”Tämähän maksaa itsensä takaisin todella nopeasti”, kuulostaa perinteiseltä myyntipuheelta. Tällä kertaa kommentti tuli kuitenkin spontaanisti kansainvälisen palveluorganisaation tietohallintojohtajan suusta, kun hän näki ensimmäistä kertaa visuaalisesti esitetyn analyysin organisaationsa myynnin tehokkuudesta.
Eikä nyt puhuta mistään raportin visualisoinnista upeilla liukuväreillä. Nyt puhutaan kovan luokan analytiikasta, jossa vuosien myyntidata murskataan tilastollisilla algoritmeilla atomeiksi ja lopputuloksena saadaan koherentti käsitys siitä, milloin tarjous on todennäköisesti voittava paperi, milloin hävitään 95 prosentin varmuudella, ja mitä palveluita kannattaa kullekin asiakkaalle tarjota tuoton maksimoimiseksi.
Tähän jatkoi vielä yhtiön talousjohtaja kysymällä: ”Siis ennustaako järjestelmä nuo asiat automaattisesti?”
Noihin kommentteihin kiteytyy hienosti edistyksellisen analytiikan ydin. Kenenkään ei tarvitse tietää etukäteen kysymyksiä, joihin haetaan vastauksia, vaan data kertoo meille tarinansa itse.
Ja se tarina mitataan rahassa, joka kerta.
Nämä ovat kieltämättä juhlahetkiä projekteissa, jossa alkutilanteessa vallitsee epäusko analytiikan tehokkuudesta. Helposti mennään nykyisten business intelligence -ratkaisujen taakse ja todetaan, että ei tässä uusia järjestelmiä tarvita. Käytössähän on kuitenkin vuosien saatossa rakennetut 95 olap-kuutiota, joista jokainen toimii yhden raportin pohjana. Raporttiakin ajetaan vain, koska niin on aina tehty.
Tällöin unohdetaan usein myös mainita, että järjestelmän ylläpitoon menee 500 tuntia kuukaudessa intialaisia off-shoring -resursseja, joista kukaan ei ole koskaan edes käynyt asiakkaan toimitiloissa, puhumattakaan, että ymmärtäisi sen bisnestä.
Kuulostaa kovin tutulta ja suorastaan surulliselta. Onneksi maailma on nykyään dynaaminen paikka, jossa data scientistit revitään koulun penkeistä töihin ja muistinvarainen analytiikka jyrää alleen pölyttyneet ratkaisut.
Katsotaanpa äskeistä esimerkkiä vielä organisaation analyyttisen kypsyyden näkökulmasta. Otetaan avuksi klassiset kahdeksan askelman analytiikkaportaat.
Kuvaamassani esimerkissä on organisaatio siirtymässä 2-3 askeleen harppauksella viidennelle tai jopa kuudennelle askelmalle. Toisin sanoin se ottaa askeleen menneen raportoinnista kohti tulevan ennustamista.
Seuraavilla askeleilla siirrytään ennakoivaan mallintamiseen sekä optimointiin. Kaaviossa organisaation älykkyys kasvaa ja informaation tuottama arvo nousee portaita noustessa. Lisäisin kuvaan vielä kolmannen akselin, joka kuvaisi organisaation analyyttisen osaamisen kasvua. Siitäpä tulisikin hieman älykkäämpi moniulotteinen kuutio.
Otetaanpa toinen analytiikkaesimerkki kuluttajabisneksen puolelta. Kilpailu on kovaa, samoja tuotteita myydään monissa tehokkaan toimitusketjun omaavissa verkkokaupoissa. Kuka saa kuluttajan tekemään ostopäätöksen juuri omilta sivuiltaan? Varmasti se, joka tuntee asiakkaan tarpeet parhaiten.
Etsin taannoin sopivaa levysoitinta (siis vinyylisoitinta), jotta voisin näyttää lapsilleni, mitä ne oudot kiekot siellä varaston hyllyllä ovat.
Kävin muutamissa verkkokaupoissa, keskustelupalstoilla ja yhdessä kivijalkakaupassa. Nämä toimenpiteet johtivat nopeasti siihen, että infoa alkoi tulvimaan eri kanavista tarkentuen lopulta omiin preferensseihini. Oma suosikkilaite löytyikin melko vaivattomasti. Koin tämän erinomaisena palveluna, enkä tuputtavana massamainontana, jota tulee järjettömästi joka päivä kotiin kannettuna ja sähköpostiin.
Miten tämä onnistuu? Ostoskäyttäytymisen raportointi ja asiakassegmentointi on jo aika ”oldschoolia”, jota voidaan tehdä helpohkosti vähänkin paremmilla raportointityökaluilla. Mitäpä, jos automatisoidaankin asiakasviestintä perustuen asiakkaan ja hänen ystäviensä ostoshistoriaan, kulloiseenkin sijaintiin, siihen mitä hän peukuttaa facessa, hänen itsensä määrittelemiin preferensseihin ja tiedossa oleviin tottumuksiin.
Täytyy vain kulkea asiakkaan digitaalisia jalanjälkiä ja kerätä kaikki tapahtumat missä kanavassa ne ikinä tapahtuvatkaan, tallentaa data hadooppiin tai pilveen, muokata järkevään muotoon tietovarastoon ja aloittaa murskajaiset analytiikkaratkaisuilla.
Lopputuloksena saadaan nuo perinteiset segmentit ja korrelaatiot siitä, mikä asiakaskunta ostaa mitäkin tuotetta, miten ostokäyttäytyminen muuttuu asiakkaan iän, sukupuolen, asuinpaikan, tulojen ja siviilisäädyn mukaisesti. Näiden lisäksi data kertoo meille päivä päivältä tarkemmin mitä yksilöllisiä tarpeita asiakkailla on ja kuinka voimme heitä paremmin palvella.
Itse ainakin haluaisin seuraavaksi tietää mistä saisin Springsteenin vinyyleitä halvalla uuteen soittimeeni.
Nämä ovat vain muutamia hienoja esimerkkejä siitä miten edistyksellinen analytiikka auttaa yrityksiä ja julkishallinnon organisaatioita ennustamaan, ennakoimaan ja optimoimaan omaa toimintaansa.
Astu rohkeasti portaita ylöspäin kohti analyyttisempaa organisaatiota ja kuuntele kuinka data puhuu.
