Analytiikka, liiketoimintaa vai sovelluskehitystä?

Onko analytiikka uusi asia?

LinkedIniä tai muuta sosiaalista mediaa seuraamalla voisi helposti ajatella, että kotimaassa pääasiassa suuremmat konsulttiyritykset ja muut ohjelmistokehittäjät tekevät analytiikkaa, mutta todellisuudessa sitä tietysti tehdään eri organisaatioissa eri lähtökohdista.

Isommat, ”perinteiset” tiedolla johtamiseen panostaneet organisaatiot ovat saattaneet jo vuosia sitten hankkia SAS tai SPSS Modeler - ohjelmistoja, joilla liiketoimintalähtöiset data-analyytikot ovat tuottaneet analytiikkaprosesseja aina tuotantoon asti. Pankit, data brokerit, vakuutusyhtiöt, julkaisijat sekä teleoperaattorit ovat olleet pitkään kaupallisten analytiikka-alustojen käyttäjiä.

Ohjelmistokehittäjillä ja meillä konsulteilla on työkalupakki yleensä laajempi, mutta olemme kauempana liiketoiminnan käytännöistä. Kokemukseni mukaan taloudellisen mallin rakentaminen osaksi analytiikan tulosten arviointia saa paremman vastaanoton, kuin pelkkien tulosten esittely ilman tuollaista sidosta.

 

Mitä analytiikka on?

Analytiikka on, tai sen pitäisi olla liiketoiminnan kehittämisen ja johtamisen apuväline, ja eroaa perinteisestä operatiivisesta tai strategisesta raportoinnista siinä, että erilaisia mitattujen ilmiöiden vaikutussuhteita ja ennusteita pyritään tuottamaan algoritmien avulla. Datavisualisointi on taas luonteeltaan erilaisten ilmiöiden tarkastelua ihmisten havainto - ja jäsennyskyvyn asettamissa rajoissa.

Tilastotieteessä ja sen sovellusalueissa eri tieteissä oletetaan useimmiten taustalle jonkinlainen satunnaisprosessi, jonka parametrit ovat tiedossa mutta jonka arvot pyritään datasta estimoimaan. Tai voidaan ajatella niin että parametritkin ovat satunnaismuuttujia, mutta mallintajalla on jonkinlainen prioritiheys niille.

Liiketoiminnan data-analytiikka kokoaa yhteen työkaluja tietojenkäsittelytieteestä, tilastotieteestä ja sovelletusta matematiikasta. Tarkoitus ei ole tehdä tiedettä, vaan tuottaa hyödyntäjäorganisaatiolle taloudellista hyötyä, joten metodologisessa mielessä ei yleensä olla sitoutuneita johonkin yksittäiseen lähestymistapaan.

Liiketoiminnan ja datan vuoropuhelu

Organisaatioilla on dataa eri muodoissa, eri määriä ja syntyen eri liiketoimintaprosessien seurauksena. Ehkä tärkein asia analytiikan tekemisessä on se, että liiketoiminnallinen ongelma on ymmärretty ja tiedetään mitä lähdetään tavoittelemaan.

Asiantuntija, joko organisaation oma tai ulkopuolinen, pystyy arvioimaan miten käytettävissä oleva data kelpaa liiketoiminnallisen ongelman ratkaisemiseen.

Iso osa työstä on datan kanssa painimista, ekonomisteilla on vitsi että data tunnustaa kunhan sitä kiduttaa riittävän pitkään. Siksi datan ominaisuuksien tutkimiseen on syytä käyttää jonkin verran aikaa ja tehdä tiivistä yhteistyötä ilmiöalueen asiantuntijoiden kanssa.

Lähde kehittämään liiketoimintaasi datan avulla!

Ready Solutions Oy:n konsulttitiimillä on vahvaa kokemusta eri toimialoilta sekä erilaisista ohjelmistotuotteista. Erityisesti energiatoimialalla voimme auttaa liiketoimintasi kehittämisessä monia muita toimijoita syvällisemmän toimialaosaamisemme vuoksi.

Readyn myyntitiimi vastaa mielellään kysymyksiisi:

myynti@readysolutions.fi

+358451374850

Lisää ajankohtaisia julkaisuja:

Avoimen datan hyödyntäminen automaattisesti Power BI:tä käyttäen
Tutustu tarinaan
Onko tekoälyn hyödyntämisestä vielä(kään) konkreettista hyötyä kilpailukyvylle?
Jo vuosia on puhuttu, että tekoälyn (AI) hyödyntäminen mullistaisi teollisen tuotannon ja palvelut lisäämällä tehokkuutta ja tuottavuutta. Missä ne konkreettiset hyödyntämismahdollisuudet sitten oikein piilevät?
Tutustu tarinaan
Johdatko toimintaasi tietoon perustuen?
Tutustu tarinaan
The effect of preconceptions on the results of machine learning
The use of machine learning and artificial intelligence offers many possibilities, such as the improvement of medical treatment and diagnosis, identifying potential safety hazards, and advancing scientific research. However, when used inappropriately, data models can also perpetuate inequality or cause people and companies to focus on improving metrics to the detriment of actual performance.
Tutustu tarinaan
Organisaation hierarkian hallintaratkaisu Microsoft Power Platformia hyödyntäen 
Yleinen tilanne varsinkin suuremmissa yrityksissä on se, että olemassa olevat ERP-, henkilöstö- taikka taloushallinnon ohjelmistot tarjoavat mahdollisuuksia hierarkioiden luomiseen ja ylläpitämiseen. Mutta entä jos valmiit ratkaisut eivät tue yrityksen tarvetta, taikka toimivat turhan kankeasti käyttötarkoitukseen?
Tutustu tarinaan

Lisää ajankohtaisia julkaisuja:

Avoimen datan hyödyntäminen automaattisesti Power BI:tä käyttäen
Tutustu tarinaan
Onko tekoälyn hyödyntämisestä vielä(kään) konkreettista hyötyä kilpailukyvylle?
Jo vuosia on puhuttu, että tekoälyn (AI) hyödyntäminen mullistaisi teollisen tuotannon ja palvelut lisäämällä tehokkuutta ja tuottavuutta. Missä ne konkreettiset hyödyntämismahdollisuudet sitten oikein piilevät?
Tutustu tarinaan
Johdatko toimintaasi tietoon perustuen?
Tutustu tarinaan
The effect of preconceptions on the results of machine learning
The use of machine learning and artificial intelligence offers many possibilities, such as the improvement of medical treatment and diagnosis, identifying potential safety hazards, and advancing scientific research. However, when used inappropriately, data models can also perpetuate inequality or cause people and companies to focus on improving metrics to the detriment of actual performance.
Tutustu tarinaan
Organisaation hierarkian hallintaratkaisu Microsoft Power Platformia hyödyntäen 
Yleinen tilanne varsinkin suuremmissa yrityksissä on se, että olemassa olevat ERP-, henkilöstö- taikka taloushallinnon ohjelmistot tarjoavat mahdollisuuksia hierarkioiden luomiseen ja ylläpitämiseen. Mutta entä jos valmiit ratkaisut eivät tue yrityksen tarvetta, taikka toimivat turhan kankeasti käyttötarkoitukseen?
Tutustu tarinaan