decisions (Wixom and Watson, Teradata University Network 2012)
8.12.2014
21

22. Ymmärrys
Tiedon tasot
8.12.2014
22
Data
Informaatio
Tietämys
Lähde: [Laihonen et al. 2013; Tuomi 1999; Thierauf 1999; Ackoff 1989]

23. Tiedon tasot esimerkein avattuna
8.12.2014
23
Informaatio
Data
Tietämys
Ymmärrys
A
X1
X2
1
1
300
2
0
159
…
…
…
100
1
501
A
X1
X2
1
1
300
2
0
159
…
…
…
100
1
501
A = asiakasnumero
X1 = sukupuoli (0=nainen, 1=mies)
X2 = kk-ostot
•”Meillä on tietokannassamme 100 asiakkuutta”
•”85% asiakkaistamme on naisia”
•”Keskimääräiset kk-ostot ovat 250€”
•”Suurin osa asiakkaistamme on naisia, vaikka tuotteemme ovat suunnattu pääasiassa miehille -?!@%!”
Lähde: [Väisänen 2011]

24. Tiedonhallinnan tasot
8.12.2014
24
Innovoiva
Erottuva
Arkistoiva
Mallinnus
Visualisointi
Ennustaminen
Optimointi
Raportointi
”Löytyisikö
täältä jotain?”
”Tiedän mitä
tarvitsen mutta
haluan tehdä
sen kilpailijoita
paremmin"
”Tätä tarvitaan
mutta tällä ei
erotuta"
Lähde: Informaatiosta kilpailuetua teollisuusyrityksiin [Valli & Ahlgren 2013]
tieto, joka on tallennettava esimerkiksi määräysten perusteella
tieto, jonka avulla voidaan edistää ja parantaa nykyistä liiketoimintaa
tieto, jonka avulla voidaan innovoida uutta liiketoimintaa

25. Lähteitä
•Breuker, D. 2014. Towards Model-Driven Engineering for Big Data Analytics – An Exploratory Analysis of Domain- Specific Languages for Machine Learning. 47th Hawaii International Conference on System Sciences.
•Davenport, T. H., Patil, D. J. 2012. Data Scientist. The Sexiest Job of the 21st Century. Harvard Business Review. October 2012.
•Davenport, T. H. 2014. Big Data at Work: Dispelling the Myths, Uncovering the Opportunities. Harvard Business Review.
•Kaisler, S. H., Armour, F. J., Espinosa, A., Money, W. H. Introduction to Big Data. Presented at HICSS-47, January 6, 2014, Waikoloa, Hawai’i.
•Kaisler, S. H., Armour, F. J., Espinosa, A., Money, W. H. Big Data and Analytics. Presented at HICSS-47, January 6, 2014, Waikoloa, Hawai’i.
•Kaisler, S. H., Armour, F. J., Espinosa, A., Money, W. H. Advanced Analytics – Issues and Challenges in the Global Environment. 47th Hawaii International Conference on System Sciences.
•Hannula, M. 2005. Tieto- ja liiketoiminta. Tekniset välineet ja sovellukset. Luento 23.10.2005.
•Laihonen, H., Hannula, M; Helander, N; Ilvonen, I; Jussila, J; Kukko, M; Kärkkäinen, H; Lönnqvist, A; Myllärniemi, J; Pekkola, S; Virtanen, P; Vuori, V; Yliniemi, T. 2013. Tietojohtaminen. Laitosraportti. Tampereen teknillinen yliopisto.
•Laney, D. 3D Data Management: Controlling Data Volume, Velocity and Variety. Gartner. Retrieved 6 February 2001.
•Loukides, M. 2010. What is Data Science? O’ Reilly, Cambridge. http://www.kiwidatascience.it/wp- content/uploads/2013/05/What_Is_Data_Science_.pdf
•Yli-Pietilä & Backman 2013. Management by analytics. Commercial and technical applications in the Big Data era. Teradata
•Valli, K., Alhgren 2013. Informaatiosta kilpailuetua teollisuusyrityksiin. Teknologiateollisuus. http://www.teknologiateollisuus.fi/file/16270/Informaatiostakilpailuetua.pdf.html
•Vilminko-Heikkinen, R., Pekkola, S. 2013. Establishing an Organization’s Master Data Management Function: A Step-wise Approach. 46th Hawaii International Conference on System Sciences.
•Väisänen, J. 2011. Tiedonlouhinta. Luentomateriaali.
8.12.2014
25

26. Toiminnan kehittämisen eri ulottuvuudet, mihin kaikkeen data ja analytiikka taipuvat
8.12.2014
26

27. Raportoinnista operationaaliseen data-analytiikkaan
8.12.2014
27
Raportit
RAPORTOIDAAN
MITÄ
tapahtui?
ANALYSOIDAAN
MIKSI
se tapahtui?
Ad hoc
BI työkalut
ENNUSTETAAN
MITÄ TULEE
tapahtumaan?
Ennustavat
mallit
OPERATIONALISOIDAAN
MITÄ ON
tapahtumassa nyt?
Linkki operatiivisiin
järjestelmiin
AKTIVOIDAAN
PISTETÄÄN
tapahtumaan
Automaattiset
linkitykset
STRATEGINEN ÄLYKKYYS
OPERATIONAALINEN ÄLYKKYYS
Lähde: mukaillen [Yli-Pietilä & Backman 2013]

28. Tiedonlouhinnan menetelmiä
8.12.2014
28
Suunnattu
Ei-suunnattu
Ad Hoc
Strateginen suunnittelu
Ennustaminen
Segmentointi
Klusterointi
Visualisointi
OLAP
Neuroverkot
Regressio
Lähde: [Kudyba & Hoptroff, 2001; Väisänen, 2011]

29. Klusterointi
•Kuvailevaa tiedonlouhintaa / deskriptiivistä analytiikkaa
•Tavoitteena klusteroida (luokitella) datamatriisin havainnot siten, että jokaisen klusterin sisällä olevat havainnot ovat mahdollisimman homogeenisia, ja jokainen klusteri mahdollisimman heterogeeninen muiden klusterien kanssa
•Yleisiä käyttötarkoituksia
–asiakkaiden segmentointi
–myymälöiden ryhmittely menestyksen mukaan esimerkiksi kolmeen ryhmään: menestyjiin, keskinkertaisiin ja huonoihin [Niemijärvi 2013]
8.12.2014
29

30. Esimerkki hierarkkisesta klusteroinnista
8.12.2014
30
Klusterien lukumäärä
Klusterit
5
(1) (2) (3) (4) (5)
4
(1,2) (3) (4) (5)
3
(1,2) (3,4) (5)
2
(1,2) (3,4,5)
1
(1,2,3,4,5)
1 2 3 4 5
Lähde: [Väisänen, 2011]

31. Assosiaatiosäännöt
•Tarkoituksena löytää havaintoja, jotka esiintyvät yhdessä useammin kuin muut
•Usein käytettyjä sovelluksia
–Ostoskorianalyysi, engl. market basket analysis (MBA), ks. Esim. [Niemijärvi 2014]; [Ollikainen 2013]
–Klikkivirran analyysi, engl. web clickstream analysis (WCA) [Paananen 2006]
•Normaaleista tietokannoista poiketen assosiaatiosääntöjä tarkastellaan transaktio- ei asiakaspohjaisesti
–MBA:ssa yksi datamatriisin rivi vastaa yhtä kassalla käyntiä
–WCA:ssa yksi datamatriisin rivi vastaa yhtä vierailua verkkosivuille
8.12.2014
31

32. Assosiaatiosäännöt
•Assosiaatiosääntö on todennäköisyyteen perustuva lausuma tiettyjen tapahtumien samanaikaisesta tapahtumisesta:
•JOS A=1 ja B=1, NIIN (tietyllä todennäköisyydellä p) C=1
•Todennäköisyys, että ostetaan tavara X, kun tavara Y on ostettu: X → Y
•Esim. (Maito & Tee) → Keksejä (assosioaatiosääntö)
•Säännön oikealla puolella yleensä vain yksi tekijä
•Säännön vasemmalla puolella harvoin kolmea tekijää enempää (3. asteen sääntö)
•Todennäköisyydet tavaroiden ostamiselle saadaan jakamalla ostotapahtumien esiintymistiheys kaikkien ostotapahtumien lukumäärällä
8.12.2014
32
Lähde: [Väisänen, 2011]

33. •Tuki (”Support”) {A → B} = P(A ja B)
–Todennäköisyys, että tuotteet A ja B löytyvät satunnaisesta ostoskorista. Jos 40% ostoksista sisältää sekä maitoa että leipää, tuki {maitoa→ leipää} = 0.4
•Symmetrinen, eli tuki {leipää → juustoa} = tuki {juustoa → leipää}
•Jos tuki kovin alhainen, ei säännöllä välttämättä ole kovin suurta käytännön merkitystä
•Luottamus (”Confidence”) {A → B} = tuki {A → B} / tuki {A}
–Todennäköisyys, että satunnaisesta ostoskorista löytyy tuote B, jos siellä on tuote A
–Jos 80 % ostoksista sisältää leipää, mutta vain 40 % sisältää sekä leipää että maitoa, luottamus {leipää → maitoa} = 0.4 / 0.8 = 0.5
–Luku ei välttämättä ole symmetrinen
•Noste (”Lift”) {A → B} = luottamus {A → B} / tuki {B}
–Normalisoitu luku, joka ilmaisee, kuinka paljon tuotteen A ostaminen vaikuttaa tuotteen B ostamiseen
–Jos luottamus {leipää → maitoa} = 0.5 ja 40 % ostoksista sisältää maitoa, noste {leipää → maitoa} = 0.5 / 0.4 = 1.25
–Eli henkilöt, jotka ostelevat leipää, ostelevat 1.25-kertaisesti maitoa verrattuna koko porukkaan
8.12.2014
33
Assosiaatiosäännöt
Lähde: [Väisänen, 2011]

34. Regressio
•Lineaarinen regressio auttaa ennustamaan toisen muuttujan arvoja toisen muuttujan arvoilla
•Logistisen regression avulla voidaan selittää/ennustaa binääristä muuttujaa
•Kuinka mallinnuksen avulla ennustetaan asiakkaan ostotodennäköisyys? [Ollikainen 2014]
8.12.2014
34

35. Puumallit
•Yhdistetään regressio ja klusterointi
–Jaetaan havaintoja osajoukkoihin (klusterointi) tietyn ennustettavan muuttujan mukaan (regressio)
•Käytetään usein asiakkaiden luokitteluun, kun tiedetään, minkä ominaisuuden mukaan halutaan luokitella
–Puhelinoperaattorilla tiedossa, että 70 % asiakkaista maksaa laskunsa myöhässä, ja nyt halutaan tietää, keitä nämä ihmiset oikein ovat, ja miten voidaan ennustaa, maksaako uusi asiakas mahdollisesti laskunsa ajoissa
–Asiakastiedoista valitaan ne muuttujat, joiden arvellaan olevan keskeisessä roolissa. Oletetaan, että seuraavat muuttujat voisivat vaikuttaa siihen, maksaako asiakas laskunsa ajoissa (0= ei maksa ajoissa, 1= maksaa ajoissa)
1.Keskimääräinen puhelimen käyttöaste (min/kk)
2.Ikä (1 = alle, 30v. 2 = yli 30v.)
3.Siviilisääty (1 = naimaton, 2 = naimisissa)
8.12.2014
35
Lähde: [Väisänen, 2011]

36. 8.12.2014
36
•Puhelinoperaattoriesimerkki jatkuu…
–Alussa meillä on kaikki havainnot (10 000) yhdessä, joista siis 3 000 maksaa laskunsa ajoissa
–Puumalli jaottelee kaikki 10 000 havaintoa parhaiten kohdemuuttujaa (laskun ajoissa maksu) luokittelevalla muuttujalla
1: 30% 3000
0: 70% 7000
Yht. 100% 10000
1: 30% 3000
0: 70% 7000
Yht. 100% 10000
1: 11.7% 460
0: 88.3% 3480
Yht. 100% 3940
1: 41.9% 2540
0: 58.1% 3520
Yht. 100% 6060
Ikä
2
1
Ikä (1 = alle, 30v. 2 = yli 30v.)
Puumallit
Lähde: [Väisänen, 2011]

37. 8.12.2014
37
1: 30% 3000
0: 70% 7000
Yht. 100% 10000
1: 11.7% 460
0: 88.3% 3480
Yht. 100% 3940
1: 41.9% 2540
0: 58.1% 3520
Yht. 100% 6060
2
1
1: 67.1% 490
0: 32.9% 240
Yht. 100% 730
1: 38.5% 2050
0: 61.5% 3280
Yht. 100% 5330
1: 9.3% 310
0: 90.7% 3030
Yht. 100% 3340
1: 25.0% 150
0: 75.0% 450
Yht. 100% 600
Puh. käyttö
Ikä
Siviili- sääty
1
2
1
2
•Puhelinoperaattoriesimerkki jatkuu…
•Lopullinen malli voi näyttää tältä
Siviilisääty (1 = naimaton, 2 = naimisissa)
Ikä (1 = alle, 30v. 2 = yli 30v.)
Keskimääräinen puhelimen käyttöaste (1 = <300, 2 = >300 )
Puumallit
Lähde: [Väisänen, 2011]

38. Puumallit
•Mitä saatiin selville?
–91 % alle kolmekymppisistä naimattomista ei maksa laskuaan ajoissa
–Ainoa ryhmä, joka maksaa laskunsa ennemmin ajoissa kuin myöhässä on yli kolmekymppiset alle 300min/kk puhujat
–Ikä on silti tärkein kriteeri
8.12.2014
38
Lähde: [Väisänen, 2011]

39. Ennakoiva analytiikka
•Millä ohjelmistoilla ennakoiva analytiikka onnistuu ja millä ei?
–Onnistuu: RapidMiner, SAS, SPSS, MS analysis services, R, AnyLogic..
–Ei onnistu: IBM Cognos, Qlikview, Business Objects, MS reporting services, Tableau, Oracle OBIEE…
•Vinkki: Jos myyntimies vakuuttaa, että heidän softa tekee ennakoivaa analytiikkaa, niin kysy mm. seuraavien ennustemenetelmien sisältymisestä ohjelmistoon:
–Luokittelumuuttujille - naive bayes, neuroverkko, logistinen regressio, päätöspuut..
–Jatkuville muuttujille - erilaiset regressioanalyysit, neuroverkot..
•Jos ei löydy, niin kyseessä lienee raportointiohjelmisto.
•Milloin kannattaisi investoida ennakoivaan analytiikkaan?
–Silloin kun sinulla on edellytyksiä hyödyntää tuloksia, esim.
•Voit toteuttaa ennakoivan huollon ennen laitteen vikaantumista
•Voit torjua asiakaspoistumaa tai ostoskorin hylkäämistä aktiivisilla toimenpiteillä
•Kykenet kohdistettuun myyntiin ja markkinointiin..
8.12.2014
39
Muokattu lähteestä: [Laukkanen]

40. Analytiikka web-sivujen seurannassa, hakukoneoptimointi, sosiaalisen median hyödyntäminen toiminnan kehittämisessä ja asiakasanalyysissa
8.12.2014
40

41. Hakukoneoptimointi
•Esimerkkejä analytiikkatyökaluista hakukoneoptimointiin
–Google Analytics
–Google Webmaster Tools
–ClickHeat
–ks. esim. Konsepton blogi (Paltamaa 2010)
8.12.2014
41

42. Sosiaalisen median analytiikka esimerkki
8.12.2014
42
Impressions
-number of times users saw the Tweet on Twitter
Engagements
-number of times users have interacted with a Tweet, e.g. clicks, retweets, replies…

43. Myynti ja web-analytiikka
8.12.2014
43
Prospektit
Suspektit
Liidit
Liidit
Liidit
Awareness
Interest
Desire
Action
Impressions
Bounce rate
Engagements
Shopping area traction
Shopping cart actions
Payments
Repeat visits
Asiakkaat
Satisfaction
Recommendations

44. Starbucks hinnoittelun korjaaminen twiittien perusteella
8.12.2014
44
Lähde: [Kaisler 2014] Introduction to Big Data
•Huoli siitä kuinka asiakkaat pitävät uuden kahvituotteen mausta
•Seurattiin sosiaalista mediaa
•Maku oli hyvä, mutta hinta oli liian suuri
•Hinta laskettiin saman päivän aikana

45. Linkkejä lisätietoon
8.12.2014
45
Twitter: @Noviresearch ja @tietojohtaminen
Novi tutkimuskeskuksen kotisivut: https://www.tut.fi/novi/
Slideshare: http://www.slideshare.net/Noviresearch
YouTube: http://youtube.com/noviresearch