Skip to content

Arvoa analytiikasta vai pullollinen käärmeöljyä?

Analytiikka luo liiketoimintaan arvoa vain silloin, kun sen tuottama tieto vaikuttaa liiketoimintaan. Ole siis tarkkana höttöisten arvolupauksien kanssa, ja lue, miten pääset kiinni todellisiin analytiikan tuomiin hyötyihin.

Tekoälyä ja analytiikkaa saatetaan markkinoida heppoisin väittämin ja mielikuvin, joiden varsinainen sisältö jää hypen muotoileman mielikuvituksellisen tulkinnan varaan. Aivan kuin miljoonien satunnaisten dokumenttien kaataminen ”oppivaan koneeseen” pullauttaisi itsestään kultamunan, joka ”parantaa kilpailukykyä”, ”luo uutta liiketoimintaa” tai ”määrää strategian suunnan.”

Hypen kyllästämässä markkinassa, jossa tekninen jargon on ottanut argumentoinnin aseman, jäävät arvolupaukset epämääräisen höttöisiksi lausahduksiksi, joita toistelevat nykyajan käärmeöljykauppiaat, luvaten milloin minkäkin (tekoäly-)eliksiirin parantavan vaivan kuin vaivan – ja hyvään hintaan, tietenkin. Tässä on vaarana, että analytiikan tarjoamat oikeat liiketoimintamahdollisuudet inflatoituvat kaiken hypen alle.

Mistä pitäisi lähteä liikkeelle?

Suunnataankin katse kylmän viileästi hypen ohi suoraan liiketoiminnan ytimeen. Mihin liiketoimintakysymyksiin haluamme oikeasti vastauksia?

Avainasemassa ovat yrityksen omat ihmiset eli liiketoimintaosaajat, joiden tietämys toimintakentästä, järjestelmistä ja niissä olevasta datasta luovat ympäristön analytiikan soveltamiselle. Analytiikka on vain väline, ei itseisarvo. Analytiikan pitää pystyä antamaan vastauksia liiketoiminnan avoimiin kysymyksiin eikä herättää hämmennystä.

Analytiikka luo liiketoimintaan arvoa vain silloin, kun analytiikan tuottama tieto vaikuttaa liiketoimintaan, kuten vaikkapa laadukkaampien liidien käsittelyyn konversiomallin ohjaamana. Onnistunut analytiikan sovellus liiketoiminnassa perustuu analytiikan kytkemiseen konkreettisella tavalla osaksi ihmisten työtä, liiketoimintaa ja sen prosesseja. Onnistunut analytiikan käyttöönotto yrityksessä vaatii ensin liiketoimintakysymyksen, johon haetaan vastausta analytiikan tai tekoälyn keinoin.

Onko meillä oikeanlaista dataa?

On välttämätöntä, että näkee metsän puilta eli liiketoiminnasta käsin, mutta samaan aikaan on tarkistettava myös juurien kunto. Onko tällä hetkellä käytettävissä oleva analytiikan raaka-aine, eli data, käyttökelpoista? Voiko käytettävissä oleva data vastata tai tuoda lisäymmärrystä liiketoiminnan avoimiin kysymyksiin?

Jos datan laatu on huonoa tai se puuttuu osittain tai kokonaan, tulee huomio kohdistaa itse analytiikan ulkopuolelle niiden prosessien ja järjestelmien muokkaamiseen, jotka tuottavat dataa liiketoiminnasta. Analytiikka ilman relevanttia dataa on kuin Excel ilman numeroita.


Mitä jos oikeanlaista dataa ei ole?

Jos oikeanlaista dataa ei ole, ei ole oikotietä. Täytyy aloittaa oikeanlaisen datan kerääminen ja varastointi. Yksikään tekoäly tai analyysi ei toimi ilman dataa. On välttämätöntä, että relevantti tieto varastoidaan ja historioidaan oikeaan paikkaan, oikeassa muodossa ja oikein jäsenneltynä.

Ja tätä jatketaan, kunnes riittävä määrä liiketoiminnan kannalta relevanttia dataa on kerätty. Näin vältetään, ettei tietovarastoista muodostu käyttötapauksiin sopimattomia datan kaatopaikkoja, jotka jäävät vajaalle käytölle. Lopuksi vielä päätetään kuka tulevaisuudessa omistaa varastoimamme datan ja johtaa liiketoimintaa analytiikkaa hyödyntämällä. Vaihtoehtoja on tasan yksi: liiketoimintajohto.

Kun data on kunnossa?

Kun data on kunnossa ja liiketoiminnan kannalta relevanttia, määritetään yhdessä liiketoiminta-asiantuntijoiden kanssa, mitkä käyttötapaukset ovat liiketoiminnan kannalta kaikkein tärkeimpiä. Piirretään analytiikan tiekartta, jossa jokainen pysähdyspaikka on aito liiketoiminnalle arvoa tuottava yksittäinen käyttötapaus. Analytiikkaprojektista tulee taseeseen aidosti hallittava aktiivinen investointi, eikä passiivinen tuotekehitysmenoerä.

Miten teknologia ja koneoppiminen (tekoäly) otetaan käyttöön?

Teknologian ja koneoppimisen haltuun ottamisessa noudatetaan seuraavaa polkua:

1. Valitaan oikean laajuinen teknologinen ratkaisu, joka sopii parhaiten työntekijöille ja nykyiseen IT-infraan.
2. Valitaan oikeat tilastolliset mallit (algoritmit) ja edetään yksi käyttötapaus (business case) kerrallaan.
3. Iteroidaan mallin toimivuutta liiketoimintaa vasten ja mitataan hyödyt.

Testaamista jatketaan siihen asti, kunnes ennalta sovittu rajahyöty on saavutettu. Vasta sitten siirrytään seuraavaan käyttötapaukseen. Tätä kautta jokainen aito käyttötapaus sponsoroi osaltaan myös seuraavia käyttötapauksia. Hyötynä on, että analytiikkaprojektin kesto ja kannattavuus saadaan määritettyä tarkasti. Samalla vältetään liiketoiminnasta irrallaan olevat yksittäiset pistemäiset ratkaisut, jotka ovat usein kalliita, aikaa vieviä ja vain vähän arvoa tuottavia.

 

Tilaa blogikirjoitukset sähköpostiisi