Mitä on analytiikka? Raportoinnista ennusteisiin ja päätöksiin

Analytiikka lyhyesti

Analytiikka on kattokäsite, joka tarkoittaa eri rooleissa eri asioita. Data-analyytikolle se on datan keräämistä, käsittelyä ja analysointia. Johdolle se on väline toiminnan johtamiseen ja kehittämiseen. Hyvä analytiikka tarvitsee molemmat näkökulmat.

Analytiikkaan liittyy neljä läheistä käsitettä.

• Datavisualisointi esittää datan kuvioina, jotta ihminen näkee kehityksen, vertailut ja poikkeamat.
• Raportointi eli business intelligence (BI) jakaa sovitut mittarit päättäjille säännöllisesti, esimerkiksi Power BI -raporteissa.
• Edistynyt analytiikka tuottaa datasta algoritmeilla uutta tietoa: ennusteita, todennäköisyyksiä, pisteytyksiä ja suosituksia.
• Data science yhdistää tietojenkäsittelytieteen, tilastotieteen ja sovelletun matematiikan menetelmiä, joilla edistyneen analytiikan mallit rakennetaan.

Liiketoiminnan analytiikan tarkoitus on tuottaa organisaatiolle taloudellista arvoa. Siksi menetelmä valitaan ongelman mukaan, eikä työ sitoudu yhteen menetelmäkoulukuntaan.

Onko datavisualisointi analytiikkaa?

On, visualisointi on usein analytiikan loppurtuote jonka avulla johtoryhmä näkee kuvaajasta, missä toiminta on suhteessa tavoitteisiin. Se on myös laadunvarmistusta ennen mallinnusta. Kun data piirretään kuvaajaksi ennen kuin se syötetään algoritmille, puuttuvat jaksot, poikkeavat havainnot ja väärin kirjatut arvot näkyvät heti. Datan hyödyntäjän on tunnettava datansa.

Useimmat visualisointitarpeet hoituvat hyvällä BI-työkalulla, eikä liiketoimintakäyttäjien tarvitse opetella ohjelmointia. Microsoftin teknologioiden ympäristössä työkalu on monesti Power BI, jota esitellään kirjoituksessa Mikä on Power BI?

Analytiikan neljä kysymystä

Analytiikka vastaa neljään kysymykseen. Raportointi vastaa kahteen ensimmäiseen ja edistynyt analytiikka kahteen viimeiseen.

1. Mitä tapahtui?

Kuvaileva analytiikka kokoaa historian mittareiksi, trendeiksi ja vertailuiksi. Siihen kuuluvat esimerkiksi kuukausiraportit, KPI-näkymät ja budjettivertailut.

Luvut täsmäävät vain, jos jokaisella mittarilla on yksi määritelmä ja yksi lähde. Korsisaaressa taloushallinto ja liiketoiminnot käsittelivät useita versioita Excel-raporteista, ja usean yhtiön luvut laskettiin yhteen käsin. Pilottivaiheen jälkeen konsernin ja yhtiöiden luvut näkyivät samassa näkymässä lähes reaaliajassa. Kun luvuista pääsi porautumaan tositetasolle, kustannuspaikkojen kirjauksista löytyi virheitä. Ratkaisu rakennettiin Power BI -pohjaisen Ready Business Analytics -mallipohjamme varaan.

Yhteisistä mittarimääritelmistä kerrotaan kirjoituksessa Mikä on semanttinen kerros?

2. Miksi se tapahtui?

Diagnostinen analytiikka etsii syitä. Kun myynti laskee yhdellä alueella, syy voi olla kausivaihtelu, kilpailija, toimitusongelma tai hinnoittelu. Analyytikko porautuu dataan, vertailee ryhmiä ja käy poikkeamat läpi liiketoiminnan asiantuntijoiden kanssa.

Syyt löytyvät, kun tapahtumat on kirjattu yhtenäisesti ja käsitteistä on sovittu: kuka on asiakas, milloin myynti syntyy ja kuka lasketaan henkilöstöön. Tätä sopimusta kutsutaan tietomalliksi, ja sitä avataan kirjoituksessa Mitä on tietomallintaminen?

3. Mitä tapahtuu seuraavaksi?

Ennakoiva analytiikka, jota kutsutaan myös ennustavaksi tai prediktiiviseksi analytiikaksi, ennustaa tulevia tapahtumia datan sekä tilastollisten ja koneoppimisen menetelmien avulla. Sillä voi myös arvioida, mitä olisi tapahtunut, jos jokin taustatekijä olisi ollut toisenlainen. Tuloksena on esimerkiksi kysyntäennuste, asiakkaan poistumatodennäköisyys tai laitteen vikaantumisriski.

Ennuste on aina epävarma, joten sen rinnalle kannattaa tuoda ennustevirhe tai vaihteluväli. Aikasarjaennusteiden menetelmiä ja laadunvarmistusta käsitellään kirjoituksessa Mitä on aikasarja-analyysi ja ennustaminen?

4. Mitä kannattaa tehdä?

Ohjaava eli preskriptiivinen analytiikka etsii parhaan toimenpiteen annettujen tavoitteiden ja rajoitteiden puitteissa. Menetelmiä ovat optimointi, simulointi ja skenaarioanalyysi. Ennuste ja optimointi toimivat usein parina. Kysyntäennuste kertoo, paljonko tuotteita tarvitaan, ja optimointi minimoi varastoon sitoutuneen pääoman niin, ettei myyntiä menetetä tuotteiden loppumisen vuoksi.

Mitä ennakoiva analytiikka mahdollistaa?

Ennakoivaa analytiikkaa voi käyttää lähes millä toimialalla tahansa ja organisaation eri toiminnoissa. Tyypillisiä käyttökohteita ovat:

• Finanssiala: riskiperusteinen hinnoittelu, riskienhallinta ja asiakkaiden käyttäytymisen ymmärtäminen, jota vaatimustenmukaisuusvelvoitteet edellyttävät.
• Taloushallinto: ostolaskujen automaattinen ja riskiperusteinen käsittely sekä automaattiset kassavirtaennusteet. Rullaavasta ennustamisesta ja budjetoinnista kerrotaan kirjoituksessa Mitä on talouden seurannan ja budjetoinnin ennakoiva analytiikka?
• Energia-ala: hinnoittelu, asiakkaiden kulutuksen ennustaminen, riskienhallinta ja omaisuuden ennakoiva kunnossapito. Loimualle toteuttamamme sovellus tuottaa aikasarjaennusteet mittausdatasta automaattisesti. Energia-alan mallipohjamme on Ready Energy Analytics.
• Henkilöstö: vaihtuvuuden ja poissaolojen ennakointi tiimitasolla, jotta rekrytoinnit ja sijaisjärjestelyt ehditään suunnitella. Henkilöstöanalytiikan mallipohjamme on Ready HR Analytics.
• Asiakaspalaute: tekoäly käy läpi suuren määrän asiakaspalautteita eri palvelukanavista ja nostaa esiin olennaisen. Salmi Platformille toteuttamamme ratkaisun avulla palautteet voi luokitella positiivisiin, negatiivisiin ja neutraaleihin.

Ennuste auttaa vasta, kun se näkyy siellä, missä päätös tehdään. Siksi tuomme ennusteen samaan Power BI -malliin toteuman kanssa ja seuraamme ennustevirhettä omana mittarinaan. Ennusteista ja koneoppimisesta kerrotaan lisää Ennusteet, koneoppiminen ja tekoäly -palvelusivullamme.

Ketkä analytiikkaa tekevät ja käyttävät?

Analyytikot ja toimeksiannot

Arjessa analytiikka on usein rajattu toimeksianto, joka etenee neljässä vaiheessa:

1. Data kerätään toimeksiannon kysymykseen.
2. Keräyksen tulokset varmistetaan.
3. Tulokset analysoidaan.
4. Analyysista kootaan yhteenveto ja toimenpidesuositukset.

Toimeksiannot tekevät data-analyytikot, ja data engineerit valmistelevat datan. Tilaajina ovat liiketoimintajohto ja datatuotteiden, kuten raporttien, käyttäjät. Toimeksiantoja on paljon, joten uuden analyytikon perehdyttämiseen kannattaa käyttää riittävästi aikaa. Hyvä perehdytys esittelee ensin liiketoimintamallin, prosessit ja ilmiöalueen asiantuntijat, ja itsenäiset tehtävät tulevat kokemuksen karttuessa.

Sisäiset sidosryhmät

Analytiikkaa käyttävät ylin johto, tiimienvetäjät ja työntekijät, ja jokaisella on eri tarve. Ylimmällä johdolla on harvoin aikaa tutkia raporttiportaalia. Johtoryhmän kokouksen taustamateriaaliksi sopii paremmin jäsennelty koosteraportti kuin se, että jokainen vuorollaan esittelee portaalista omat raporttinsa. Tiimienvetäjä taas tarvitsee oman tiiminsä luvut arjen päätöksiin.

Ulkoiset sidosryhmät

Analytiikan käyttäjiä voivat olla myös asiakkaat, kuntalaiset ja viranomaiset:

• Kuljettava tarjoaa B2B-asiakkailleen raportointipalvelua. Kun yhtiön Snowflake-tietovarasto migroitiin Microsoft Fabriciin, asiakasraportointi siirrettiin samalla Power BI Premiumista Fabric-kapasiteetille.
• Nokian kaupungin Ilmastovahti on kaupungin verkkosivuilla julkaistu Power BI -raportti, jolla voi seurata kasvihuonekaasupäästöjen kehitystä ja kaupungin energiatehokkuustoimia. Raportin muotoilussa huomioitiin saavutettavuusvaatimukset.

Ulkoisessa raportoinnissa liikesalaisuudet on suojattava, ja samalla sidosryhmät odottavat avoimuutta ja eettisiä periaatteita. Nämä vaatimukset kannattaa sovittaa yhteen jo raportin suunnittelussa.

Missä analytiikka suoritetaan?

Analytiikka toimii esimerkiksi Microsoft Fabricissa ja Azure Databricksissa. Fabricissa raportointi rakentuu Power BI:n semanttisen mallin varaan, ja sama ympäristö tarjoaa välineet datan käsittelyyn ja koneoppimiseen. Azure Databricksissa analyytikot ja data scientistit tekevät analyyseja SQL-kyselyillä ja notebookeilla sekä kouluttavat ja ajavat koneoppimismalleja.

Copilotit ja data-agentit tuovat analyysiin keskustelupohjaisia työvälineitä. Ne voivat hakea vastauksia semanttisesta mallista tai muusta hallitusta datasta, mutta eivät korvaa mittarien määrittelyä, datan laadun varmistamista tai käyttöoikeuksia. Suoritusympäristö valitaan analyysin, käyttäjien ja nykyisen data-alustan mukaan.

Analytiikka päätöksenteon välineenä

Analytiikka antaa työkalut toiminnan johtamiseen ja kehittämiseen, kun organisaatiolla on dataa oikea-aikaisesti ja oikeassa muodossa. Arvo syntyy, kun johto tai työntekijät näkevät, missä toiminta on suhteessa tavoitteisiin, ja muuttavat toimintaansa. Siihen tarvitaan kolme asiaa:

• Oikea-aikainen data. Kuukauden vanha luku ei auta päivittäisessä päätöksessä.
• Kyky jäsentää päätöstilanne. Data ja liiketoiminnan ymmärrys yhdistyvät, kun tiedetään, mikä päätös tehdään, kuka sen tekee ja mitkä vaihtoehdot ovat pöydällä.
• Toimeenpanokyky. Ilman toimeenpanoa tulokset jäävät laihoiksi.

Tietolähteisiin ei kannata luottaa sokeasti. Jos kirjauskäytännöt vaihtelevat, analyysi toistaa virheet, joten organisaation tiedonhallinnan käytäntöjä on arvioitava kriittisesti. Korsisaaren kustannuspaikkavirheet löytyivät, kun luvuista pääsi porautumaan tositteisiin.

Jokaisen analytiikkainvestoinnin pitää tuottaa rahassa mitattavaa hyötyä. Gartnerin kyselyn mukaan vain 13 % CIO:ista kertoo organisaationsa saaneen tekoälystä merkittävää tai mullistavaa arvoa, ja yksittäisen käyttötapauksen onnistumisen todennäköisyys on yksi viidestä. Gartnerin mukaan tekoäly koettelee erityisesti organisaatioita, joilta puuttuvat perustaidot, kuten käyttötapauksen arvon määrittely etukäteen ja kriteerit sille, milloin hankkeesta luovutaan. Sama koskee ennusteita ja koneoppimismalleja, kun mallin tulokset kytketään talousmalliin niin johto näkee hyödyn suoraan euroina.

Mistä liikkeelle?

1. Valitse yksi päätös. Mitä päätöstä analytiikan pitää tukea, ja kuka sen tekee?
2. Sovi mittarit. Mitä mittareita päätös tarvitsee, ja kuka omistaa niiden määritelmät?
3. Selvitä data. Mitä dataa on ja missä järjestelmissä? Hajanaisten lähteiden yhdistäminen mallinnuskelpoiseksi dataksi voi viedä aikaa.
4. Rajaa ensimmäinen askel. Rakenna pilotti yhden päätöksen ympärille ja arvioi sen hyöty euroina ennen laajentamista.

Mitä analytiikan pitäisi teillä ratkaista?

Ready Solutionsin edistyneen analytiikan palvelut kattavat raportoinnin, ennusteet ja koneoppimisen. Pilvipalvelut ja data-alustojen kehittämisen palvelut tarjoavat analytiikalle sopivan suoritusympäristön. Toteutamme ratkaisun yhdessä tiiminne kanssa, ja tiimi oppii ylläpitämään sitä hankkeen aikana.

Kerro, mitä päätöstä analytiikan pitäisi tukea. Käydään 30 minuutissa läpi mittarit ja data, ja saat jälkikäteen kirjallisen yhteenvedon ehdotetusta ensimmäisestä askeleesta.

Varaa maksuton 30 minuutin kartoituskeskustelu →

Tilaa Ready Insights -uutiskirje sivun alaosan lomakkeella.