Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

CMADFI 2015 Kaija Pöysti

4,304 views

Published on

Esitykseni CMADFI 2105:ssa 26.1.2015.

Published in: Data & Analytics
  • Be the first to comment

CMADFI 2015 Kaija Pöysti

  1. 1. Kaija Pöysti, M.Sc., Senior Partner Managerin matematiikka – miksi yhteisömanageri tarvitsee viestintäosaamisen lisäksi myös analytiikkaosaamista CMADFI 2015 Lahti 26.1.2015
  2. 2. Mitä kaikkea tiedät yhteisöstäsi… … kun vain seuraat sitä http://www.slideshare.net/socious/datadriven-online-community-management?from=ss_embedhttp://www.slideshare.net/socious/datadriven-online-community-management?from=ss_embed
  3. 3. http://www.slideshare.net/rhappe/the-state-of-community-management-2014?qid=92abcc7f-8c22-40a3-bb8d-8a41aab109aa&v=default&b=&from_shttp://www.slideshare.net/rhappe/the-state-of-community-management-2014?qid=92abcc7f-8c22-40a3-bb8d-8a41aab109aa&v=default&b=&from_s
  4. 4. • PilotointiPilotointi • Yhteisön kehittäminenYhteisön kehittäminen • SisällötSisällöt • ToiminallisuudetToiminallisuudet • AktivointiAktivointi • Uudet ilmiötUudet ilmiöt • Tavoitteet ja niitä selittävät tekijätTavoitteet ja niitä selittävät tekijät • ROIROI • Kuukausittain, viikottain – vai jatkuvasti?Kuukausittain, viikottain – vai jatkuvasti? Analytiikan käyttö Mitä tapahtui Miksi tapahtuu
  5. 5. Digitaalinen liiketoiminta: menneisyyden raportoimisesta tulevaisuuden tekemiseen Historian raportointi ja kontrollointi Tosiaikaisen datan keruu ja analyysi =ymmärrys Tulevaisuuden toiminnan ohjaus: kun ymmärretään “miksi”, tiedetään “mitä”. © Kaija Pöysti
  6. 6. • Big Data =Big Data = kaikkikaikki ilmiöstä saatava datailmiöstä saatava data • Datapisteitä voi olla sata yhtä hyvin kuinDatapisteitä voi olla sata yhtä hyvin kuin miljardimiljardi • Datan laatuDatan laatu • Puuttuuko dataa, onko siinä virheitä taiPuuttuuko dataa, onko siinä virheitä tai autokorrelaatiotaautokorrelaatiota • Data engineers vs. Data scientistsData engineers vs. Data scientists • Toinen kerää datan toisenToinen kerää datan toisen analysoitavaksianalysoitavaksi • Mitä datajoukkoja voit analysoida ristiinMitä datajoukkoja voit analysoida ristiin • Avoin data: säätilasta tv-ohjelmiinAvoin data: säätilasta tv-ohjelmiin • Korrelaatio ja kausaliteettiKorrelaatio ja kausaliteetti Muutama asia Big Datasta
  7. 7. Korrelaatio ja kausaliteetti • Mitkä ovat yhteisön tavoitteetMitkä ovat yhteisön tavoitteet • Mitkä ovat tavoitteiden todelliset selittävät tekijätMitkä ovat tavoitteiden todelliset selittävät tekijät
  8. 8. http://www.slideshare.net/socious/datadriven-online-community-management?from=ss_embedhttp://www.slideshare.net/socious/datadriven-online-community-management?from=ss_embed Visualisointi • Mitä kaavioita näytät ja mitä niistä voi päätelläMitä kaavioita näytät ja mitä niistä voi päätellä • Erilaiset kaaviotyypit ja visualisointitavatErilaiset kaaviotyypit ja visualisointitavat
  9. 9. • Analytiikkaa löytyy kohta joka lähtöönAnalytiikkaa löytyy kohta joka lähtöön • Toyota Way: kysy 5 kertaa “Toyota Way: kysy 5 kertaa “miksimiksi”” KISS – avoid Analysis Paralysis http://www.gooddata.com/bi-solutions/enterprise-analytics/yammer-analyticshttp://www.gooddata.com/bi-solutions/enterprise-analytics/yammer-analytics
  10. 10. Kaija Pöysti kaija.poysti@intosome.fi +358 400 505727 @kaijapoysti

×