Tiedolla johtaminen on lyhyesti muotoiltuna oikeaan tietoon perustuvaa päätöksentekoa, jossa oikea tieto saadaan dataa analysoimalla.
Eli suunnilleen näin:
Simppeliä, vai mitä?
Tiedolla johtamista on kuitenkin karkeasti kahta lajia. Molemmat seurailevat alussa kuvailtua prinsiippiä, mutta siihen yhtäläisyydet loppuvat:
Esimerkiksi hinnoittelua voidaan ohjata molemmilla tavoilla ja kutsua menetelmää tiedolla johtamiseksi, mutta käytännössä ero on valtava.
Vaikkapa junaliikenteen hinnoittelua voidaan ohjata siten, että data-analyytikko penkoo transaktiodataa ja ehdottaa löydöstensä perusteella uusia hintoja. Nämä muutosehdotukset käytetään johtoportaan kautta, ja hyväksynnän jälkeen joku markkinointitiimistä nakuttelee päivitetyt hinnat verkkokauppaan viikon viiveellä.
Modernissa mallissa taas verkkosivuston hinnoittelumoottori toimii täysin automaattisesti ja reaaliaikaisesti kysyntään, kilpailuun, säätilaan, sijaintiin, kellonaikaan ja muihin indikaattoreihin reagoiden. Analyytikon hommaksi jää hienosäätää koneoppivaa algoritmia.
Lue myös: Mitä on tiedolla johtaminen?
Perinteinen tiedolla johtaminen ei ole kuollut, mutta kilpailuedun saavuttamiseen se on useimmissa tapauksissa liian hidas, kankea ja inhimillisille virheille altis työkalupakki.
Jos vaikkapa päätöksenteon tukena käytettävä data on vanhentunutta, tiedolla johtamisesta tulee jälleen luulolla ja mutulla johtamista.
Esimerkiksi vesijohtoverkoston paineenvaihtelu saattaa paljastaa verkostossa piilevän vuodon. Jos tieto paineen äkillisestä muuttumisesta ei liiku ja johda toimintaan reaaliaikaisesti, käsissä voi olla melkoinen soppa.
Sama nopeasti happanevan datan logiikka toimii monilla muillakin toimialoilla. Kilpailu ja muutoksen vauhti ovat yksinkertaisesti kiihtyneet tasolle, jossa jo viikon vanhaa dataa tulkitsemalla tehdyillä päätöksillä voi yhtä hyvin pyyhkiä 🍑
Kahden maailman välinen raja on häilyvä, sillä kyse on saman jatkumon eri vaiheista. Perinteinen muuttuu moderniksi askel kerrallaan, ei yhdessä yössä.
Moderniin tiedolla johtamisen leiriin hamuava ei hylkää vanhaa, vaan ainoastaan jalostaa menetelmiään esim. tuomalla yhtälöön uusia datalähteitä tai automatisoimalla datan analysointia ja päätöksentekoa.
Meidän näkemyksemme mukaan moderni tiedolla johtaminen tarkoittaa kaikkea analytiikkaa – aina preskriptiiviseen, optimaalisia toimintatapoja ennustavaan analytiikkaan saakka.
Miten sitten pääset peruutuspeilijohtamisesta nykyaikaisempaan tiedolla johtamisen maailmaan, jossa kilpailuetua on vielä mahdollista saavuttaa?
Nämä neljä modernin tiedolla johtamisen elementtiä eivät ole koko totuus, mutta niiden varaan voit rakentaa omaa kehityspolkuasi.
Ennakoiva analytiikka tarkoittaa historiadataan perustuvia ennustemalleja. Ennakoiva analytiikka kertoo sen, mitä tulee tapahtumaan.
Jos käytetään esimerkkinä HR-analytiikkaa, ennakoivalla analytiikalla voidaan arvioida – toki datan laadusta riippuen, mutta usein hyvinkin tarkasti – miten sairauspoissaolot kehittyvät tänä tai ensi vuonna. Perinteinen analytiikka kertoo korkeintaan poissaolojen määrän ja syyt poissaoloille tähän hetkeen asti.
Toinen ennakoivan analytiikan esimerkki liikennepuolelta: Helsingin päärautatieasemalta Pasilaan haluavaa kiireistä kuluttajaa tuskin kiinnostaa kokonaisnäkymä junaliikenteestä silloin, kun hän odottelee talvipakkasella junaa asemalaiturilla.
Hän ei halua nähdä kaikkia junia kartalla, vaan saada tarkan ja luotettavan oman junansa saapumisajan ja tiedon siitä, milloin juna on perillä Pasilassa.
Ennakoiva analytiikka auttaa: algoritmi osaa ottaa huomioon vallitsevan junaliikenteen tilanteen, sääolosuhteet sekä muut tekijät, ja pystyy näiden avulla antamaan tarkan arvion saapumisajasta.
Koneoppiminen on analytiikan menetelmä, tai oikeammin joukko menetelmiä, jossa analytiikka toteutetaan antamalla koneelle kaikki tarpeellinen aineisto ja käskemällä sitä itse keksimään paras tapa vastata annettuun kysymykseen.
Tällöin kone oppii tunnistamaan kysymyksen kannalta merkittäviä malleja ilman, että niitä ohjelmoidaan erikseen silloin kun ongelma on kohtuuttoman monimutkainen tai työläs ihmisen määriteltäväksi.
Koneoppimiseen perustuva tekoäly mahdollistaa entistä tarkemman ja pitkälle automatisoidun päätöksenteon. Esimerkiksi kuvantunnistus, äänentunnistus ja tekstianalytiikka voivat auttaa päätöksenteon tehostamisessa ja automatisoimisessa.
Koneoppimiseen perustuvalla mallilla voidaan suhteellisen yksinkertaisesti nopeuttaa esimerkiksi tiettyjen vakuutuspäätösten tekemistä.
Kone voidaan opettaa vaikkapa tunnistamaan kuvasta auton rikkinäinen tuulilasi, lukemaan auton rekisterinumero ja näiden tietojen perusteella valmistelemaan pohja vakuutuspäätökselle.
Sijainti itsessään on vain kolme attribuuttia – X,Y ja Z – kymmenien muiden joukossa, mutta oikein hyödynnettynä sijaintitiedolla voidaan rikastaa monenlaista dataa ja saada uusia ulottuvuuksia analytiikkaan.
Itse asiassa lähes kaikkiin dataelementteihin liittyy sijaintitietoa, jossa piilee huima potentiaali liiketoiminnan kehittämiselle.
Kun sijaintitieto saadaan mukaan tiedolla johtamisen kokonaisuuteen, saadaan samalla huomattavasti parempi ymmärrys siitä, mitä ja missä on oikeasti tapahtunut, ja kuinka asioita voitaisiin ennakoida jatkossa.
Esimerkiksi huoltotarpeen ennustaminen ja huoltokäyntien optimointi sijaintitiedolla rikastettua huoltokohdedataa analysoimalla säästää polttoainetta, aikaa ja henkilökunnan hermoja. Miten huoltokäynnit optimoidaan? Voisiko samalla käyntikerralla hoitaa useamman lähialueen kohteen ennakoivasti?
👀 Lue lisää sijaintitiedon hyödyntämisestä: Location Intelligence Innovation -työpajan lopputuloksena saat konkreettisen ja perustellun näkemyksen hedelmällisimmistä sijaintianalytiikkaan liittyvistä kehityskohteista.
Edistyneeksi analytiikaksi kutsutaan kaikkea sitä analytiikkaa, joka on edistyneempää kuin perinteinen peruutuspeiliin katsominen.
Edistynyt analytiikka ei siis ole yksi tiedolla johtamisen lisäosa, vaan oikeastaan se runko, jonka ympärille tiedolla johtamisen kokonaisuus muodostuu.
Jotta edistyneestä analytiikasta olisi liiketoiminnalle aidosti hyötyä, sitä ei kannata jemmata dashboardeihin vaan tuoda rohkeasti osaksi liiketoiminnan prosesseja.
Esimerkiksi pankkien päätöksentekoon edistynyt analytiikka tarjoaa hyödyllisiä työkaluja: ennustemalleja hyödyntävä kone kykenee laskemaan hetkessä todennäköisyyden sille, maksaako pankkilainaa anova henkilö velan ajallaan takaisin vai ei.
Ihmiseltä sama päätöksentekotyö vie huomattavasti kauemmin, eikä inhimillinen näkökulma yleensä edes tuo juurikaan lisäarvoa lopulliseen päätökseen. Myös asiakastyytyväisyyden kannalta koneen tekemä päätös on yleensä parempi, koska asiakas saa sen myötä valmiin päätöksen käsiinsä nopeasti.
All in vai pienestä liikkeelle? Yhtä ainoaa tapaa ei tietenkään ole. Ketterästi liikkeelle lähtevät organisaatiot pääsevät kuitenkin yleensä nopeammin merkityksellisiin tuloksiin kuin raskaista strategiaprosesseista aloittavat kilpailijansa.
Me suosittelemme, että aloitat ketterillä kokeiluilla, pienin askelin parantaen ja laajentaen. Yksi haaste kerrallaan.
Muista pitää sopivasti meteliä, jotta onnistumiset kiirivät niin johdon kuin muun henkilöstön korviin. Pienet sukseet kasvavat korkoa korolle, ja pian moderni tiedolla johtaminen löytää tiensä myös strategiapöytään ja kulttuurikoodiinne.
Onko sinulla tiedolla johtamiseen liittyvä haaste, jossa kaipaisit ripeäliikkeistä sparraajaa ja tekijää? Kanssamme pääset nopeasti liikkeelle, suunta lukittuna kohti arvoa tuottavia toteutuksia. Keskustellaan:
Tutustu Data Advisory -palveluihimme
Sukella kanssamme pintaa syvemmälle ja maksimoi liiketoimintahyötysi datalähtöisesti.