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

 

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