Projekti-raportointia Power BI:llä

Projekti-raportointia Power BI:llä

Olemme toteuttaneet Projektiportfolioraportti esimerkin, jossa käytetään Microsoftin demo dataa Project Onlinesta ja sitä käsitellään eri tarpeisiin Power BI:llä.

 

Projektien hallinnan kannalta raha on yleensä kuningas ja siksi salkkutasolla olemme keränneet esille koko salkun kustannuksien datan. Esimerkiksi todelliset kustannukset, budjetoidu kustannukset ja viimeisen estimaatin kustannukset.

 

Lisäksi vohvelivalikon   kautta voimme pureutua dataan eri osastojen, projektityyppien tai projektin omistajien näkökulmasta, jolloin ennusteet ja projektit ovat paremmin vertailukelpoisia keskenään.

 

Portfolio kustannus/ päivä visuaalisaatiossa voimme seurata kuinka paljon salkku maksaa / päivä ja miten nämä kustannukset kasautuvat eri aikoihin. Esimerkin sakussa on ennustettu syyskuulle huomattavasti suurempia päiväkustannuksia kuin muulle osaa vuodesta. Olisiko tässä hyvä siirtää joitakin projekteja eri aikaan, jotta kuormitus olisi tasaisempaa? Toteutuneesta näemme, että joka tapauksessa kulut ovat seuranneet enemmän keskimääräistä päivähintaa. Erityisesti tässä raportissa Power BI pääsi osoittamaan vahvuutensa, sillä kyseinen data on projektitasolla Project Onlinessa ei päivätasolla, mitä raportointi vaatisi.

 

Mikäli rahaa käytetään huomattavasti vähemmän kuin mitä on arvioitu, voidaan siitä helposti päätellä, että projektit eivät todennäköisesti etene keskimäärin suunnitellulla nopeudella tai on mahdollisuus vapauttaa varoja muuhun käyttöön tämän vuoden osalta:

 

Koska meillä on käytössä koko projektisalkun tiedot voimme yksinkertaisella eksponentiaalisentasoituksen mallia (exponential smoothing) käyttämällä arvioida kertyviä tulevia kustannuksia ja niiden mahdollista kehittymistä.

 

Yksinkertaisilla liikennevaloilla saadaan projektisalkusta nousemaan esille projektit, mitkä kaipaavat huomiota. Tässä esimerkissä liikennevaloihin on käytetty automaattisia triggereitä perustuen esimerkiksi budjetin ylittämiseen yli 20% (Punainen).

 

Mikäli tilanne vaatii nopeampaa perehtymistä juuri tiettyyn projektiin voi raportilta helposti porautua siihen:

 

Ja nähdä mistä oikein on kyse, missä tilassa projekti on tai missä tilassa projektin välietapit ovat.

 

Projektiraporttia projektipäällikkö voi myös käyttää projektin seuraamiseen. Samalla päästään myös yhteen totuuteen, kun johto ja projektin vastuuhenkilöt näkevät samat tiedot. Tämä myös lisää näiden järjestelmien datan laatua, sillä virheet tulevat helposti näkyviin ja ne voidaan korjata suoraan järjestelmiin mistä ne ovat lähtöisin.

Power BI tarjoaa laajat julkaisuvaihtoedot raporteille kuten tämän raportin julkinen jakaminen osoittaa. Yrityksen sisäisesti julkaisun voidaan tehdä samaan tapaan tai vaikka esimerkiksi applikaation kautta suoraan puhelimeen. Lisäksi raportit on mahdollista toteuttaa niin että raportilla nähdään vain data, mihin on kirjautuneella henkilöllä oikeudet.

Tämän tyyppisen raportin lähteenä voi olla lähes mikä tahansa projekti järjestelmä. Parhaisiin tuloksiin päästään tietenkin ottamalla mukaan dataa suoraan esimerkiksi taloushallinonjärjestelmistä, jolloin projektien todelliset kustannukset voisivat olla lähes reaaliaikaisia. Vastaavasti mitä enemmän järjestelmiä huomioidaan sitä tarkempaa, data on ja sitä lähempänä ennuste voi olla toteumaa. Lisäksi Microsoftin alusta tarjoaa välineet kaikkeen datan hallintaan ja analysointiin, vaikka itse Power BI ei johonkin sovellukseen sellaisenaan toimisi.

Energiankulutuksen joustosta 1

Kohteen riippuvuus lämpötilasta

Yksittäisen kohteen energiankulutuksen aikasarjat ovat useimmiten omasta välittömästä historiastaan, vuodenajasta sekä ulkolämpötilasta riippuvia. Monilla yhtiöillä on mahdollisuus tarkastella yksittäisiä aikasarjoja graafisesti, mutta miten ottaa haltuun koko mittaustietojen kokonaisuus?

Ready Solutions Oy:n näkemyksen mukaan avainasemassa on mittausdatan mahdollisimman automaattinen hyödyntäminen, esimerkiksi koneoppimismenetelmien tuottamien ennusteiden avulla. Ennusteet ja mittausdatassa oleva informaatio täytyisi tiivistää muutamaan keskeiseen tunnuslukuun, joista yhden käsittelemme tässä kirjoituksessa.

 

Käyttötapaukset

Suoran sähkölämmityksen kohteen tapauksessa erilaiset riippuvuuden tunnusluvut tarjoavat sähkön myyjälle ja miksei myös verkkopalveluita tarjoavalle yhtiölle mahdollisuuden esimerkiksi riskiperusteiseen hinnoitteluun.

Kaukolämmön liiketoiminnassa, jossa hinnoittelu perustuu tyypillisesti muutamaan julkisen hinnaston mukaiseen komponenttiin, tällaisten tunnuslukujen avulla voitaisiin hinnoitella verkostokohtaisesti perusmaksuja. Tausta-ajatuksena on, että asiakas maksaa optiosta käyttää energiaa.

Olemme muutamissa tapauksissa rakentaneet kaukolämmön liiketoiminnoille automatisoidut prosessit, jotka tuottavat esimerkiksi tilausvesivirran tai tehon ennusteet.

Näiden suoraan liiketoimintaan liittyvien tapausten lisäksi mittausdatan laadunvarmistuksen näkökulmasta voi käydä läpi erityisen poikkeavia tunnuslukuja.

 

Kaarijousto – Arc Elasticity

Kaarijousto on tunnusluku, joka kohteen energiankulutuksen volyymista riippumattomasti pyrkii tiivistämään lämpötilariippuvuuden.

Jos käytetään yksinkertaista regressiomallia, niin jousto voidaan saada suoraan mallin kertoimia käyttäen. Muussa tapauksessa voidaan tuottaa paikalliset ennusteet ja laskea tulos auki niiden avulla. Molemmat esimerkit on esitetty kaavoina alla olevassa kuvassa.

Yllä olevassa kuvassa E on energiakulutus ja T on lämpötila, indeksoinneilla kuvataan paikallisuutta tai keskiarvoa tietyllä havaintoalueella.

Erityisesti pienten kulutuskohteiden tapauksessa ennusteiden tuottamisessa käytettyjen muuttujien arvojen vaihtelu voi olla suurta ja tuloksia täytyy tarkastella kriittisemmin.

 

Kiinnostaako koneoppiminen ja data-analytiikka energiatoimialalla?

 

Toteutimme Savon Voimalle konseptiimme perustuen useita koneoppimisen (ML) ratkaisuja, joiden kehityksen yhteydessä osoitimme että tällaiset projektit voidaan toteuttaa joustavasti ilman valtavia investointeja. Käy tutustumassa asiakas – caseemme!

 

 

HR Analytiikka – Nuppiluvut ja FTE

Jatkamme tässä aiemman artikkelimme mukaisesti HR – dataan liittyvien asioiden käsittelyä.

Henkilöstön kokonaismäärä (”nuppiluku”) ja FTE:t ovat yksi tärkeimmistä HR  – raportoinnin ja analytiikan perusluvuista, antaen kuvan työntekijöiden määrästä yrityksessä ja missä päin yritystä he työskentelevät. Nuppilukuja käytetään esimerkiksi kun suunnitellaan tarvittavaa henkilöstömäärää tulevaisuuden projekteihin ja tehtäviin, näyttäen nykyisen tarjonnan. Lisäksi nuppiluku/fte on usein jakajana kun lasketaan erilaisia kuluja per henkilö (FTE) tai liikevaihto per henkilö (FTE). Toki myös viranomaisraportointia joutuu tekemään.

Määritelmät
Nuppiluku (HeadCount): Työsuhteessa oleva työntekijä lasketaan nuppiluvuksi 1
FTE: Työntekijöiden määrä täysiaikaisina työntekijöinä (jos työskentelee vain puolet viikosta/kuukaudesta, saa luvun 0.5)

Mistä lähteistä nämä luvut saadaan?
Alla näkyvässä kuvassa näkyy miten johdetut taulut HeadCount ja FTE on kytketty muihin
HR-perusjärjestelmän tauluihin.

Nuppiluvut otetaan yleensä HR-perusjärjestelmän työsuhde-taulusta. Laskelmat tehdään yleensä kuukauden tarkkuudella ja määritelmä voi olla esimerkiksi ’jos henkilöllä on työsuhde voimassa kuun viimeisenä päivänä’ saa hän arvon 1 sille kuukaudelle. Tähän voi lisätä muita versioita tai rajauksi ottamalla pois henkilöt jotka ovat pitkillä poissaoloilla, tai jotka eivät ole varsinaisia työntekijöitä vaan contractoreita (konsultteja) yhtiössä. Alla näkyvä HeadCount taulu on lopullisessa raportointi-muodossa tähtimallissa, jossa Työsuhteen tiedot on tuotu suoraan HeadCount tauluun kiinni. Nuppilukulaskelmissa päänsärkyä voi aiheuttaa työntekijät joilla on konserniin useita työsuhteita yhtäaikaa eri yhtiöihin meneillään. Näitä voi ajatella kaikkia yhtenä HeadCounttina tai sitten jättää mahdollisuuden BI työkalussa katsoa niitä yhtenä tai useana HeadCounttina.

FTE laskelmat menevät eri tavalla kuukausittaisille työntekijöille ja tuntipalkkalaisille. Kuukausipalkkalaisille lähteenä käytetään HR-perusjärjestelmän työsuhde-taulua, ja laskelma eroaa seuraavalla tavalla nuppiluvuista: Henkilö saa arvon 1 FTE ollessaan koko kuun töissä, mutta jos hän on vain puolet kuusta niin arvoksi tulee 0.5. Yleensä HR haluaa FTE:stä eri versioita, esimerkiksi vähentäen kuukauden aikana olleet poissaolot tai vain palkattomat poissaolot. Myös osa-aikaiset työntekijät tulee huomioida.

Tuntipalkkalaisten FTEt otetaan yleensä maksetuista palkoista, joissa siis tulisi näkyä maksetut tunnit. Kuukauden aikana maksetut tunnit jaetaan kuun maksimituntimäärällä, ja jälleen täysiaikainen töissäolo antaa arvon 1. Alla näkyy FTE-taulu tähtimallimuodossa.

Usein FTEt halutaan lisäksi jakaa kustannusjakoperusteella eri kustannuspaikoille, kun taas nuppiluvut saatetaan näyttää vain pääkustannuspaikalla. On oleellista myös huomata miten eri tavoin HR raportointi ja perusjärjestelmän logiikka toimivat. Esimerkiksi jos huomataan että perusjärjestelmässä on virheellisesti työsuhde (henkilöä ei ole todellisuudessa ollutkaan työllistettynä) niin HR-perusjärjestelmään virhe korjataan, mutta jos luvut on tuolla perusteella jo aiemmin raportoitu niin usein lukujen halutaan pysyvän samoina, eikä niiden haluta muuttuvan jatkuvasti vielä vuosien päästä.

Nuppiluku – ja FTE laskelmat saattavat olla monimutkaisia tarkalla tasolla ja onnistunut projekti vaatiikin usein syvää HR-datan käsittelyn ymmärrystä.

Ota yhteyttä myyntiimme, jos HR – dataan liittyvät asiat mietityttävät!

myynti@readysolutions.fi

ADMM esittely

ADMM – esittely

Toteutimme Savon Voimalle konseptiimme perustuen useita koneoppimisen (ML) ratkaisuja. Mitä tällainen konsepti sitten pitää sisällään?

 

Metadata kaiken keskellä

Uskomme vahvasti siihen että datan jäsentäminen tapahtuu metadatan avulla ja pelkät faktat eivät sinänsä kerro paljon. Haluamme konseptillamme tuoda käyttäjien nähtäville laajan kokoelman erilaista metadataa kehitetyistä ML – ratkaisuista, jotta niitä voidaan hyödyntää liiketoiminnassa.

Metadatan lisäksi tarvitaan käsitemalli eli ylimmän tason kuvaus erilaisista asioista, joita konseptiin kuuluu.

 

Käsitemallimme

ADMM eli analytical data mining mart on data mart, jonka avulla voidaan tuottaa ML – ratkaisuja liiketoiminnan tarpeisiin.

ML – ratkaisun lopputulos on score, joka voi olla esimerkiksi todennäköisyys tai sitten ehdollinen odotusarvo. Vain scoren hyödyntäminen liiketoimintaprosessissa tuottaa liiketoiminnallista arvoa, muussa tapauksessa hyöty jää jonkun ilmiön kuvailun asteelle.

Data Scientist tuottaa mallin, jolla pyritään tiivistetysti kuvaamaan jotain ilmiötä tai ennustamaan sitä. Malliin liittyy myös algoritmi eli laskukaava, jolla tulos tuotetaan. Algoritmi ei täysin vastaa tilastotieteen estimaattoria, joka sekin on laskukaava.

Käsitemallissamme kuvataa myös muita asioita, esimerkiksi käytetyt muuttujat ja niiden tyypit.

ADMM – toteutus

Olemme toteuttaneet ADMM – konseptiamme toistaiseksi yhdistelmänä Microsoftin Business Intelligence – teknologioita sekä avoimen lähdekoodin R – kieltä. Sinänsä konsepti voitaisiin hyvin toteuttaa muillakin teknologioilla.

Yksittäisessä projektissa dataintegraatiot tulevat viemään eniten aikaa, konseptiamme käyttämällä saadaan nopeasti valmis toimintamalli mutta jokainen ympäristö on tietolähteiden osalta erilainen.

 

Kysy lisää!

Jos haluat keskustella asiasta ja kysyä miten tällainen konsepti otetaan käyttöön, niin ota yhteyttä myyntiimme:

myynti@readysolutions.fi

+358451374850

HR raportointi ja tietomallit

HR – datan ymmärrys sekä hyödyntäminen on tärkeää kaikille isommille organisaatioille, alkaen pakollisesta viranomaisraportoinnista aina strategiseen HR-suunnitteluun ja linjauksiin suhteessa liiketoiminnan tavoitteisiin.

Alla olevassa kuvassa näkyy HR – raportointiin liittyvät peruskäsitteet. Yritys tallentaa työntekijän perustiedot kuten nimen ja osoitteen ja perustaa henkilölle työsuhteen (tai kyseessä voi olla myös alihankkijan henkilö), joka määrittää suurimman osan perustiedoista (dimensioista) raportointinäkökulmasta katsottuna. Huomaa myös että joissain tapauksissa on mahdollista, että työntekijällä on samaan aikaan useampi työsuhde voimassa saman konsernin eri yritysten kanssa. Työsuhteita on myös eri luonteisia, osalla työntekijöistä voi olla useita lyhytikäisiä määräaikaisia työsuhteita saman vuoden aikana.

Onnistunutta HR-raportointikehitystä varten on oleellista ymmärtää tämä prosessi ja siihen liittyvä tietojen tallennus  HR-perusjärjestelmässä. Työsuhteen tarjoamat perustiedot liittyvät työajan tallennukseen, poissaoloihin ja palkanmaksuun työntekijälle.

HR raportoinnin tarpeet vaihtelevat liiketoiminnan luonteen mukaan. Alla olevat metriikat täyttävät yleisen perusraportoinnin tarpeen HRlle.

1. Työsuhde

  • Henkilömäärä      (aktiivisten työntekijöiden määrä)
  • FTE-luvut               (työntekijöiden määrä täysiaikaisina työntekijöinä -full time equivalents)
  • Vaihtuvuus             (yrityksestä lähtevät työntekijät ja uusien palkkaaminen)

2. Maksut työntekijälle

  • Työntekijän/työtunnin keskimääräinen hinta
  • Ylitöiden määrä ja hinta

3. Poissaolot, lomat ja työaika

  • Poissaolojen määrä ja keskiarvo eri työntekijäryhmissä
  • Kertyneet lomapäivät
  • Työajan seurannasta projektikohtainen työtuntimäärä, eri tehtäviin käytetty työaika

Tämän lisäksi HR raportointiin voi kuulua esimerkiksi rekrytointiprosessiin liittyviä asioita (kuinka pitkään menee uuden henkilön löytämiseen), henkilöstökyselyt (työtyytyväisyys) ja koulutuspäivien määrä ja kustannukset.

Yleiset ryhmittelevät tekijät (dimensiot) HR datalle ovat sukupuoli, ikäryhmät, työsuhteen vakinaisuus/määräaikaisuus, erilaiset maksu/kompensaatiotyypit kuten peruspalkka, bonukset, luontoisedut ja työntekijä-esimies hierarkia sekä kustannuspaikka-hierarkia.

Alla on esimerkki loogisesta tietomallista, josta saa johdettua yllä luetellut metriikat. Yleensä kaikki tiedot linkittyvät työsuhteeseen ja henkilöön. Raportoinnin kannalta on ensiarvoisen tärkeää että myös muutokset työsuhteen tai henkilön perustietoihin tallentuvat ainakin raportointia varten. Yleensä jo HR-perusjärjestelmä tallentaa nuo muutokset, mutta aina näin ei ole ja silloin tallennus on tehtävä HR-raportointijärjestelmässä (HR DWssä). HR-raportointitietokannan fyysisessä toteutuksessa on yleensä tarpeen tehdä omat taulut FTE-luvuille, henkilömäärille, sekä käyttää teknisiä voimassaolopäivämääriä työsuhteen ja henkilön perustietojen muutoksien tallennukseen.

Yllä on kuvattu lyhyt johdanto HR – datan maailmaan.

Ota yhteyttä, jos HR – data sekä prosessien kehittäminen datan avulla kiinnostavat!

myynti@readysolutions.fi

Ota CRM – sovelluksen data hyötykäyttöön

Olemme aiemmin kirjoittaneet yrityksen CRM:n datan hyödyntämisestä, pääpaino silloin oli suorat yhteydet esimerkiksi Power BI:n avulla organisaation D365 ympäristöön.

Mutta kaikille organisaatioille tämä ei ole riittävää, vaan vaaditaan datan yhdistämistä eri sovellusten olemassa olevien datojen kanssa. Tällöin käytännössä tarvitaan tietovarastoinnin tekniikoita.

Tässä esimerkkitapauksessa oletamme, että organisaatiolla on on-premises mallilla rakennettu tietovarasto tai oikeammin data mart ja sillä on käytössään ETL – teknologia dataintegraatioihin.

Toisessa osassa kerromme hieman miten vastaava datan ottaminen hyötykäyttöön tapahtuisi, jos käytössä olisi monipuoliset Microsoft Azure – ympäristön palvelut.

 

Esimerkki energia-alalta

Energiayhtiö Oy käyttää perusjärjestelmänään energia-alalle tyypillisen lyhenteen mukaisesti ison toimittajan CIS – sovellusta, mikä viittaa sanaan Customer Information System. Tämä systeemi hoitaa laskutuksen ja sopimusten hallinnan prosesseihin liittyviä asioita.

Yhtiö on myös hankkinut liiketoiminnan johtamista varten data martin, josta voi nähdä sopimuskannan tilanteen sekä laskutukseen liittyviä asioita. Näillä tiedoilla ajateltiin aluksi pystyvän johtamaan liiketoimintaa.

 

Kohta havaitaan, että yrityksen myyntitiimit ovat ottaneet käyttöön SaaS – sovelluksen, joilla he hoitavat myyntiprosessia eikä oikein mistään aiemmasta perusjärjestelmästä näe mitä myyntiprosessissa kokonaisuutena tapahtuu. Kun liiketoimintajohto kuitenkin haluaa näkyvyyttä myynnin tilaan, niin päätetään integroida CRM – data osaksi data mart – ratkaisua ja edellinen tietomalli täydennetään myyntimahdollisuudella sekä liidien tiedoilla (Opportunity, Lead).

 

Tietomallin täydentämisen sekä data martin taulujen lisäksi tarvitaan myös dataa.

 

Kingswaysoft D365 Integration Pack for SSIS

 Pilvessä olevan datan voi ottaa hyötykäyttöön tietovarastoinnissa käyttämällä esimerkiksi SQL Server Integration Services – ohjelmistoa, johon hankitaan sopiva laajennus helpottamaan datan poimintaan SaaS – palvelusta.

Ready Solutions Oy:n konsultit ovat testanneet perinteisen on-premises tietovarastoinnin osalta Kingswaysoft – nimisen toimijan tuotetta, joka vaikuttaa lupaavalta. On tietysti olemassa myös muita vaihtoehtoja, kuten jonkinlainen replikaatiomekanismi. Mutta SaaS – sovellusten tapauksessa rajapintojen suora hyödyntäminenkin on pidettävä yhtenä tärkeimmistä integraatioiden toteutusmuodoista.

Miten CRM:n data integroidaan tietovarastoon? Yksinkertainen tapa on luoda SSIS – sovellus, joka siirtää datan staging – alueelle tietovarastoon ja lataa sen jälkeen datat kohdetauluihinsa.

SSIS – sovelluksen voi laittaa käyttämään jotain valmista teknistä O365 – sovellustunnusta, jolle on annettu D365:n puolella sopiva security role datan poimintaa varten.

Loppuosa latauksesta on kohtuullisen yksinkertaista komponenttien siirtelyä paikalleen data flow – taskin sisällä sekä haluttujen kenttien poimimista.

Staging taulusta data ladataan ensin kaikkiin dimensiotauluihin, jotka sitä lähdettä hyödyntävät ja sen jälkeen faktatauluun / faktatauluihin.

 

              Haluatko ottaa D365 datasi käyttöön        liiketoimintaraportoinnissasi?

Ready Solutions Oy:n konsulttitiimi auttaa mielellään ja selvittää parhaan ratkaisun, ota rohkeasti yhteyttä!

Asko.kauppinen@readysolutions.fi

Jonne.poutiainen@readysolutions.fi

+358451374850

Kirjoitamme myös seuraavan osan datan ottamisesta käyttöön, seuraa meitä eri sosiaalisissa medioissa ja käy sivuillamme jos haluat tietää lisää!

Gliffy – tehokas kuvausväline

Monessa tilanteessa on koko kehitystiimillä oltava näkemys siitä, millaisen kokonaisuuden parissa työskennellään. Tietojärjestelmää kehitettäessä, olkoonkin vaikka liiketoimintajohdon käyttöön tuleva raportointisovellus, on syytä mallintaa sen ominaisuuksia ainakin jollain tasolla.

Ready Solutions Oy:n konsultit ovat havainneet Gliffy – nimisen SaaS – palvelun toimivan tällaiseen tarkoitukseen mainiosti. Emme ole tehneet kyseistä palvelua tuottavan yrityksen kanssa affiliate – sopimusta, emme saa rahaa jos menet tuolle sivulle ja teet tilauksen.

Ilmeisesti Gliffyä voi käyttää myös Atlassianin tuotteiden kanssa niiden sisällä, mutta meillä kyseistä komponenttia eí ole käytössä. Uskomme kuitenkin, että Confluence – sivustojen sisällä olevat kuvaukset olisivat hyvä tapa tuoda järjestelmäkokonaisuuksien kuvaukset suuremman joukon käyttäjiä nähtäville.

Kuvaa kokonaisuus ylätasolla

Järjestelmän looginen osittaminen pakettien avulla on järkevää, näin esimerkiksi käyttötapauksista saadaan hallittavan kokoisia visuaalisesti tarkasteltavaksi.

Alla olevassa kuviossa kuvataa kuvitteellisen online pizza – yhtiön järjestelmäkokonaisuutta. Järjestelmä koostuu seuraavista osioista, joihin kaikkiin liittyy omat käyttötapauksensa.

Osiot ovat seuraavat:

  • tilausten tekeminen
  • maksaminen
  • inventaarion hallinta
  • notifikaatioiden lähettäminen
  • tilausvahvistusten sähköpostilähetys

Jokaisesta osa-alueesta voidaan tehdä esimerkiksi oma käyttötapauskaavio.

 

Tee tarkempi kuvaus osa-aluekohtaisesti

 Tarkemmin erilaisia osa-alueita voi kuvata yhdistelmällä käyttötapauksia, luokkakaavioita sekä aktiviteettikaavioita. Kukin näistä palvelee omaa tarkoitustaan eikä ole suinkaan mahdollista kuvat koko järjestelmää pelkästään yhdellä kaaviolla.

Alla olevissa kuvissa on kuvattu pizzan tilaamiseen liittyvät käyttötapaukset, niiden riippuvuudet sekä aktiviteettikaaviossa tilaus prosessina.

 

Haluatko opetella käyttämään Gliffyä? Ota yhteyttä!

 Ready Solutions Oy:n konsulttitiimillä on kokemusta erilaisista mallinnusvälineistä mukaan lukien ERWIN, ER Modeler, Gliffy ja Visio.

Readyn konsultit vastaavat mielellään kysymyksiisi, jos haluat hyödyntää tällaista helppokäyttöistä työvälinettä.

Asko.kauppinen@readysolutions.fi

Jonne.poutiainen@readysolutions.fi

+358451374850

 

Analytiikka, liiketoimintaa vai sovelluskehitystä?

LinkedIniä tai muuta sosiaalista mediaa seuraamalla voisi helposti ajatella, että kotimaassa pääasiassa suuremmat konsulttiyritykset ja muut ohjelmistokehittäjät tekevät analytiikkaa, mutta todellisuudessa sitä tietysti tehdään eri organisaatioissa eri lähtökohdista.

Isommat, ”perinteiset” tiedolla johtamiseen panostaneet organisaatiot ovat saattaneet jo vuosia sitten hankkia SAS tai SPSS Modeler – ohjelmistoja, joilla liiketoimintalähtöiset data-analyytikot ovat tuottaneet analytiikkaprosesseja aina tuotantoon asti. Pankit, data brokerit, vakuutusyhtiöt, julkaisijat sekä teleoperaattorit ovat olleet pitkään kaupallisten analytiikka-alustojen käyttäjiä.

Ohjelmistokehittäjillä ja meillä konsulteilla on työkalupakki yleensä laajempi, mutta olemme kauempana liiketoiminnan käytännöistä. Kokemukseni mukaan taloudellisen mallin rakentaminen osaksi analytiikan tulosten arviointia saa paremman vastaanoton, kuin pelkkien tulosten esittely ilman tuollaista sidosta.

 

                    Mitä analytiikka on?

Analytiikka on, tai sen pitäisi olla liiketoiminnan kehittämisen ja johtamisen apuväline, ja eroaa perinteisestä operatiivisesta tai strategisesta raportoinnista siinä, että erilaisia mitattujen ilmiöiden vaikutussuhteita ja ennusteita pyritään tuottamaan algoritmien avulla. Datavisualisointi on taas luonteeltaan erilaisten ilmiöiden tarkastelua ihmisten havainto – ja jäsennyskyvyn asettamissa rajoissa.

Tilastotieteessä ja sen sovellusalueissa eri tieteissä oletetaan useimmiten taustalle jonkinlainen satunnaisprosessi, jonka parametrit ovat tiedossa mutta jonka arvot pyritään datasta estimoimaan. Tai voidaan ajatella niin että parametritkin ovat satunnaismuuttujia, mutta mallintajalla on jonkinlainen prioritiheys niille.

Liiketoiminnan data-analytiikka kokoaa yhteen työkaluja tietojenkäsittelytieteestä, tilastotieteestä ja sovelletusta matematiikasta. Tarkoitus ei ole tehdä tiedettä, vaan tuottaa hyödyntäjäorganisaatiolle taloudellista hyötyä, joten metodologisessa mielessä ei yleensä olla sitoutuneita johonkin yksittäiseen lähestymistapaan.

 

Liiketoiminnan ja datan vuoropuhelu

 Organisaatioilla on dataa eri muodoissa, eri määriä ja syntyen eri liiketoimintaprosessien seurauksena. Ehkä tärkein asia analytiikan tekemisessä on se, että liiketoiminnallinen ongelma on ymmärretty ja tiedetään mitä lähdetään tavoittelemaan.

Asiantuntija, joko organisaation oma tai ulkopuolinen, pystyy arvioimaan miten käytettävissä oleva data kelpaa liiketoiminnallisen ongelman ratkaisemiseen.

Iso osa työstä on datan kanssa painimista, ekonomisteilla on vitsi että data tunnustaa kunhan sitä kiduttaa riittävän pitkään. Siksi datan ominaisuuksien tutkimiseen on syytä käyttää jonkin verran aikaa ja tehdä tiivistä yhteistyötä ilmiöalueen asiantuntijoiden kanssa.

 

Lähde kehittämään liiketoimintaasi datan avulla!

Ready Solutions Oy:n konsulttitiimillä on vahvaa kokemusta eri toimialoilta sekä erilaisista ohjelmistotuotteista. Erityisesti energiatoimialalla voimme auttaa liiketoimintasi kehittämisessä monia muita toimijoita syvällisemmän toimialaosaamisemme vuoksi.

Readyn myyntitiimi vastaa mielellään kysymyksiisi:

myynti@readysolutions.fi

+358451374850

 

Onko datavisualisointi analytiikkaa?

Viimeisten vuosien aikana sanasta analytiikka on tullut ns. weasel word*, eli se voi tarkoittaa mitä tahansa.

Datavisualisointi on datan eri asteikollisten muuttujien esittämistä kuvioiden avulla niin että ihminen yrittää jäsentää sen informaatioksi. Datan muuntaminen informaatioksi vaatii useimmiten jonkinlaisen kontekstin, ja luonnollisesti yrityksessä se on liiketoiminnan joku osa-alue.

Vaikka vaatisi että oikeaa analytiikkaa voi olla vain algoritmien käsittelemän datan vasteena tuleva johdettu data, kuten ostotodennäköisyys, niin monesti datan visualisointi ennen sen syöttämistä algoritmeille on tärkeää laadun varmistuksen mielessä. Datan hyödyntäjän on tunnettava datansa.

Data informaatioksi – eri näkökulmat tuovat arvoa

Ready Solutions Oy:n osakkaan Asko Kauppisen mukaan datavisualisoinnin käyttötarpeet voidaan useimmiten täyttää hyvällä Business Intelligence – ohjelmistolla ilman että suuren joukon liiketoimintakäyttäjiä tarvitsee opetella ohjelmointikieliä. Markkinoilla on useita hyviä vaihtoehtoja, eikä ole järkevä ajattelumalli, että organisaatiolla pitäisi olla vain yksi teknologiajoukko, joka voidaan ottaa käyttöön.

Datan edistyneempi hallinta edellyttää jo jonkin verran enemmän investointeja, mutta esimerkiksi tiettyjä kehityshankkeita voidaan toteuttaa ilman suurta tarvetta kaupallisille ohjelmistoille. Nykyään Python ja R ovat suosituimpia työvälineitä Data Scientistien keskuudessa ja ne voidaan ottaa käyttöön nopeasti.

Riippumatta siitä mitä organisaatiossa tehdään tai millä välineillä, niin datan hyödyntämisen tulee palvella liiketoimintaa. Käyttötarve voi olla tuotekehitys, riskienhallinta, kannattavuus, asiakaspalvelun laatutason nostaminen taikka miltei mikä tahansa.

Ready Solutions Oy:n osakkaan Jarkko Sahlmanin mukaan informaation arvo tulee pelkästään siitä, että liiketoimintajohto tai yrityksen työntekijät operatiivisella tasolla ymmärtävät yrityksen eri toimintojen ja prosessien nykytilan suhteessa tavoitteisiin ja tämän jälkeen tekevät toimintaan muutoksia, jotta asetettuihin tavoitteisiin päästäisiin.

        Esimerkki –  mitä Google Analytics data kertoo?

Ready Solutions Oy:n markkinoinnin ja myynnin panosten vaikutusta voidaan tarkastella verkkosivujen erilaisilla kävijämäärien (käynnit, kävijät, uudet kävijät) sekä muilla, liikevaihtoon enemmän vaikuttavilla, muuttujilla mutta joita emme tässä halua avata tarkemmin.

Markkinoinnilla pyrimme avaamaan myyntimahdollisuuksia ja myyntimahdollisuus voi alkaa vaikkapa kontaktista myyntiimme verkkosivuillamme. Myyntimahdollisuudet taas pyritään muuttamaan toteutuneiksi kaupoiksi.

Heinäkuussa 2018 aloitimme useassa eri kanavassa cost per click – tyyppisen kampanjan, jolla pyrimme lisäämään liikennettä sivullamme olevaan artikkeliin sekä lisäämään LinkedInin puolella olevia yrityssivuston seuraajien määriä. Artikkeliin on tässä kampanjassa sijoitettu yhteydenottoon kannustavia CTA – elementtejä, kun joissain tilanteissa pyydämme vain kävijöitä seuraamaan yrityksemme sosiaalisten medioiden yrityssivuja.

Yllä oleva Power BI välineellä tuotettu kuvaaja on yksinkertainen, mutta tarjoaa mahdollisuuden verkkoliikenteen tarkasteluun usean eri dimension suhteen.

Mielenkiintoinen osa-alue datan visualisointiin tai perusymmärryksen luomiseen siitä, on eri julkaisujen / sivujen käytön tarkastelu. Jos saman kuukauden aikana on tehty useita erilaisia julkaisuja, jokaista markkinoitu eri variantein niin tällainen analyysi antaa mahdollisuuksia optimoida markkinointia. Alla olevassa kuvassa on alkuvuoden 2018 julkaisujen vierailudataa.

LinkedIn on lähteenä tuonut meille eniten uusia kävijöitä, joskin hinta on myös ollut kova cpc – mielessä.

                      Kehitä liiketoimintaasi datan avulla!

Ready Solutions Oy:n konsulttitiimillä on vahvaa kokemusta eri toimialoilta sekä erilaisista ohjelmistotuotteista. Erityisesti energiatoimialalla voimme auttaa liiketoimintasi kehittämisessä monia muita toimijoita syvällisemmän toimialaosaamisemme vuoksi.

Readyn konsultit vastaavat mielellään kysymyksiisi:

Asko.kauppinen@readysolutions.fi

Jarkko.sahlman@readysolutions.fi

+358451374850

 

*= näätä tyhjentää munan tekemällä siihen pienen reiän