14
Analytiikka liiketoiminnassa Big data ja data-analytiikka liiketoiminnan kehittämisessä Edutech 2014 Jari Jussila, Novi, TTY

Analytiikka liiketoiminnassa

Embed Size (px)

DESCRIPTION

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

Citation preview

Page 1: Analytiikka liiketoiminnassa

Analytiikka

liiketoiminnassa

Big data ja data-analytiikka liiketoiminnan kehittämisessä

Edutech 2014

Jari Jussila, Novi, TTY

Page 2: Analytiikka liiketoiminnassa

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]

Page 3: Analytiikka liiketoiminnassa

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

Page 4: Analytiikka liiketoiminnassa

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

Page 5: Analytiikka liiketoiminnassa

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

Page 6: Analytiikka liiketoiminnassa

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”

Liik

eto

imin

ta-

va

sta

ava

Liik

eto

imin

ta-

ja

da

ta-a

naly

ytikko

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 / d

ata

ha

llin

na

n

asia

ntu

ntija

Analytiikka liiketoiminnassa

Page 7: Analytiikka liiketoiminnassa

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”

Liik

eto

imin

ta-

va

sta

ava

Da

tatie

teili

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

Page 8: Analytiikka liiketoiminnassa

Miten liikkeelle?

Analytiikka liiketoiminnassa 8/6

Page 9: Analytiikka liiketoiminnassa

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]

Page 10: Analytiikka liiketoiminnassa

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

Page 11: Analytiikka liiketoiminnassa

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 mediassa Analytiikka liiketoiminnassa 11/6

Liiketoimintaongelman, kysymyksen ja

analytiikkatarpeen iteroinnissa pivotointi

voi auttaa

Page 12: Analytiikka liiketoiminnassa

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]

Page 13: Analytiikka liiketoiminnassa

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]

Page 14: Analytiikka liiketoiminnassa

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]