Ennustetietokanta

Useissa projekteissa on tullut eteen tilanne, jossa on olemassa toteumatietoja aikasarjoista ja niistä halutaan tuottaa ennusteita hieman eri tarkkuustasolla kuin toteumat itse ovat. Miten tällaisessa tilanteessa voisi toimia?

Esittelemme alla kaksi vaihtoehtoa, toinen näistä on melko suoraviivainen, mutta molemmat edellyttävät kuitenkin sitä, että normaalia raportointiin optimoitua dimensionaalista tietomallia hieman muokataan erillisellä linkkioliolla (”bridge-table”). Normaalisti dimensiomalli ei tue M:M tyyppisiä relaatioita, vaan kaikki relaatiot dimensioiden välillä menevät faktataulun kautta ja faktan sekä dimension relaatio on M:1.

Tämän erityisen linkkitaulun vuoksi on syytä päättää miten toteuman ja ennusteen lukuja lasketaan suhteessa toisiinsa, laitetaanko joku lisäehto voimaan?

Esimerkkinä datavisualisoinnista käytetään Power BI:n tuottamaa raporttia.

Vaihtoehto 1

Vaihtoehdon tietomalli on alempana.

 

 

Eri versioihin liittyvät ennusteet saadaan näytettyä hyvin alla olevassa kuvaajassa, koska versio on vain yksi dimensioista, jota voi käyttää luokkana. Data tulee yhdestä faktataulusta eli riveillä on sekä ennustetta että toteumaa.

 

Vaihtoehto 2

Vaihtoehdon tietomalli on alempana.

Tietomalli on hieman monimutkaisempi, mutta toisaalta ennusteita ja toteumia ei säilötä samassa taulussa. Data tulee kahdesta faktataulusta ja raportilla käytetään muutamia yhteisiä dimensioita akselien arvojen tai suodatusten määritykseen.

Unit Economics

      Mitä tarkoittaa unit economics?

Unit economics (UE) eli yksikkötalouslaskelma on yrityksen liiketoimintamalli pienoiskoossa, esimerkiksi kuvaten tietyn segmentin yksittäisen asiakkaan tuottamia tuottoja ja kuluja.

Tom Mohr on kuvannut tällaista mallia koko liiketoiminnan perustaksi.

Asko Kauppinen kirjoitti Tom Mohrin kirjasta aiemmin arvostelun Medium.com – julkaisualustalle.

Yksikkötalouslaskelma on ollut startup – maailmassa sijoittajien keskeinen tapa arvioida erilaisten sijoituskohteiden liiketoiminnan potentiaalista arvoa, mutta sillä on selkeästi käyttöä mille tahansa muullekin yritykselle.

Datan näkökulmasta tällaisen laskelman tekeminen on kuitenkin haasteellista koska yrityksen talousjärjestelmän pitäisi pystyä tuottamaan riittävällä tarkkuudella olevaa dataa, jota sitten vielä jalostetaan laskelman vaatimaan muotoon.

 

 

                Unit economics on liiketoimintamallin perusta

 

Keskeiset metriikat, jotka muodostavat yksikkötalouslaskelman ytimen, ovat yksikön elinkaariarvo (LTV) sekä hankintakustannus (CAC).

Tyypillisesti nämä metriikat halutaan vielä pystyä hajottamaan muutaman luokittelevan tekijän (dimension) suhteen:

-kanava

-tuotekokonaisuus

-segmentti

-maa

-valuutta

-yksikkökomponentti

-aika

 

Näiden tietojen perusteella liiketoimintajohto näkee, onko toiminta kannattavaa, millä tasolla se on kannattavaa ja millaisia rahoitustarpeita voi seurata nopeasta kasvusta.

Kirjanpidolliset tappiot eivät ole välttämättä osoitus jonkun liiketoimintamallin epäonnistumisesta, yrityksen arvoa määrittelevän analyytikon on syytä mennä syvemmälle lukuihin kuten tämä esimerkki  osoittaa.

 

Unit economics kokonaisuutena

 

UE laskelman yksikön taso riippuu liiketoiminnan luonteesta, monesti asiakastaso summattuna yli sopimusjaksojen tai yksittäisten tapahtumien on järkevä lähtökohta. Dimensioiden avulla voidaan huomioida sellainen tilanne, jossa asiakkuuden hankinta on tapahtunut esimerkiksi broker – kanavassa ja asiakkuuteen liittyviä sopimuksia on tehty myöhemmin oman asiakkuusmarkkinointikanavan ansiosta.

 

Alla oleva kaavio kuvaa tiivistetysti UE – laskelmaan liittyvät asiat.

 

 

Dimensioita vois olla muitakin, mutta tämä luonnollisesti asettaa vaatimuksia organisaation tietojärjestelmille ja liiketoimintaprosesseille datan laadun suhteen. Asko on havainnut energia-alalla kanavatiedon olevan usein puutteellista, varsinkin kun kyseessä on pitkään asiakkaina olleiden henkilöiden sopimustiedot.

 

Organisaation Business Intelligence välineillä, kuten Power BI:llä, voidaan dataa tuoda lähemmäksi päätöksentekijöitä ja liiketoiminnan kehittäjiä. Esimerkiksi erilaiset ajalliset  profiilit LTV – komponenttien ja CAC:n komponenttien välillä on mahdollista havaita visuaalisesti.

 

Kuitenkin on syytä huomata, että laskelmat ovat hyvin toimialaspesifejä, tällaista taloudellista mallia tekevien on syytä ymmärtää hyvin eri komponenttien merkityksen juuri kyseisessä tilanteessa.

 

 Unit economics – esimerkkejä

 

Ulkomainen kulutusluottoyhtiö hankkii alkuvaiheessa sopimuksia hyödyntäen lainanvälityspalvelua, joka on esimerkki broker – kanavasta sekä toisaalta tulosperusteista affiliaattimarkkinointia. Luottoyhtiö tulkitsee asiakkuuden olevan UE – laskelman yksikön eikä yksittäisen sopimuksen. LTV:hen vaikuttavat tuotot ovat korkokate, mahdolliset luotonperustamiskustannukset, kuukausimaksut yms. LTV:hen vaikuttavat kulut ovat hakemukseen kohdistuvat suorat kulut, yrityksen laskennallinen pääomakustannus sekä luottotappiovaraus. CAC:hen eli hankintakustannukseen vaikuttaa suoraan sopimuksen syntymisvaiheessa kolmansille osapuolille maksetut komissiot ja palkkiot.

 

Myöhemmässä vaiheessa yritys hyödyntää kertynyttä asiakasrekisteriään suoraan sähköpostimarkkinointiin ja saa osan asiakkaistaan tekemään uuden lainasopimuksen tai avaamaan talletustilin. Näin yrityksen kannalta relevantit kanavat ovat broker, affiliate ja oma asiakkuusmarkkinointi. Näillä kaikilla on merkitystä yrityksen UE – laskelmissa LTV:n muodostuksessa ja hankintakustannusten (CAC) syntymisessä.

 

Uusi markkinoille tuleva pieni sähkönmyyntiyhtiö hankkii sopimuksia hyödyntäen erilaisia broker – portaaleja tai vertailusivustoja, lyhyen alennusvaiheen jälkeen hintoja aletaan nostaa reippaasti, jotta haluttu katetaso saavutetaan. Sähkönmyyntiyhtiö tulkitsee asiakkuuden olevan UE – laskelman yksikön eikä suinkaan yksittäisen sopimuksen. LTV:hen vaikuttavat tuotot ovat perusmaksut, energiamaksut sekä mahdolliset lisäpalvelut. LTV:hen vaikuttavat kulut ovat sähkönhankinnan kustannukset sekä mahdolliset kulut erilaisista johdannaissopimuksista, joilla hankintaa saatetaan suojata . CAC:hen eli hankintakustannukseen vaikuttaa suoraan sopimuksen syntymisvaiheessa kolmansille osapuolille maksetut komissiot ja palkkiot.

Myöhemmässä vaiheessa yrityksen asiakkuusmarkkinointi sekä mahdollinen ostettu media on suuremmassa roolissa asiakkaiden pysyvyyden tai hankinnan varmistamisessa.

 

    Lähde kehittämään liiketoimintaasi!

 

Jarkko Sahlman ja Asko Kauppinen ovat Ready Solutions Oy:n partnereita ja kokeneita asiantuntijoita liiketoiminnan kehittämisen ratkaisujemme alueella. Jarkolla on pitkä kokemus energia-alan myynnin – ja riskienhallinnan johtotehtävistä sekä aiempaa controller – kokemusta teollisuudesta. Asko on koneoppimisen ja data science ratkaisujen kehittämisestä vastaava konsultti Ready Solutions Oy:ssä.

Jos haluat tietää lisää, miten tällainen taloudellinen malli on mahdollista toteuttaa, niin ota yhteyttä myyntitiimiimme.

myynti@readysolutions.fi

+358451374850

 

Voit myös ottaa yhteyttä Askoon tai Jarkkoon!

Asko.kauppinen@readysolutions.fi

Jarkko.sahlman@readysolutions.fi

Data Platform ja Data Analytics

Ready Solutions Oy sai äskettäin Microsoft Silver Partner statuksen osa-alueilta Data Platform ja Data Analytics. Mitä tällainen Microsoftin kokonaisuus pitää sisällään?

Palveluita datan tallentamiseen, jalostamiseen ja informaation tuottamiseen

Microsoftilla on erittäin vahva tarjoama erilaisten datapalveluiden osalta ja uskomme että asiakkaamme hyötyvät näiden laajemmasta käyttöönotosta. Lisäksi uusien palveluiden hyödyntäminen voi tapahtua monissa tapauksissa ilman että sovelluksia tarvitsee rakentaa kokonaan uusiksi.

Azuren Blob Storage tarjoaa joustavan tiedontallennusratkaisun, Table Storage NoSQL ominaisuuksia ja kuitenkin käytössä on tapahtumien hallinnan mahdollistavat Azure SQL Database sekä CosmosDB muiden palveluiden ohella. Luonnollisesti IaaS mallinen virtuaalikoneiden käyttö sekä oman tietokantalisenssin hyödyntäminen on myös mahdollista.

 

Muuttuva sovelluskehitys

 

Sovelluskehitykseen tämä luo uusia mahdollisuuksia, vaikka edelleen monet asiat kuten sovelluksen tietoturva, ovat sovelluskehittäjien vastuulla.

Infrastruktuuriin liittyvät rajoitteet on nyt helpommin ohitettavissa ja toisaalta on mahdollista kokeilla uusia palveluita sekä niiden käyttökelpoisuutta oman liiketoiminnan apuna.

Käsitteet ”Polyglot Persistence” sekä ”Polyglot Programming” kuvaavat uutta maailmaa, jossa sovelluskokonaisuudella voi olla monia osia ja eri osat hyödyntävät sellaisia komponentteja, jotka niiden luonteen mukaisesti ovat tehtäväänsä parhaita.

Näiden kehityskulkujen vuoksi onkin järkevintä keskustella sovellusten tarjoamista liiketoimintapalveluista eikä enää niinkään organisaation liiketoiminnan operoinnin vaatiman infran rajoituksista.

Kysy lisää!

Jos haluat keskustella asiasta ja kysyä miten voisimme auttaa datan hyödyntämisessänne, niin ota yhteyttä myyntiimme:

myynti@readysolutions.fi

+358451374850

 

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!

 

 

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

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