Mitä on tiedolla johtaminen?

Kun päätöksenteko on reaaliaikaista ja tulevaisuuteen katsovaa silkan ad hoc -reagoinnin sijaan, liiketoiminnan näkökulma vaihtuu peruutuspeilistä kristallipalloon.

Esimerkiksi sen sijaan, että katseltaisiin karttakuvaa siitä missä huoltomiehet milloinkin menevät, voitaisiin edistyneen sijaintitietoanalytiikan avulla optimoida huoltokohteet automaattisesti.

Tiedolla johtaminen tuo siis relevantin tiedon oikeaan aikaan oikeisiin prosessin kohtiin, ja sen myötä parempia päätöksiä liiketoiminnan kehittämiseen.

Päätöksentekijä voi olla ihminen tai kone. Tiedolla johtaminen voi tarjota liiketoiminnalle esimerkiksi lisämyyntimahdollisuuksia, tehostaa prosesseja, luoda kokonaan uusia liiketoimintamahdollisuuksia ja tuoda huomattavia säästöjä.

Jos asiakaspalvelija ei edes tiedä, että asiakas on tyytymätön, miten voidaan estää asiakkuuden menettäminen?

Kun käytännön työssä tapahtuva päätöksenteko ryyditetään edistyneellä analytiikalla, on helppoa valita juuri oikeat toimenpiteet ja sanat, ja sen myötä asiakastyytyväisyys – ja myynti – kasvavat.

Jos esimerkiksi ainoa analytiikka myyntitilanteesta on kerran kuussa saatavat toteumaraportit, on nopea reagointi muutoksiin mahdotonta ja tulevan ennustaminen pitkälti arvailua.

Jos dashboardeja luodaan ainoastaan siksi, että saadaan tehtyä datasta kaunis visualisointi, jää datan hyödyntäminen tiedolla johtamisessa kovin ohueksi.

Yllättävän monessa tilanteessa koneen kyky tehdä päätöksiä peittoaa inhimilliset taidot – ja silti yllättävän monessa tilanteessa ihminen on kuitenkin vielä painamassa OK-nappia.

Jostain syystä ihmisen tekemät virheet, joita jatkuvasti tapahtuu, hyväksytään, mutta kone ei saisi tehdä virhettä koskaan.

Avoimen datan käyttäminen rikastaa yrityksen omista järjestelmistä saatavaa tietoa tehokkaasti.

Jos esimerkiksi liikenneruuhkaa ennustetaan vain yrityksen keräämien liikennemäärätietojen valossa, ja jätetään avoin säätietodata hyödyntämättä, ei arvio välttämättä ole kovin tarkka.

Karttanäkymä metsäpalon tuhoista kertoo vain sen mitä on jo tuhoutunut.

Hyödyllisempää on tuottaa ennustemalli palon leviämisestä ja viedä valmiiksi pureskeltu tieto sammutusyksiköille.

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: kuluttajaa tuskin kiinnostaa kokonaisnäkymä junaliikenteestä silloin, kun hän odottelee asemalaiturilla talvipakkasella nappakengissä varpaitaan kipristellen ja takaraivossa jyskyttää ajatus siitä kuinka monessa minuutissa Pasilan asemalta pystyy juoksemaan asiakkaan toimistolle. Hän ei halua nähdä junia kartalla, vaan saada tarkan ja luotettavan oman junansa tuloajan ja tiedon siitä milloin juna on Pasilassa.

Ennakoiva analytiikka auttaa: algoritmi osaa ottaa huomioon vallitsevan junaliikenteen tilanteen, sääolosuhteet ja muut tekijät, ja pystyy 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.

Yksi kiinnostavimmita uusista teknologiatrendeistä on Edge AI, joka tarkoittaa reunalaskennan ja AI:n eli tekoälyn yhdistelmää: tekoäly prosessoi dataa mahdollisimman lähellä datan lähdettä, joko suoraan laitteessa tai lähellä laitetta sijaitsevassa palvelimessa. Laite pystyy suorittamaan analyysin ja tekemään itsenäisiä päätöksiä millisekunneissa ilman, että sen tarvitsee olla yhteydessä internetiin tai pilveen. Edge AI:n hyödyntämismahdollisuuksia on lähes rajattomasti. 

Koneoppimiseen perustuvalla mallilla voidaan suhteellisen yksinkertaisesti nopeuttaa esimerkiksi tiettyjen vakuutuspäätösten tekemistä. Kone voidaan opettaa tunnistamaan kuvasta vaikkapa onko tuulilasi rikki vai ei, lukemaan auton rekisterinumeron ja näiden tietojen perusteella valmistelemaan vakuutuspäätökselle pohjan.

Sijainti itsessään on vain kolme attribuuttia muiden joukossa, mutta oikein hyödynnettynä sijaintitiedolla pystytään rikastamaan monenlaista dataa ja saamaan 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 myös 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 sijaintitiedosta ja sijaintianalytiikasta täältä.

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.

Kulttuurin muuntautumiskyky on tiedolla johtamisen pihvi.

Jos liiketoiminnan päätöksenteko perustuu fiilispohjaan, sivistyneimpiin arvauksiin ja lapsenomaiseen uskoon siitä, että me kyllä tunnemme asiakkaamme, vaaditaan ajatusmaailmaan täyskäännöstä.

Jotta tiedolla johtaminen ei näyttäytyisi henkilöstölle ylisuurena mörkönä, sen hyödyt kannattaa tuoda esiin esimerkkien avulla.

Avainasemassa tiedolla johtamisen kulttuurin luomiseksi on se, että henkilöstö ottaa analytiikan osaksi omaa työtään ja kokee hyötyvänsä siitä aidosti.

Tiedolla johtaminen vaatii toki paljon teknistä osaamista integraatioiden rakentamiseen, datan transformointiin alustalta toiselle, oikean tiedon perkaamiseen, analytiikkamallien toteuttamiseen jne.

Usein kaikista vaikeimmin hallittava asia on kuitenkin kyky ymmärtää liiketoimintaa: miksi dataa kerätään ja mitä analytiikalla tavoitellaan?

Etenkin monessa suuressa organisaatiossa data tapaa levätä siiloissa.

Jokaisella liiketoiminnolla on oma budjettinsa, ja kun sitten pitäisi rakentaa yhteistä data-alustaa, kynnyskysymykseksi nousee se, kenen kassasta eurot otetaan.

Tämän vuoksi on tärkeää, että organisaatiosta löytyy CDO tai analytiikasta vastaava henkilö, joka kykenee toimimaan yli organisaation siilorajojen.

Teknologia on tärkeä osa, muttei itsetarkoitus. Käytettävät teknologiat tulisi valita tilanteen ja liiketoimintatarpeen mukaan, sekä jo olemassa olevat ratkaisut huomioiden.

Toisinaan tämä vaatii kokonaan uuteen ratkaisuun panostamista ja vanhasta luopumista, joskus taas olemassa olevaa teknologiaa pitäisi yksinkertaisesti kyetä hyödyntämään tehokkaammin.