Mistä analytiikan hyödyntäminen kannattaa aloittaa?
”Olemme selvästi muita jäljessä analytiikan hyödyntämisessä.” Tuon lauseen olen kuullut monessa yrityksessä. Sillä on voitu tarkoittaa yritystä itseään tai kokonaista toimialaa. Yleinen luulo tuntuu olevan, että kaikilla muilla on käytössään erityisiä analytiikan tuomia taikavoimia ja vippaskonsteja. Toki on olemassa toimialoja, joilla analytiikkaa on tehty jo vuosia, jopa vuosikymmeniä, mutta useimmissa yrityksissä analytiikan hyödyntäminen on vasta mietinnässä.
Mistä sitten lähteä liikkeelle analytiikan saralla? Ensimmäisenä kannattaa miettiä, onko jokin ongelma, johon analytiikalla voisi pureutua. Se, että yrityksellä menee huonosti, ei todennäköisesti ratkea analytiikalla, jos ongelmaa ei pystytä jäsentelemään tarkemmin. Analytiikka ei ole itseisarvo, eikä pelkkä analytiikka tee yrityksestä menestyvämpää. Hyvä alku analytiikalle voi olla vaikkapa asiakkaiden segmentointi, poistuman ennustaminen tai lisämyynnin optimointi.
Jos et itse tiedä, mistä lähteä liikkeelle, pyydä apuun kokenut analyytikko, jonka kanssa käyt läpi yrityksesi toimintaa ja prosesseja. Ulkopuolinen ammattilainen löytää helpommin kohdat, joissa analytiikasta saa hyötyjä. Yhteistyön tuloksena syntyy pidemmän ajan suunnitelma analytiikan hyödyntämiseksi – analytiikan hyödyntämisen kehityspolku. Kaikkea ei kuitenkaan tarvitse ratkaista kerralla, vaan alkuun voi lähteä pienellä kokeilulla.
Seuraavaksi kannattaa hetki miettiä, onko olemassa dataa, jota voitaisiin käyttää analysoinnissa. Datan määrä ei yleensä ole ongelma. Enemminkin on kyse siitä, onko data riittävän laadukasta ja luotettavaa. Jos yrityksen datat ovat tietovarastossa, data on yleensä jo valmiiksi pureksittu sopivaan muotoon. Jos tietovarastoa ei ole, se ei estä analytiikan tekemistä. Analytiikkaa varten dataa voidaan kerätä eri tietolähteistä, yhdistellä, rikastaa ja muokata sopivaksi.
Heti ei kannata lähteä ohjelmistokaupoille
Kun lähtökohdat ovat selvillä, onkin edessä monimutkaisemmalta kuulostava ongelma: mikä menetelmä? Yksi hehkuttaa neuroverkkoja, toinen vannoo ennustemallien nimiin, koneoppiminen ja tekoäly kuulostavat trendikkäiltä, ja päätöspuu näyttää konkreettiselta. Menetelmän valintaan vaikuttavat paitsi ongelman laatu, myös analyytikon koulutus ja kokemus. Yleisesti ottaen, vaikka ongelma voitaisiin ratkaista hyvinkin erilaisilla tavoilla, voi lopputulos olla eri menetelmillä lähes sama. Esimerkiksi korkean poistumariskin asiakkaat voidaan löytää ennustemallilla, neuroverkoilla tai päätöspuilla. Jätä metodin valinta analyytikolle. Tässä vaiheessa ei myöskään kannata vielä sijoittaa rahaa analytiikkaohjelmistoon. Mikään ohjelmisto ei itsessään ratkaise ainuttakaan ongelmaa.
Kun analytiikka on vihdoin saatu tehtyä, seuraa prosessin vaikein vaihe: analytiikan käyttöönotto. Onkin vasta alku, että on saatu laskettua asiakkaiden poistumariskit. Toki se on yksi sarake lisää tietovarastoon ja puolen vuoden kuluttua voidaan tarkistaa, poistuivatko korkean riskin asiakkaat, mutta yhtään lisäeuroa ei näin vielä saada. Tarvitaan siis jonkinlainen liiketoimintasuunnitelma siitä, mitä analytiikan tuloksilla tehdään ja kuinka edetään. Toimintasuunnitelmaa tehdessä kannattaa vielä hyödyntää analyytikon osaamista. Analyytikko voi esimerkiksi vielä tutkia, millaisia ovat poistumaherkät asiakkaat. Ovatko he niin hyviä, että kannattaisi suunnitella poistumanesto-ohjelma. Poistumaherkät voivat myös olla niin huonoja, ettei tällaisia asiakkaita olisi alun perin pitänytkään hankkia. Tällöin jokin uusasiakashankinnan kanava kannattaisi tukkia.
Analytiikkaa ei pidä ajatella yhtenä irrallisena temppuna, vaan suurimman hyödyn siitä saa, kun analytiikka sovitetaan osaksi liiketoimintaa. Tällöin erilaiset mallinnus- ja optimointialgoritmit tuottavat säännöllisesti ajantasaisia lukuja, joita liiketoiminta hyödyntää prosesseissaan. Mutta eihän norsuakaan syödä kerralla, niinpä analytiikassakin kannattaa lähteä etenemään pala kerrallaan, mutta pitää koko ajan mielessä hyvin toimiva tiedolla johdettu kokonaisuus.
