Dataa on hehkutettu milloin uudeksi öljyksi, ilmaksi tai vedeksi. Vuonna 2012 Harvard Business Review jopa nimesi data-analyytikon työn vuosisadan seksikkäimmäksi ammatiksi. Analytiikan laajamittainen hyödyntäminen on kasvanut viime vuosina räjähdysmäisesti, mutta mistään uudesta ilmiöstä ei ole kyse.
Tietokoneavusteista ennakoivaa analytiikkaa on hyödynnetty 1940-luvulta alkaen, ja etenkin suuryrityksissä data-analytiikkaa on käytetty 1970-luvulta lähtien päätöksenteon tukena. Ensimmäinen mekaaninen ja ohjelmoitava data-analytiikan apuväline – reikäkorttikone – kehitettiin Yhdysvalloissa jo vuoden 1890 väestölaskentaa varten.
Suurimmat hyödyt saadaan ensiaskelista
Data-analytiikan matalalla roikkuvat hedelmät ovat kypsiä poimittaviksi. Erityisen kannattavaa analytiikkaan panostaminen on niille yrityksille, joilla analytiikka on vielä lapsenkengissä.
”Mittavin liiketaloushyöty data-analytiikan saralla tulee useimmiten ensimmäisistä askelista”, painottaa Jaakko Hollmén, koneoppimiseen, tiedon louhintaan ja tekoälyyn keskittynyt vanhempi yliopistonlehtori Aalto-yliopiston tietotekniikan laitokselta.
Finanssialan organisaatio nelinkertaisti myyntinsä kohdistamalla mainontaa."
”Kuulin hiljattain finanssialan organisaatiosta, joka nelinkertaisti myyntinsä kohdistamalla mainontaa. Kyseessä oli muutama vuosi sitten perustettu organisaatio. He keräsivät parin kolmen vuoden ajan dataa asiakkaistaan ja toteuttivat sen jälkeen harkitun, kertaluontoisen data-analyysin oppiakseen tuntemaan asiakkaitaan paremmin. Myyntikäyrät lähtivät jyrkkään nousuun”, Hollmén kertoo.
Kun analytiikassa on päästy alkumetrejä pidemmälle, voidaan ottaa käyttöön ennustavia malleja.
”Jos esimerkiksi teollisessa prosessissa on tapana ottaa materiaalinäytteitä laboratorioon lähetettäväksi, voidaan tuloksia joutua odottelemaan jopa päiviä. Tällaiseen tilanteeseen voidaan luoda malli, joka ennustaa materiaalin ominaisuuden sekunnin murto-osassa suoraan mitattavien tekijöiden kautta. Tällaisia ajallisia ja rahallisia hyötyjä tuovia ennustemalleja yritykset etsivät nyt kuumeisesti”, hän lisää.
Analytiikasta tulee osa jokaisen yrityksen arkea
Hollménilla on yli 20 vuoden kokemus data-analytiikasta, niin teollisuudessa kuin yliopistotutkimuksen parissa. Oman alan nousu yritysmaailman uudeksi iskusanaksi ei hämmästyttänyt Hollménia.
”Kuluneen 5-10 vuoden ajan data-analytiikka on ollut yritysten uusi lempijuttu, tekoälyn ja koneoppimisen rinnalla. Into analytiikkaa kohtaan ruokkii itse itseään: kun edelläkävijät saavuttavat sen avulla kilpailuetua, ymmärtävät muutkin lähteä sitä hyödyntämään”, Hollmén toteaa.
”En usko data-analytiikan merkityksen laantuvan, vaikka se ajan saatossa banalisoituisi. Digitaalisessa maailmassa analytiikasta muodostunee perustaito, jonka osaajia tarvitaan jokaisessa organisaatiossa – joko omasta takaa tai ostopalveluna”, hän pohtii.
Köyhän kansan periaate: hyöty lähtökohdaksi
Hollmén korostaa data-analytiikassa köyhän kansan periaatetta: liikkeelle kannattaa aina lähteä siitä, miten datasta saadaan hyötyjä liiketoiminnalle. Tähän kysymykseen vastaamiseen tarvitaan osaajia, jotka ymmärtävät paitsi analytiikkaa, myös liiketoimintaa.
”On ymmärrettävä mitä erilaisia tietovarantoja on olemassa – tai järjestelmiä, joista voidaan saada yrityksen toiminnan kannalta merkittävää dataa. Lisäksi on ymmärrettävä, miten tulokset voidaan viedä käytäntöön”, hän sanoo.
”Jos yrityksellä on kiinnostusta siirtyä analytiikkamaailmaan, ovat analytiikkaa osaavat työntekijät kullanarvoisia. Data-analytiikan osaaminen on merkittävä, uraa vauhdittava kompetenssi kenelle tahansa tietotyöntekijälle”, hän jatkaa.
Tuloksia tulee vain puhaltamalla yhteen hiileen
Googlen omistama, datatieteeseen ja koneoppimiseen erikoistunut nettiyhteisö Kaggle kartoitti vuonna 2017 data-analytiikan hyödyntämisen esteitä. Alan ammattilaisten yleisin murheenkryyni on likainen data. Lisäksi monet ongelmat liittyvät siihen, ettei yrityksissä puhalleta yhteen hiileen: joko yrityksissä ei osata esittää selkeitä kysymyksiä, joita lähteä analytiikalla ratkaisemaan, tulosten ymmärrettävä viestiminen takkuaa, johtoportaalta ei heru riittävästi tukea analytiikkaprojekteille, tai tuloksia ei yksinkertaisesti käytetä mihinkään.
Koko organisaation tulisi ymmärtää, että datan laatu on tärkeää. Jos data on sutta ja sekundaa, ei analytiikasta ole hyötyä"
”Monissa yrityksissä data-analytiikkaa hoitaa keskitetty tiimi. Ratkaisu toimii, mikäli analyytikot ovat hyvissä puheväleissä muun organisaation kanssa ja ymmärtävät liiketoimintaa. Jos organisaation keskeisissä funktioissa työskentelee myös data-analytiikan päälle ymmärtäviä ammattilaisia, helpottuu vuorovaikutus merkittävästi”, Hollmén korostaa.
”Kaikkien työntekijöiden pitäisi tietää data-analytiikasta ainakin yksi asia: datan laatu on tärkeää. Jokainen organisaation jäsenhän tuottaa dataa – ja jos data on sutta ja sekundaa, on turha odottaa analytiikan paljastavan niitä haluttuja kasvun ajureita tai pullonkaulojen poistajia”, Hollmén muistuttaa.
Aalto PRO:n Data Lab -ohjelmassa perehdytään keskeisiin data-analytiikan metodeihin ja niiden sovelluskohteisiin sekä otetaan ensimmäisiä askelia ohjelmoinnin saralla. Osallistujat oppivat muokkaamaan, testaamaan ja kysymään omalta datalta oikeita kysymyksiä, minkä tuloksena he tuottavat merkittäviä hyötyjä oman organisaationsa tarpeisiin. Lue lisää ohjelmasta
Artikkeli on julkaistu alun perin 11/2019. Uudelleen julkaistussa versiossa on päivitetty tietoja Data Lab -ohjelmasta.
