Data-analytiikka liiketoiminnalle: mitä keskikokoiset yritykset oikeasti tarvitsevat

Data-analytiikka liiketoiminnalle ei vaadi data-tiimiä tai kuusinumeroista BI-alustaa. Useimmilla keskikokoisilla yrityksillä on jo tarvitsemansa data — tilaukset, asiakkaat, laskut, varasto, tukipyynnöt, tuntikirjaukset. Kaikki tämä kirjataan jonnekin. Ongelma on, että suurin osa siitä ei koskaan ohjaa päätöstä. Sitä haetaan, kun jokin menee pieleen, tai poimitaan manuaalisesti raporttia varten, jonka tekeminen vie puoli päivää ja joka on vanhentunut ennen kuin kukaan lukee sen.

Ongelma on harvoin datamäärässä. Kyse on siitä, että jo olemassa oleva tieto saadaan niiden ihmisten saataville ja käyttöön, jotka tekevät päätöksiä.

Mitä data-analytiikka liiketoiminnalle tarkoittaa keskikokoisen yrityksen näkökulmasta

On olemassa versio data-analytiikasta liiketoiminnalle, joka kuuluu suuryrityksille: data-analyytikot, koneoppimismallit, petatavuja dataa, omat infratiimit. Se ei ole sitä, mitä useimmat keskikokoiset yritykset tarvitsevat, eikä tästä tässä artikkelissa ole kyse.

Data-analytiikka liiketoiminnalle tarkoittaa keskikokoiselle yritykselle kykyä vastata kysymyksiin, jotka ratkaisevat liiketoiminnan pyörittämisessä — tarkasti, nopeasti ja ilman että jonkun täytyy käyttää tunteja vastauksen valmisteluun. Ketkä asiakkaat ovat arvokkaimpia? Missä ovat operatiiviset pullonkaulat? Mitkä tuotteet ovat kannattavia? Miten tämä kuukausi vertautuu edelliseen?

Nämä eivät ole erikoisia kysymyksiä. Ne ovat kysymyksiä, joita johtoryhmät esittävät joka viikko. Ongelma on, että useimmissa yrityksissä vastaaminen vaatii datan hakemista useista järjestelmistä ja sen manuaalista yhdistämistä. Raportoinnin automatisointi ratkaisee tämän — ei korvaamalla harkintaa, vaan poistamalla manuaalisen työn kysymyksen ja vastauksen väliltä.

Raportointiongelma

Yleisin oire on kuukausiraportti. Joku tiimissä — usein joku, jonka aika on arvokasta — käyttää merkittävän osan viikostaan datan keräämiseen eri järjestelmistä, sen siistimiseen, yhdistämiseen ja muotoiluun esitykseksi. Tämä tapahtuu joka kuukausi, joka viikko tai joskus joka päivä.

Raportti on hyödyllinen. Mutta prosessi sen tuottamiseksi ei ole. Se on hidas, virhealtis ja riippuu yhden henkilön tiedosta. Kun tämä henkilö ei ole saatavilla, raportti jää tuottamatta.

Vaihtoehto ei välttämättä ole monimutkainen analytiikka-alusta. Usein se on joukko hyvin suunniteltuja raportteja tai koontinäyttöjä, jotka on yhdistetty reaaliaikaiseen dataan ja päivittyvät automaattisesti. Henkilö, joka käytti aiemmin puoli päivää raportin tuottamiseen, käyttää sen sijaan kymmenen minuuttia sen läpikäymiseen. Se on data-analytiikan käytännöllinen arvo liiketoiminnalle.

Aloita kysymyksistä, ei datasta

Yleisin virhe analytiikkaprojekteissa on aloittaa datasta eikä kysymyksistä. Yritys perustaa tietovaraston, konsolidoi kaiken löytämänsä ja yrittää sitten selvittää, mitä sillä tehdään. Tämä tuottaa paljon dataa yhteen paikkaan ja hyvin vähän vastauksia.

Hyödyllisempi lähestymistapa on aloittaa päätöksistä, joita liiketoiminta oikeasti tarvitsee tehdä. Mitä täytyy tietää, jotta tätä liiketoimintaa voi johtaa hyvin? Mikä tieto muuttaisi päätöstä, jos se olisi saatavilla nopeammin tai tarkemmin? Nämä kysymykset määrittävät laajuuden — ja estävät projektin muuttumasta datainfrastruktuuriharjoitukseksi, joka ei koskaan tuota mitään hyödyllistä.

Näistä kysymyksistä datavaatimukset selkenevät. Useimmissa tapauksissa tarvittavaa dataa kerätään jo — se täytyy vain yhdistää ja esittää niin, että se on hyödyllistä. Datalähtöiset päätökset eivät vaadi uutta dataa. Ne vaativat parempaa pääsyä jo olemassa olevaan dataan.

Yksinkertaiset koontinäytöt vai monimutkaiset BI-alustat

Business intelligence keskikokoisten yritysten tarpeisiin ei tarkoita täysimittaiseen BI-alustaan investoimista omilla hallinto- ja koulutuskuluilla. Useimmille keskikokoisille yrityksille oikea työkalu on yksinkertaisin, joka vastaa kysymyksiin luotettavasti. Se voi olla jäsennelty joukko automatisoituja raportteja. Se voi olla muutama koontinäyttö, jotka on yhdistetty olemassa oleviin järjestelmiin kevyen integraation kautta. Harvoin tarvitaan monimutkaista enterprise-alustaa alusta alkaen.

Hyödyllisellä operatiivisella koontinäytöllä on muutama piirre. Se vastaa tiettyihin kysymyksiin — "liikevaihto tuotelinjoittain tässä kuussa vs. edellisessä" on hyödyllinen; "yleiskatsaus liiketoiminnan suoritukseen" johtaa koontinäyttöön, joka näyttää kaiken ja vastaa ei mihinkään. Se päivittyy automaattisesti reaaliaikaisesta datasta. Se on suunniteltu sen käyttäjää varten. Ja se nostaa esiin poikkeamat, ei pelkkiä keskiarvoja — keskiarvot piilottavat ongelmat.

Tyypillinen eteneminen: aloitetaan kahdesta tai kolmesta tärkeimmästä kysymyksestä, rakennetaan jotain, joka vastaa niihin luotettavasti, ja laajennetaan siitä. Pienestä aloittaminen ja hyödyllisen toimittaminen on lähes aina parempi kuin kattavan alustan suunnittelu, joka kestää kuusi kuukautta rakentaa eikä koskaan tule täysin käyttöön.

Datan laatu-ongelma

Data-analytiikka liiketoiminnalle on yhtä hyvää kuin sen pohjalla oleva data. Ja useimmissa yrityksissä pohjalla olevassa datassa on ongelmia, jotka eivät näy ennen kuin joku yrittää käyttää sitä systemaattisesti.

Kaksoiskirjaukset. Puuttuvat kentät. Epäyhtenäiset formaatit. Data, jota eri ihmiset kirjaavat eri tavoin. Tapahtumat, jotka on kirjattu yhteen järjestelmään mutta ei toiseen. Nämä ongelmat eivät ole katastrofaalisia — liiketoiminta toimii niistä huolimatta — mutta ne tarkoittavat, että kaikkea analyysiä on käsiteltävä sopivalla varauksella, kunnes data on validoitu.

Datan laadun parantaminen on epäkiitollista työtä, mutta sillä on kumulatiivinen hyöty. Jokainen dataan nojautuva järjestelmä muuttuu luotettavammaksi. Raportit, jotka aiemmin vaativat manuaalista tarkistamista, muuttuvat luotettaviksi. Dataan perustuvat päätökset tehdään varmemmin.

Käytännöllinen lähestymistapa ei ole yrittää korjata kaikkea kerralla. Kyse on niiden tietojen tunnistamisesta, jotka ovat tärkeimpiä merkittävimmille päätöksille, ja sen varmistamisesta, että ne tiedot ovat siistejä ja luotettavia. Kaikki muu voi odottaa.

Miten data-analytiikkaa hyödynnetään liiketoiminnassa

Ensimmäinen askel on tunnistaa kaksi tai kolme liiketoimintakysymystä, joihin on tällä hetkellä vaikea vastata. Ei toiveikkaita kysymyksiä — kysymyksiä, joita joku organisaatiossa esittää säännöllisesti ja joihin vastaamiseen kuluu aikaa manuaalisesti. Nämä kysymykset määrittävät ensimmäisen projektin.

Toinen askel on selvittää, missä data, joka vastaisi näihin kysymyksiin, tällä hetkellä sijaitsee. Useimmissa yrityksissä se on kahdessa tai kolmessa järjestelmässä, joita ei ole yhdistetty. Integrointityö näiden tietojen kokoamiseksi on yleensä hallittavampaa kuin odotetaan — erityisesti kun laajuus on rajattu juuri niihin kysymyksiin, jotka ovat tärkeitä.

Kolmas askel on rakentaa yksinkertaisin asia, joka vastaa näihin kysymyksiin luotettavasti — automatisoituna, reaaliaikaiseen dataan yhdistettynä ja käyttäjää varten suunniteltuna. Sitten mitataan, käytetäänkö sitä ja muuttaako se päätöksiä. Jos kyllä, laajennetaan. Jos ei, selvitetään miksi ennen lisärakentamista.

Mitä tämä tarkoittaa käytännössä

Hyvä operatiivinen analytiikka ei ole ensisijaisesti teknologiaongelma. Kyse on oikeiden kysymysten esittämisestä, oikean datan yhdistämisestä ja vastausten saattamisesta niiden ihmisten saataville, jotka niitä tarvitsevat. Teknologiavalinnat ovat tärkeitä, mutta ne ovat toissijaisia verrattuna kysyttyjen kysymysten selkeyteen.

Useimmille keskikokoisille yrityksille data-analytiikan liiketoiminnallinen arvo syntyy ei kehittyneistä malleista vaan perusläpinäkyvyydestä — tietämisestä, mitä yrityksessä tapahtuu lähes reaaliajassa, ilman että täytyy odottaa manuaalista raporttia. Tämä näkyvyys on saavutettavissa useimmissa yrityksissä ilman merkittäviä investointeja, kunhan työ aloitetaan oikeasta kohdasta.

Jos tiimissänne kuluu merkittävästi aikaa raporttien manuaaliseen tuottamiseen, tai jos tärkeisiin liiketoimintakysymyksiin vastaaminen kestää liian kauan, katsomme mielellämme, miltä hyödyllisempi rakenne voisi näyttää.