Oppaa, miten sovittaa big data -aloitteet yhteen organisaatiosi strategian kanssa ja validoida ponnistelut tunnusluvuilla.

Artikkelin keskeiset aiheet:

• Mitä on big data?
• Big Datan haasteet
• KPI:t ja Big Data
• Fokus Big Dataan
• Tehdään Big Datasta mitattavaa
• Automaatio BSC Designerilla

Sign-rekisteröidy ilmaisella paketilla ja saat käyttöösi Big Data Scorecardin sekä 28 muuta tuloskorttimallia.
Vuoden lopulla on hyvä aika puhua nousevista trendeistä: itseajavista autoista, tekoälystä, virtuaalitodellisuudesta ja esineiden internetistä. Miten nämä trendit vaikuttavat liiketoimintaasi? Miten voit ottaa huomioon näiden peliä muuttavien ideoiden mahdollisen vaikutuksen? Kaikki mainitut suuntaukset ansaitsevat yksityiskohtaisen analyysin, mutta yksi näyttää liittyvän kaikkiin muihin. Tarkoitan Big Dataa. Tekoäly tarvitsee sitä, itsestään ajavat autot perustuvat siihen, ja tietysti monet yritykset käyttävät sitä jo nyt.

BSC Designerissa puhuimme paljon KPI:istä ja strategiasta. Tässä artikkelissa ehdotan keskustelua siitä, miten hyvin kuvattu strategia ja räätälöidyt KPI:t voivat auttaa keskittymään big data -ponnisteluihin. Tässä on suunnitelmamme tätä artikkelia varten:

• Big data. Mitä se on? Mitkä ovat tärkeimmät haasteet?
• Big datan tunnusluvut. KPI:iden 4 tasoa ja strategisen linjauksen saavuttaminen.
• Toimintasuunnitelma. Big datan mitattavissa oleva toteutus.

Mitä on big data?

Big datassa on kyse suurten, jäsentymättömien tietokokonaisuuksien analysoinnista.

Big dataa voidaan luonnehtia 3:lla V:llä:

• Volyymi. Tietoaineistojen oletetaan olevan suuria. On olemassa arvioita, joiden mukaan sen pitäisi olla vähintään 10 Gt tai 1 TB, mutta luultavasti parempi kriteeri olisi sanoa, että big data on jotain, joka on hajautettava (tallennuksen tai laskennan osalta). Jos joudut siirtymään Hadoopiin tai vastaavaan kehykseen, niin se on muuttumassa isoksi.
• Erilaisuus. Ajattele erilaisia strukturoidun ja strukturoimattoman datan lähteitä. Sitä voidaan louhia tekstistä, videosta, myyntidatasta, sosiaalisesta mediasta, sääennusteesta tai mistä tahansa, mikä on järkevää kontekstissasi.
• Nopeus. Tiedon suuri määrä on seurausta nopeasta tiedon tuottamisesta. Ajattele tuhansia lentokoneen elementtejä, joita seurataan jatkuvasti, tai sosiaalisen median jatkuvaa kommenttivirtaa tai reaaliaikaista dataa, jota puettavat laitteet tuottavat.

Usein (ota esimerkkinä IBM tai EY) on myös neljäs “V”, joka tarkoittaa “Veracity” (totuudellisuutta):

• Veracity. Kun puhumme datasta, olemme aina tekemisissä tietynasteisen epävarmuuden kanssa. Miten tiedot on saatu? Analysoitiinko kaikki tekijät? Oliko sitä manipuloitu? Voimmeko luottaa näihin lukuihin?

Miten dataa käytetään?

Big dataa käytetään monenlaiseen ennustamiseen ja käyttäytymisen analysointiin. Organisaatiot soveltavat big dataa vähentääkseen kustannuksia, ymmärtääkseen paremmin asiakkaiden tarpeita ja vähentääkseen riskejä. Ajattele yritystä, joka käyttää big dataa räätälöidyn asiakaskokemuksen tarjoamiseen; ajattele sähköisen kaupankäynnin tarjoajan petostentorjuntaa.

Artikkelin alussa mainitsin joitakin nousevia trendejä – big data on mukana kaikissa niissä. Jos haluat oppia lisää big datan käytännön käytöstä, suosittelen jatkamaan kansainvälisesti tunnustetun asiantuntijan Bernard Marrin kirjoittamaa kirjaa “7 Amazing Companies That Really Get Big Data”.

Main Challenges of Big Data

Kuvailtu visio big datasta kuulostaa hyvin kunnianhimoiselta. Miksi yritykset ovat sitten hitaita omaksumaan tätä uutta suuntausta? Mitkä ovat big datan tärkeimmät haasteet?

Datanlouhinta ei ole enää tärkein haaste

Lopussa lokakuussa olin puhumassa SCIP:n (Strategic and Competitive Intelligence Professionals) järjestämässä konferenssissa. Tämän järjestön jäsenet käsittelevät big dataa markkinatiedustelun aloilla. Konferenssin pääteemana ei ollut joidenkin CI/BI-tietojen louhiminen, kuten voisi olettaa, vaan business intelligence -toimien sovittaminen yhteen organisaation strategian kanssa. Toisin sanoen, kun yritys tietää kysymykset, joita se haluaa kysyä, loppu on suhteellisen helppoa (ks. alla olevista kyselyistä joitakin tietoja).

Jos tiedonlouhinta ei ole enää ongelma, mitkä ovat tärkeimmät haasteet?

Haaste 1. Suuren datan keskittäminen

Päähaasteena on keskittää suuri data siihen, millä on merkitystä, ja toimittaa se sitten oikeisiin käsiin. Toisin sanoen organisaatiossa pitäisi olla joku, jonka pitäisi alkaa kysyä oikeita kysymyksiä.

Tämän ajatuksen havainnollistamiseksi otetaanpa Targetin tarina, joka oli otsikoissa vuonna 2012. Tämä vähittäismyyjä käytti menestyksekkäästi shopper-analytiikkatietoja ennustaakseen, että osa heidän asiakkaistaan oli raskaana. Tarkastellaan tarinaa (ottamatta huomioon yksityisyyteen liittyvää osaa) ja katsotaan, mitä oikeastaan tapahtui. Targetille työskentelevä tilastotieteilijä Andrew Pole ei vain toimittanut kaikkia mahdollisia tietoja, vaan hän sai markkinoinnista vastaavilta kollegoiltaan hyvin tarkan tehtävän – tunnistaa raskaana olevat ostajat toisella kolmanneksella.

Tässä oli fokus, ja tähän fokukseen liittyi valtava liiketoiminnallinen arvo, sillä uusilla vanhemmilla on taipumus muuttaa ostotottumuksiaan ja ostaa kaiken yhdestä vähittäiskaupasta. Kyse ei ollut pelkästä datalla leikkimisestä, vaan sellaisten tietojen löytämisestä, jotka auttaisivat vastaamaan hyvin konkreettiseen kysymykseen.

Haaste 2. Yhdenmukaisuus liiketoimintastrategian kanssa

Big data muuttaa peliä, kun se tuottaa konkreettista liiketoiminta-arvoa. Toisin sanoen pitäisi olla selvää, miten big data -aloitteet tukevat yrityksen strategiaa. NewVantage Partners kysyi Big Data Executive Survey -tutkimuksessaan vastaajilta kulttuurisista esteistä Big Datan käyttöönotolle liiketoiminnassa. Vastaajista 42,6 prosenttia valitsi vastaukseksi “Riittämätön organisatorinen linjaus”. Muita vaihtoehtoja olivat hyväksynnän puute, johdonmukaisen datastrategian puute ja yhteisen vision puute.

Palatakseni Targetin tapaukseen, he onnistuivat käsittelemään kaksi tärkeää osatekijää:

1. Big data keskittyi tiettyyn kyselyyn: Tietotiedemiestä pyydettiin tunnistamaan raskaana olevat ostajat toisella kolmanneksella.
2. Kohdistaminen liiketoimintastrategiaan: Datalla oli selkeä liiketoiminta-arvo – perheistä, joissa lapsi syntyi, tuli yhden vähittäiskaupan asiakkaita pitkäksi aikaa.

Haaste 3. Tietoturva ja yksityisyys

Tämä haaste ei ole vielä yleisessä käytössä, mutta uskon, että kaikille on selvää, että tietojen keräämisen ja analysoinnin on oltava eettistä ja laillista. Yleinen tietosuoja-asetus (GDPR) tuli voimaan 25. toukokuuta 2018 alkaen Euroopassa, ja muissakin maissa on vastaavia säännöksiä. Yritysten on noudatettava paljon vakavammin tietosuojakäytäntöjä käsitellessään henkilötietoja.

Keskustellaanpa KPI:istä big datan yhteydessä.

KPI:t ja big data

Korvaako big data KPI:t? Ei aivan. Big data tulee tehostamaan KPI:itä tarkemmilla ja ajantasaisemmilla oivalluksilla.

Otetaanpa esimerkkinä NPS (Net Promoter Score):

• NPS nyt. Miten NPS (Net Promoter Score) lasketaan organisaatiossasi nykyään? Luultavasti teette jonkinlaisen asiakaskyselyn neljännesvuosittain. Näin ollen tämä indikaattori on ajallisesti jäljessä. Jos yrityksessänne tapahtuu jotain, NPS näyttää sen muutamaa kuukautta myöhemmin.
• NPS powered by big data. Kuvittele nyt, että käytät jotakin big data -työkalua, joka analysoi asiakkaiden tunteita reaaliajassa (katso Heedbook-viite alla). Tällöin NPS:stäsi tulee reaaliaikainen KPI. Periaatteessa voit nähdä tietyn asiakkaan reaktion tiettyyn tarjoukseen ja tiettyyn myynnin lähestymistapaan.

Joissakin tapauksissa olet kiinnostunut kaivautumaan syvemmälle tietoihin ja pääsemään erityistilanteisiin, ja joissakin tapauksissa sinun on nähtävä aggregoidut tiedot viikon, kuukauden tai vuoden ajalta.

Big datan tunnusluvut

Big datan tapauksessa puhutaan merkittävistä investoinneista uusiin työkaluihin ja arkkitehtuuriin, joten on järkevää seurata näitä aloitteita joidenkin kovien tietojen avulla. Big data -aloitteet tulisi myös kvantifioida ja mitata. Tämä voidaan tehdä useilla eri tasoilla.

Taso 1. 3-V-mittarit

Big datan 3V:tä (Volume, Variety, Velocity) voidaan helposti kvantifioida:

• Datan määrä on mittari itsessään (GB, TB jne.)
• Variety voidaan kvantifioida erityyppisten tietolähteiden määränä
• Velocity määritellään tuotetun/analysoidun datan määränä aikajaksoa kohden

Neljäs V – Veracity saattaa olla vaikeampi kvantifioida. Sinun on määriteltävä, mitä tiimisi pitää oikeana tietona, ja se riippuu asiayhteydestä. Esimerkiksi polttomoottoriautojen osalta nykyisen nopeuden mittaamista +-5 km/h virhetasolla saatetaan pitää tarkkoina tietoina, kun taas sähköautojen osalta se ei ole hyväksyttävää. Määrittele 1-2 mittaria, jotka antavat käsityksen datan tarkkuudesta tapauksessasi.

Ovatko 3-V-mittarit hyödyllisiä? Se riippuu asiayhteydestäsi. Otetaan esimerkkinä Googlen itseohjautuva auto. Auto tuottaa 1 Gt anturidataa sekunnissa. Tuo luku näyttää vaikuttavalta! Voimme arvioida, kuinka suurta big data on, mutta nuo luvut eivät auta meitä edellä mainituissa 3 haasteessa.

Tilaa ilmaispaketti, niin saat käyttöösi Big Data tuloskortin sekä 28 muuta tuloskorttimallia.

Taso 2. Big data -prosessin mittarit

Siirrymme seuraavalle abstraktiotasolle ja tarkastelemme big data -prosessia. Yksinkertaistettu malli on seuraava:

• Kysely
• Keruu
• Analyysi
• Raportointi

Hyödyllisimmät metriikat liittyvät tässä tapauksessa aikaan:

• Tiedonkeruun tiheys
• Aika, joka kuluu siihen, että tiedot ovat käytettävissä analyysia varten
• Aika, joka kuluu siihen, että tiedot raportoidaan tunnuslukuina

Ajoituksen vertailuarvot riippuvat liiketoimintaympäristöstäsi. Esimerkiksi:

• Itsestään ajavan auton on kerättävä ja analysoitava tietoja reaaliajassa, ja eron millisekunneilla on väliä, mutta
• NPS:n tapauksessa johtajat saattavat olla kiinnostuneita viikoittaisten aggregaattitietojen tarkastelusta

Prosessien tehokkuuden kannalta voimme seurata:

• Kysely konversioluvun raportoimiseksi, %. Tässä tapauksessa meidän on ensin määriteltävä kvalifioidun kyselyn käsite ja sen jälkeen seurattava niiden kvalifioitujen kyselyjen prosenttiosuutta, joihin datatieteilijämme pystyivät vastaamaan
• Tiedonkeruuvalmiudet. Kaappaamiemme tietojen tarkkuustaso (edellä Veracity-kohdassa käsitellyt ajatukset). Joillekin yrityksille nämä kyvykkyydet määrittelevät niiden kestävän kilpailuedun.

Tältä tasolta saadut mittarit antavat meille paremman käsityksen siitä, kuinka tehokasta big data on, mutta meillä ei silti ole aavistustakaan big datan vaikutuksesta todellisiin liiketoiminnallisiin tavoitteisiin.

Taso 3. Jäljellä olevat KPI:t. KPI:t big datan onnistumisen validoimiseksi.

Toinen kysymys on, miten validoidaan big data -aloitteiden onnistuminen yrityksessä. Toisaalta infrastruktuuriin tehdään merkittäviä investointeja, toisaalta big datan pitäisi maksaa itsensä takaisin liiketoiminnan oivallusten muodossa. Miten voimme mitata näiden oivallusten dollarimääräisen arvon?

Tässä tapauksessa meidän on seurattava parannuksia, jotka voidaan lukea big datan käytön ansioksi:

• Mitä opimme big datasta? Mitä kustannussäästöjä saavutettiin näiden ideoiden toteuttamisen jälkeen?
• Miten asiakaspysyvyys muuttui räätälöidyn kokemuksen tarjoamisen ansiosta? Miten asiakkaan elinkaariarvo muuttui?
• Auttaako big data asiakaspalvelun tehostamisessa? Miten ensimmäisen puhelun ratkaisuprosentti muuttui?
• Miten rekrytointiprosessit muuttuivat sen jälkeen, kun big datan käyttö aloitettiin? Miten suoritukseen kuluva aika HR-mittari muuttui?

Kuten näet, tällä tasolla käytämme klassisia KPI-mittareita, joita käytimme aiemmin. Yritämme hyvittää tietyt parannukset big datan käyttöönoton ansioksi.

Tämä lähestymistapa saattaa olla puolueellinen:

• Meillä on taipumus laskea positiiviset muutokset saavutuksiksemme ja
• näkemmekin negatiiviset muutokset normaaleina vaihteluina, joita aina tapahtuu.

Ratkaisu on pyrkiä suurempiin ja konkreettisempiin tavoitteisiin.

Monet organisaatiot taitavat tämän mittausosuuden ja ostavat yksinkertaisesti “jonkin verran suurta dataa”. Capgemini Consultingin raportin mukaan 67 prosentilla haastatelluista yrityksistä ei ole tarkkaan määriteltyjä kriteerejä big data -aloitteidensa onnistumisen mittaamiseen. Kun otetaan huomioon investointien suuruus, yritysten pitäisi olla järjestelmällisempiä big data -toteutuksen tavoitteiden ja menestyskriteerien määrittelyssä.

Tilaa maksuton liittymäsopimus, niin saat käyttöösi Big datan tuloskortin sekä 28 muuta tuloskorttimallia.

Taso 4. Johtavat KPI:t. Big data -menestyksen varmistaminen.

Nyt tiedämme, miten mitata big data -aloitteiden tulososaa, mutta entä johtava osa? Mitä meidän pitäisi tehdä varmistaaksemme big datan onnistuneen käyttöönoton?

Big datan kova osa on varsin konkreettista, voimme mitata sitä sellaisilla yleisillä mittareilla kuin:

• Big data -aloitteisiin sijoitetut varat
• Big data -aloitteisiin käytetty aika

Liiketoiminnan tavoitteet keskittyvät big dataan

Tässä on todellinen skenaario: yritys investoi miljoonia dollareita infrastruktuuriin, työkaluihin ja big datan keräämiseen Hadoop-klusterilla, eikä mitään mitattavaa tapahtunut. Tästä puhuimme haasteessa 1: Big data ei ole tekoälyä, se ei osaa puhua, ja tiimisi on opittava esittämään kysymyksiä. Miten voimme sitten mitata tiimin roolia?

Tässä muutamia ideoita alkuun:

• Big data -koulutuksen tehokkuus. Varmista, että tiimisi avainhenkilöt ovat saaneet koulutusta big datasta. Heistä ei välttämättä ole tulossa datatieteilijöitä, mutta heidän on tiedettävä, mitä kysymyksiä he voivat esittää ja miten nämä kysymykset muotoillaan. Tässä tapauksessa mittarit liittyvät koulutuksen tehokkuuteen.
• % strategisista tavoitteista, joihin liittyy big data -aloitteita. Voisimme seurata kunkin tiimin muotoilemien big data -kyselyjen määrää, mutta tämä lähestymistapa olisi hyvin muodollinen ja vähemmän hyödyllinen. Parempi vaihtoehto on seurata tavoitteiden ja big data -kyselyjen välistä vastaavuutta. Pyydä tiimiäsi tarkastelemaan strategisia tavoitteitaan ja keskustelemaan sitten siitä, mitä dataa he tarvitsisivat parempien päätösten tekemiseen näiden tavoitteiden yhteydessä.

Big data auttaa muotoilemaan uusia liiketoimintatavoitteita

Liiketoimintakontekstin ja big datan yhteensovittamisen prosessi on kaksisuuntainen. Joskus meillä on mielessä tietty haaste ja sitten etsimme tiettyjä big data -työkaluja (kuten Targetin tapauksessa), joskus taas löydämme kiinnostavan työkalun ja yritämme sitten sovittaa sen tavoitteisiimme. Tässä muutamia esimerkkejä:

• Joku tiimistäsi löysi Heedbookin, palvelun, joka analysoi asiakkaiden tunteita reaaliajassa. Palvelu on rakennettu Microsoftin Azureen ja se on saatavilla pilvipalveluna. Asiakaspalvelutiimisi saattaa keksiä idean käyttää tätä palvelua NPS:n parempaan laskemiseen.
• Tietotekniikkahenkilöstönne haasteena oli löytää DLP-ohjelmisto (Data loss prevention). He törmäsivät SearchInformiin, joka ei ainoastaan pysty analysoimaan viestintää ja siirrettyjä tiedostoja, vaan myös panemaan täytäntöön tiettyjä tietoturvakäytäntöjä. Organisaatiosi IT-strategiaa voidaan päivittää ottamalla huomioon DLP-työkalun mahdollisuudet.

Jokatapauksessa on hyvä ajatus sovittaa yhteen erityiset liiketoimintatavoitteet ja big datan vaatimukset.

Toimintasuunnitelma. Tee big datasta mitattavaa.

Suoritetaanpa muotoilu tästä artikkelista. Teen sen mieluiten toimintasuunnitelman muodossa.

1. Tarkista big data. Miten dataa kerätään nyt, mitä tiedonkeruuvalmiuksia sinulla on (käytä big data -prosessin mittareita kehyksenä).
2. Tee kotitehtäväsi. Muotoile strategiasi strategiakartalle ja kaskadoi se liiketoimintayksiköihin. Tarkista nykyiset KPI:t.
3. Paranna valmiuksia. Suunnittele aloitteet, joilla puututaan tiimin kyvykkyyksiin big datan osalta. Avainjäsenten tulisi ymmärtää, mitä kysymyksiä he voivat esittää ja miten nämä kysymykset muotoillaan.
4. Keskitä big data -ponnistelut. Tarkastele strategiakarttaa ja havaitse mahdollisuudet, joissa big data voi tukea liiketoiminnan tavoitteita. Muotoile big data -kyselyt.
5. Toteutus. Analysoi big datan tuottamat oivallukset, heijasta ne tarvittaessa tunnuslukuina.

Lyhyt opas BSC Designer -ohjelmiston käyttäjille

BSC Designer -ohjelmiston käyttäjänä käytössäsi on tehokas ohjelmisto, joka automatisoi monia tässä artikkelissa käsiteltyjä strategian linjaamiseen ja tunnuslukuihin liittyviä näkökohtia:

• Strateginen linjaaminen ja big datan kohdentaminen. Luo strategiakartta liiketoimintasi tavoitteiden esittämiseksi; kohdista KPI:t kartan tavoitteisiin. Jos sinulla ei vielä ole strategiakarttaa, käytä strategiakarttavelhoa, jotta pääset alkuun.

• Varmista, että tiimillä on big data -valmiudet. Varmista koulutuksen tuloskortin avulla (voit aloittaa tästä esimerkistä), että tiimilläsi on tarvittavat valmiudet big datan kanssa työskentelyyn.
• Powering KPIs with big data. Seuraa big data -aloitteiden suorituskykymittareita; käytä RESTFul API:ta syöttääksesi reaaliaikaisia big data -raportteja mittareihin.

Jos et ole vielä käyttäjä, voit aloittaa BSC Designer -ohjelman ilmaisella suunnitelmalla, joka on saatavilla verkossa.

Lisäesimerkkejä tasapainotetusta tuloskortista