Onko tutkivasta data-analytiikasta hyötyä?

Kun ihmiset varautuvat hurrikaaniin, he saattavat ostaa sellaisia tuotteita kuten juomavesi, taskulamput, paristot, säilykkeet, kynttilät, sytkärit ja muut pitkään säilyvät elin- ja hyötytarvikkeet. Lisäksi he saattavat ostaa ensiaputarvikkeita, kuten laastareita ja peruslääkkeitä. Nämä ostokset heijastavat tarvetta varautua pitkäaikaisiin sähkökatkoihin ja mahdollisiin evakuointeihin. Näin moni meistä olettaa, mutta data voi yllättää.

Case Walmart

Walmart on yksi maailman suurimmista vähittäiskauppaketjuista, ja se on tunnettu kyvystään hyödyntää data-analytiikkaa liiketoiminnassaan. Eräässä mielenkiintoisessa tapauksessa Walmartin analyytikot huomasivat, että myrskyn lähestyessä, erityisesti hurrikaanivaroituksen aikana, muun muassa oluen kysyntä nousee merkittävästi. Tämä havainto tehtiin tarkastelemalla myyntitietoja aiempien myrskyjen yhteydessä ja se havaittiin erityisesti tietyissä osavaltioissa, kuten Floridassa ja muilla hurrikaaniherkillä alueilla. Tämä yllättävä löydös korostaa data-analytiikan voimaa paljastaa kuluttajakäyttäytymisen piilotettuja malleja, ja se auttoi Walmartia varautumaan paremmin näiden sääilmiöiden aikana lisääntyvään kysyntään.

Walmart käytti tätä tietoa varastojensa optimoimiseen myrskyn lähestyessä, varmistaen, että olutta oli riittävästi saatavilla niissä myymälöissä, joissa kysynnän kasvu oli todennäköistä. Tämä esimerkki osoittaa, kuinka yritykset voivat hyödyntää dataa ennakoivasti ja parantaa asiakaspalveluaan vastaamalla asiakkaiden tarpeisiin tarkemmin ja tehokkaammin. Tarkan data‑analyysin ansiosta Walmart päätti muuttaa konkreettisesti toimintatapojaan ja oivallukset datan perusteella johtivat muutokseen liiketoiminnassa. Analytiikan saralla näin ei kuitenkaan tarvitse aina olla vaan oivallukset ja löydökset voivat toimia myös vain välillisinä työkaluina.

Organisaatioiden pitäisi sijoittaa osan resursseista tutkivaan ja tarkoista tavoitteista vapaaseen data-analytiikkaan

Muutakin kuin vasara

Hyvin usein dataa mielletään vain työkaluna, joka auttaa saavuttamaan tiettyjä liiketoiminnan tavoitteita ja se on sellaisenaan ihan ok näkökulma datan tarkoitukseen. Usein kuitenkin datan avulla tehtävät oivallukset voivat olla yllättäviä ja hankalasti ennustettavia. Se on kuin tutkimusmatka, jossa data toimii karttana ja kompassina. Tässä kontekstissa data ei ole vain väline päämäärän saavuttamiseen, vaan se on avain uusien oivallusten ja mahdollisuuksien löytämiseen. Sen vuoksi mielestäni organisaatioiden pitäisi sijoittaa osan resursseista tutkivaan ja tarkoista tavoitteista vapaaseen data-analytiikkaan. Tämä ei kuitenkaan tarkoita alkemian ja taiteellisen kaaoksen tapaisia skenaarioita vaan ohjattuja analyyseja, joilla voidaan varmentaa tai kumota sellaisia hypoteeseja, joilla on väliä liiketoiminnan kannalta.

Exploratory data analysis (EDA) eli tutkiva data-analytiikka, on R&D:tä parhaimmillaan. Sen käyttöön, yleisyyteen tai tuotto-odotuksiin liittyviä tilastoja ei ole kuitenkaan kovin helposti saatavilla. Tämä saattaa johtua osittain siitä, että EDA:n hyödyt voivat vaihdella huomattavasti riippuen organisaation koosta, alasta ja käytössä olevista data-analyysimenetelmistä. Näin ollen sen hyötyjen arviointiin täytyy panostaa osittain kvalitatiivisella tasolla. Siihen auttaa se, että ymmärtää ennakkoon minkälaisia haasteita EDA:an saattaa liittyä.

Onko teidän organisaatiossa tapana testata liiketoiminnan kannalta tärkeitä hypoteeseja datan avulla?

Infra, sisältö ja tulkinta

EDA:an liittyviä haasteita voi jakaa karkeasti seuraavaan kolmeen pääryhmään.

Datan infrastruktuuri

• ”Rauta”. Suurten datamäärien käsittely voi olla aikaa vievää ja voi vaatia paljon laskentatehoa. Datamassat kasvavat kasvamistaan, mutta niin tekee myös pilvipohjaiset palvelut, jotka tarjoavat skaalautuvaa laskentatehoa ja tallennuskapasiteettia, ja hyödyntävät rinnakkaista laskentaa.
• Analyyttiset työkalut. Datan käsittelyn ja analytiikan työkalujen itseismarginaalikustannukset kuten lisenssit lähentelevät tänä päivänä nollaa, mutta tilastollisten ja laskentametodien valinnat voivat vaikuttaa vahvasti siihen kuinka paljon resursseja analyysit tulevat vaatimaan. Tehottomat valinnat voivat helposti aiheuttaa päänsärkyä pilvipalveluista ja -kuluista vastaaville.

Datan sisältö

• Yksityisyys ja tietoturva. Data-analytiikassa on otettava huomioon yksityisyys- ja tietoturvakysymykset. On varmistettava, että datan käsittely noudattaa tietosuojalakeja ja -säännöksiä. Erityisesti isoissa organisaatioissa herkän datan luvituksiin liittyvät prosessit voivat viedä paljon aikaa ja resursseja.
• Suurissa datamäärissä virheet ja puuttuvat tiedot ovat yleisiä. Datan puhdistukseen ja esikäsittelyyn on olemassa monia eri perinteisiä ETL-menetelmiä sekä modernimpia ratkaisuja, jotka yhdistävät ETL- ja analytiikkaratkaisut saman katon alle.
• Tyypillisesti nykyorganisaatioilla on monimuotoista ja sekalaista dataa joka sisältää usein erilaisia datatyyppejä ja rakenteita, mikä tekee niiden yhdistämisestä ja analysoinnista haasteellista. Datalähteiden luokitus ja indeksointi siihen erikoistuneilla pilvipalveluilla helpottaa oikean datan löytämistä.

Datan tulkinta

Suuresta ja sekalaisesta datasta voi olla vaikeaa erottaa merkityksellisiä malleja, trendejä, segmentteja ja muita yksityiskohtia, mutta se onkin EDA:n perimmäinen tarkoitus ja kirsikka kakun päällä. Laadukkaat analyysit sellaisten henkilöiden käsissä, jotka osaavat hyvin  kommunikoida niitä eteenpäin, voivat muuttaa koko organisaation suuntaa. Tulosten ja löydösten kommunikoiminen on myös hyvä tapa herättää uusia ideoita ja oivalluksia, ja tuoda yhteen ihmiset organisaation eri tasoilta ja osista.

Ei syytä jäädä jumittamaan

Haasteista huolimatta hyvin usein analyyseja päästään kuitenkin tekemään varmistamalla yksityis- ja tietoturva-asiat ensimmäisenä ja muut haasteet sen mukaan miten niitä tulee erityisesti jos käytössä on pilvipalvelut, jotka reagoivat herkästi skaalautuvuustarpeisiin ”pay as you go” -tyyliin. Matalat ennakkokulut eli CapEx, SaaS -tyyliset hinnoittelumallit, ja yhdistetyt analytiikkaratkaisut kuten Microsoft Fabric mahdollistavat agiilit lähtöasetelmat tutkivalle data-analytiikalle.

Oletko joskus tehnyt yllättäviä löytöjä datassa? Onko teidän organisaatiossa tapana testata liiketoiminnan kannalta tärkeitä hypoteeseja datan avulla?

Cloudriven auttaa teitä mielellään pääsemään alkuun dataan liittyvien kysymysten kanssa.