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.

HR – analytiikka: henkilöstön vaihtuvuus

HR-analytiikka tarjoaa työkaluja yritysten HR – toiminnolle sekä liiketoimintajohdolle. Aiempi HR – analytiikan perusasioihin johdattava kirjoitus löytyy täältä.

Työntekijöiden menettäminen aiheuttaa yrityksille aina kuluja kahdella vähintään kahdella tapaa. Toisaalta rekrytointi vaatii aina mainontaa, haastatteluja ja muita ponnisteluja onnistuakseen, ja toisaalta uusi työntekijä aluksi opettelee tehtäviään ennenkuin hänen työpanoksensa on vanhan konkarin tasolla. Toki on joitain yrityksiä jotka haluavat pitää normaalia suuremman vaihtuvuuden, mutta tyypillisesti vaihtuvuus tarkoittaa kuluja ja näin yritykselle on olennaista ensinnäkin pystyä seuraamaan vaihtuvuutta (vaihtuvuusprosenttia), ja toisekseen pystyä tarkentamaan onko vaihtuvuus erityisen suurta tietyssä osassa organisaatiota.

Vaihtuvuutta vähentää luonnollisesti hyvät työolosuhteet, mielekkäät työtehtävät, koulututtautumismahdollisuudet sekä uralla etenemismahdollisuudet sekä markkinaa korkeampi palkkataso. Olennaista onkin pystyä mittaamaan sekä itse vaihtuvuusprosentti, myös vaihtuvuuden kustannukset: paljonko rekrytointi maksaa? Mitä uuden työntekijän kouluttaminen maksaa? Voiko palkkatasoa nostamalla vähentää vaihtuvuutta?

Vaihtuvuusprosentti

Vaihtuvuutta seuratessa tarkastellaan sekä aloittaneiden ja lopettaneiden työntekijöiden määrää. Lisäksi lasketaan ns. vaihtuvuusprosentti (lähtijäprosentti) joka saadaan jakamalla vuoden aikana lähteneiden työntekijöiden määrä vuoden keskimääräisellä työntekijämäärällä. Prosentti voidaan laskea myös jakaa kuukausille ottamalla kuun aikana lähteneiden määrä ja jakamalla kuun alun ja lopun keskimääräisellä työntekijämäärällä (headcountilla). Oleellista on myös mahdollisuus porautua
organisaation eri osiin, sekä esimerkiksi tehtävänkuviin sekä positioihin ja katsoa myös miten paljon organisaatiossa pitkään töissä olleita lähtee pois. Yleensä määräaikaiset työntekijät jätetään peruslähtijäprosentista pois.

Erityisiä teknisiä ongelmia vaihtuvuusprosentin laskemiselle voivat aiheuttaa työntekijät, joilla on useita samanaikaisia työsopimuksia (voi näkyä jakajassa sekä lähtijämäärässä) sekä tilanteet, joissa HR-perusjärjestelmään perustetaan uusi työsopimus tehtävänkuvaa vaihdettaessa. Tällöin näyttää siltä että edellinen työsopimus on lopetettu vaikka todellisuudessa työntekijä on jatkuvasti yhtiön palveluksessa. Analytiikkaharjoituksen alussa myös ajassa muuttuvat tiedot kuten kustannuspaikka, ikä ja työnkuva voivat aiheuttaa hankaluuksia.

Lähdön syyt

Lähtijöitä sekä lähtijäprosenttia tulee olla mahdollista jaotella myös lähdön syyn mukaan. Lähdön syynä eläköityminen on eri asia, kuin vapaaehtoinen lähteminen tai irtisanominen. Mielenkiintoista on myös katsoa yrityksessä vain vähän aikaa työskennelleiden osuutta lähtijöiden kokonaismäärästä. On myös helppo nähdä, että jos pitkään yrityksessä työskennelleitä avainhenkilöitä alkaa lähtemään, on jotain mennyt pieleen ja yrityksen on ryhdyttävä toimiin välittömästi. Syyt henkilöstön vaihtuvuuden yllättäville muutoksille voivat johtua myös työntekijästä katsoen ulkopuolelta tulevista asioista kuten yrityksen johdon vaihtuminen, yrityskaupat tai laaja negatiivinen julkisuus johtuen vaikkapa oikeusjutusta yritystä vastaan.

Organisaatio menestyy aina henkilöstön työpanoksella, siksi oikeiden henkilöiden rekrytoiminen ja pitäminen on tärkeää.

Jos haluat kehittää HR – analytiikkaa tai jopa ottaa käyttöön uudenlaisia ratkaisuja, niin ota yhteyttä myyntiimme!

myynti@readysolutions.fi

+358451374850

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

 

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!

 

 

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

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

Ready Solutions kasvaa

 

Uusia osakkaita

DI Jarkko Sahlman aloitti 19.3. Ready Solutions Oy:n osakkaana ja johtavana konsulttina. Jarkolla on erittäin laaja kokemus myynnin kehittämistehtävistä, energiamarkkinoista sekä erilaisten tiedolla johtamisen välineiden hyödyntämisestä, ml. QlikSense sekä QlikView. Aiemmin Jarkko on työskennellyt liikkeenjohdon konsulttina, energiatoimialalla myynnin ja riskienhallinnan johtotehtävissä sekä teollisuudessa controllerina. Koulutukseltaan Jarkko on tuotantotalouden DI Lappeenrannan teknillisestä yliopistosta.

FM Matti Vartiainen aloitti 19.3. Ready Solutions Oy:n osakkaana ja konsulttina. Matilla on vahva osaaminen liiketoimintalähtöisten raportointiratkaisujen tuottamisessa. Aiemmin Matti on työskennellyt konsulttina sekä energiatoimialalla Business Intelligence – kehittäjänä. Matti on koulutukseltaan FM pääaineena tietojenkäsittelytiede Itä-Suomen yliopistosta. Syventävinä opintoina Matti on opiskellut kehittyneen data-analytiikan opintoja.

Asko ja Jonne toivottavat uudet osakkaat lämpimästi tervetulleeksi edelleen kehittämään Ready Solutions Oy:n palveluita.

Matti LinkedInissä

Jarkko LinkedInissä