Kadonneen liiketoiminta-arvon jäljillä - tiedon visualisointia modernilla BI-työkalulla

Jarkko Hänninen.

Tunnistatko seuraavan skenaarion teidän yrityksessänne? 

”Keräämämme datan määrä räjähtää käsiin ja tulevaisuudessa sitä tullaan keräämään moninkertaisesti lisää. Data vain lojuu eri tallennuspaikoissaan ja -muodoissaan. Tuntuu ettemme kykene luomaan tarpeeksi liiketoiminta-arvoa kerätystä datasta.”

Jos näin on, ette taistele asian kanssa yksin. Gartnerin (2016) mukaan suuri osa yrityksistä (43 % big data –investointeja suunnittelevista ja 38 % jo investointeja tehneistä) ei tiedä tuleeko heidän Big data ROI olemaan positiivinen vai negatiivinen.

Big data hypen laantuessa alkaa tuntua itsestäänselvyydeltä, että yhtälö ”kerätyn datan määrä = lisätyn liiketoiminta-arvon määrä” ei pidä paikkaansa. Data on saatava käyttöön. Tavalla tai toisella se pitää kiinnittää liiketoimintaprosesseihin. Kun edellytetään tehokasta päätöksentekoa, raakadata ei sellaisenaan vielä vie toimintaa eteenpäin. 

Kuvittele vaikkapa tilanne, jossa pitäisi analysoida informaatiota ja tehdä päätöksiä vähittäiskaupan myyntiin ja toimitusketjuun liittyen. Jos saat eteesi raportin, joka listaa tiedot taulukkomuodossa, on vaikea vetää suurempia johtopäätöksiä.

Tiedon visualisointia voidaan kehittää vastaamalla yksinkertaiseen kysymykseen: ”Mitä yrität löytää datastasi?” Visualisointiguru Patrik Lundbland (2015) mukaan peruskuvaajat voidaan jakaa neljään ryhmään: 

  1. vertailu (comparison): Yksittäisten arvojen vertailua. Esimerkiksi ”mikä tuotteistamme myy parhaiten?”
  2. kooste (composition): Miten osat esiintyvät suhteessa kokonaisuuteen? Esimerkiksi ”kuinka suuri markkinaosuus meillä on?”
  3. jakauma (distribution): Miten arvot jakaantuvat? Esimerkiksi ”miten asiakasmäärämme jakaantuu ikäryhmittäin?” 
  4. yhteys (relationship): Minkälaisia yhteyksiä arvoista löytyy? Esimerkiksi ”onko mainostamisen ja tuotemyynnin välillä korrelaatiota?”

Pitämällä nämä perusryhmät mielessä, visualisointi helpottuu huomattavasti, kun käytössä on moderni BI-työkalu. Seuraavaksi tuon asiaa esille parin esimerkin avulla.

 

Case 1: Etsi huonoimmat kuukausittaisen kate-% ja myynnin omaavat tuoteryhmät

Visualisointi voidaan toteuttaa esimerkiksi lämpökartalla:

Lämpökartassa on se hyvä puoli, että värikoodauksella voidaan kiinnittää huomio niihin asioihin, joilla on merkitystä. 

Toinen vaihtoehto on käyttää hajontakuviota ja pylväsdiagrammeja:

 
Tässä visualisoinnissa on käytetty värikoodausta kuvaamaan ajan etenemistä. Mitä tummempi vihreä, sitä myöhemmin mitattava ilmiö on tapahtunut. 

 

Case 2: Mistä varastosta verkkokaupan kautta myydyt tuotteet toimitetaan asiakkaille paikkakunnittain?

Vastausta voidaan lähteä etsimään kokonaiskuvasta, joka voidaan visualisoida virtauskuviolla:
 

Tässä kuvaajassa on puolestaan se etu, että kokonaiskuva välittyy tehokkaasti: mistä varastoista toimitetaan eniten tavaraa? Mihin kaupunkeihin nämä tavarat toimitetaan?

Moderni BI-työkalu toimii ikkunana yrityksen tietovarantoihin

Uusimman teknologian omaava BI-työkalu mahdollistaa tiedon visualisoinnin erittäin monipuolisesti. Esimerkiksi Qlik Sensessä on paljon peruskuvaajia, ja tarpeen tullen visualisointeja voidaan lisätä ottamalla käyttöön lisäosia, joita on myös mahdollista rakentaa itse. Qlikillä on erittäin aktiivinen kehittäjäyhteisö, joka luo lisäosia ja julkaisee niitä yleiseen käyttöön: http://branch.qlik.com/#!/project

 

Linkit lähteisiin:
http://www.gartner.com/newsroom/id/3130817
http://global.qlik.com/es/blog/posts/patrik-lundblad/third-pillar-of-mapping-data-to-visualizations-usage


Lataa tiedon visualisoinnin infografiikka

Antamalla yhteystietosi saat ladattua materiaalin.

Nimi *
Nimi