• 21. marraskuuta, 2019

Analytiikka liiketoiminnan veturina – Visio 2020

Kehittynyt analytiikka avaa yrityksille uusia mahdollisuuksia – kunhan datan hyödyntämisen edellytykset vain ovat kunnossa. Kysyimme suomalaisasiantuntijoilta, mitä hyötyä analytiikasta on ja miten sen yleistyminen vaikuttaa työtehtäviin käytännössä. Selvitimme myös, missä suomalaisyritykset menevät analytiikan hyödyntämisessä tänä päivänä.

Mihin yritykset tarvitsevat liiketoiminnan analytiikkaa – millaisia hyötyjä se voi tarjota?

Juha Immonen: Liiketoiminnan analytiikka avaa mahdollisuuden mitata liiketoiminnan tasoa sekä laatua ja ennustaa tulevaa aiempaa paremmin.

Kun dataa on riittävästi, analytiikan keinoin, voidaan tunnistaa toiminnan säännönmukaisuuksia, jotka eivät subjektiivisessa tarkastelussa ole välttämättä havaittavissa.

Ennakoivan analytiikan rooli historiadataan pohjautuvassa ennustamismallissa lisää kyvykkyyttä tarkastella tulevaisuutta objektiivisesti. Yksi ennakoivan analytiikan tavoitteista on muodostaa mahdollisimman harhaton kuva lähitulevaisuudesta tai selvittää tilastollisen harhan määrä.

Mikael Collan: Yksi mielenkiintoinen analytiikan sovellusalue on ennakoiva eli prediktiivinen analytiikka. Esimerkiksi yrityksen taloushallinnossa voidaan ennakoida tulevia myyntejä tuoreimpien tietojen perusteella automaattisesti ja jatkuvasti päivittäen. Jatkuvan seurannan avulla huomataan heti, kun ennuste muuttuu kehnoksi ja voidaan tehdä korjaavia toimenpiteitä nopeasti. Tämä on suuri muutos aiempaan verrattuna. Perinteisestä kirjanpidosta ongelmat huomataan vasta jälkikäteen.

Asiaa voidaan ajatella siten, että perinteisen laskennan perustana toimiva statistiikka tarkastelee muuttumatonta, staattista dataa. Analytiikka tuo tyypillisesti mukanaan datan jatkuvan päivittämisen ja koneoppimisen, eli uudelleen laskennan ja komponentit, jotka voivat automatisoida esimerkiksi business-laskentaa. Kun pohjana oleva data muuttuu, analyysityökalu laskee sen pohjalta vaikkapa yrityksen tunnusluvut heti uusiksi.

Ennakointia voidaan hyödyntää myös tuotannossa esimerkiksi huollossa. Jos teollisuusyrityksellä on kyky seurata koneidensa toimintaa esimerkiksi sensoreilla, se voi ennakoida koneiden rikkoutumista, kun sensorit kertovat kuluvien osien olevan tiensä päässä. Kone voidaan ajaa hallitusti alas ja näin välttää mahdolliset hallitsemattoman rikkoutumisen mukanaan tuomat lisäkulut. Kehittynyt huollon ohjausjärjestelmä voi jopa osata suositella muidenkin loppuun kulumassa olevien osien vaihtoa saman tuotannon alasajon yhteydessä. 

Ennalta arvaaminen eli prediktio tarjoaa myös kiintoisia mahdollisuuksia julkishallinnolle. Verottaja hyödyntää niitä käytännössä jo tänään. Verotusdataa tutkimalla on muun muassa voitu huomata, että yrityksen tunnuslukujen tietyt kombinaatiot tarkoittavat sitä, että epäselvyyksien todennäköisyys on koholla. Tämän tiedon perusteella verottaja voi kehittää analytiikkamallin, joka etsii automaattisesti näitä kombinaatiota veroilmoituksista, ja pyytää näin löydetyiltä yrityksiltä lisäselvityksiä tai tekee verotarkastuksen.

Millaisia teknisiä ratkaisuja tai muita edellytyksiä tarvitaan, että liiketoiminnan analytiikasta saataisiin mahdollisimman paljon irti?

Juha Immonen: Datan kaksisuuntainen hyödyntäminen on vielä lapsenkengissä, vaikka toimijoiden väliset digitaaliset integraatiot ovat toki jo lisääntyneet. Osaa datasta suojellaan liiketoimintahyödyn tai liikesalaisuuden nimissä. Tiedon jakamisella saataisiin kuitenkin koko arvoketju objektiiviseen tarkasteluun. Näin sekä toimittaja että asiakas hyötyisivät.

Julkisin verovaroin hankituilla avoimilla aineistoilla on mielenkiintoinen hyödyntämispotentiaali toimialallamme metsätaloudessa. Ne helpottavat analysoimaan omaa liiketoimintaa sekä uusia mahdollisuuksia. Kaikkea aineistoa ei tarvitse hankkia itselleen, vaan sitä voidaan hyödyntää tapauskohtaisesti ulkoisista tietolähteistä. Aineistojen yhdistäminen avaa myös uusia ennustemahdollisuuksia. Niiden avulla voidaan ennustaa aiempaa paremmin myös monimuotoisen luonnon kehitystä, kuten esimerkiksi metsien kasvua.

Tiedon hallinnan ja hankinnan varmistaminen on vielä tärkeämpää kuin tekniset ratkaisut. Analytiikka voi olla uskottavaa vain silloin, kun havaintoja ajan, sijainnin, raaka-aineen, asiakkaiden ja tuotteiden suhteen on riittävästi. Oli kyse sitten hakkuuoikeuksien tai muiden tuotteiden myynnistä.

Ohjelmistorobotiikan hyödyntäminen aineiston kerääjänä ja tallentajana on lisännyt merkittävästi mahdollisuuksia myös ei-digitaalisen aineiston sähköistämisessä. Jopa paperiset arkistot voivat toimia historiaa kuvaavina tietolähteinä.

Samu Kuosmanen: Data on analytiikan peruspilari ja edellytys. On oltava dataa, jota analysoida. Sen ominaisuudet ovat tärkeässä asemassa. Datan on oltava laadukasta, kattavaa ja ajantasaista.

Jos suurella kauppaketjulla olisi jokaisessa kaupassaan vähän erilaiset kassa- ja muut liiketoimintajärjestelmät, data ei olisi yhtenäistä. On tärkeää, että dataa kerätään yhdenmukaisesti ja kattavasti, mahdollisimman tarkalla tasolla. Jatkuvuus takaa pitkien aikasarjojen kertymisen.

Jokaisen yrityksen on mietittävä, kuka datasta vastaa. Yhden tutkimuksen mukaan 24 prosentissa yrityksistä kukaan ei vastaa datasta. Data on silloin oman onnensa nojassa. Jos sen keräämiseen tulee muutoksia tai se jopa loppuu joiltain osin, vaikutukset koko raportointiketjuun ovat merkittäviä.

Koko dataketjun hallinnan pitäisi siis kuulua johtotasolle. CDO:t (chief data officer) ovatkin alkaneet yleistyä yrityksissä. Myös analytiikasta vastaava johtaja (CAO, chief analytics officer) voi ottaa datasta huolehtimisen kontolleen.

Olisi tärkeää, että datasta vastaavalla johtajalla olisi mahdollisimman syvää liiketoiminnan ymmärrystä. Niinpä tässä tehtävässä toimivilla on tyypillisesti vähemmän teknologiataustaisia. CIO:n ja CDO:n intressit voivat olla jopa vastakkaisia. Niinpä data-asioita ei lähtökohtaisesti kannattaisi jättää tietohallintojohtajan huolehdittavaksi.

Jos organisaatiosta halutaan aidosti data driven, muutoksenhallinnasta on huolehdittava. Ei riitä, että analytiikkatyökalut tulevat työntekijöiden saataville. Niitä on myös käytettävä. Organisaatiosta on löydyttävä diagnostiikan osaamista: henkilöitä, jotka osaavat selvittää datasta, miksi jotain on tapahtunut.

Analytiikasta organisaatiossa vastaavan henkilön on kyettävä nostamaan ja priorisoimaan liiketoiminnan kannalta uusia käyttötapauksia käyttäjien tarpeiden ja ideoiden pohjalta. Analytiikkaratkaisu ei ole koskaan valmis.

Miten analytiikka ja sen hyödyntäminen vaikuttaa erilaisiin työtehtäviin?

Juha Immonen: Analytiikka on tehnyt yrityksessämme asiakaskäyttäytymisen tunnistamisesta ja tuotteiden kehittämisestä aiempaa helpompaa. Lisäksi ennakoivan analytiikan avulla voidaan ennustaa aiempaa luotettavammin, kuinka liikevaihto kehittyy ja mikä on asiakkaiden vaikutus arvoketjuun.

Käytännön tasolla analytiikka antaa ensi vaiheessa liiketoimintaprosessien päälliköillemme kyvykkyyttä tunnistaa oman prosessin kehittämiskohteita. Se myös helpottaa valitsemaan oikeita hakkuukohteita vallitseviin asiakastarpeisiin.

Analytiikan viehättävyyttä kasvattaa se, että analytiikka itsessään tuottaa myös mittarin. Toteutuman vertaaminen ennusteeseen tarjoaa yksinkertaisen mahdollisuuden analysoida myös historiadatan hyödynnettävyysarvoa ja ennustemallin paikkansapitävyyttä.

Samu Kuosmanen: Analyyttisen ajattelun tärkeys tulee kasvamaan. On tärkeätä osata kysyä oikeita kysymyksiä. Ei niin haittaa, jos ei osaa koodata.

Automaatioaste tulee kasvamaan, mihin liittyy analytiikan lisäksi robotiikka. Suorittava, rutiininomainen työ tulee vähenemään. Tällaista työtä aiemmin tehneiden henkilöiden työtehtävät kehittyvät robotisoimisen mahdollistamisen ja tukemisen suuntaan.

Myös päätöksentekotyötä siirtyy koneelle, kun koneoppivat mallit kykenevät oppimaan, mitkä tekijät vaikuttavat kielteisiin ja myönteisiin päätöksiin. Näin asiantuntijatyökin automatisoituu.

Samalla se tarkoittaa sitä, että asiantuntijoidenkin työtä voidaan siirtää rutiineista haastavampiin tehtäviin – miettimään, miten asioita voidaan tehdä entistä paremmin; uusia prosesseja ja näin kehittää liiketoimintaa. Tämä kasvattaa analyyttisen ajattelun merkitystä entisestään. Koneet ovat hyviä toistamaan oppimaansa, joten toistuvat rutiinit kannattaa jättää niille hoidettavaksi.

Analyyttisesti ajattelevat työntekijät ovat yrityksen kannalta aina vain tärkeämpiä. Yrityksen sisällä on valtavat määrät tietoa siitä, miten analytiikkaa voitaisiin siellä hyödyntää. Ulkopuolinen konsultti ei voi täysin tietää, mitkä ovat yrityksen suurimmat haasteet.

Miten liiketoiminnan analytiikan hyödyntäminen on muuttunut viime vuosina – ja tulee jatkossa muuttumaan?

Samu Kuosmanen: Koneteho on vasta viime vuosina kasvanut niin, että kehittyneen analytiikan vaatimat koneoppivat mallit tai neuroverkot ovat ajettavissa tavallisella läppärillä. Laskentateho on ollut aiemmin kallista ja siten vain suuryritysten ulottuvilla.

Toinen kehitystä ruokkinut seikka on datan saatavuus. Nyt jopa rakenteista dataa alkaa olla hyvin saatavilla niin yrityksen sisäisistä kuin julkisistakin tietolähteistä. Jopa runsaudenpulaa voi esiintyä, koska datan säilyttäminen on nyt halpaa.

Myös työkalut ovat kehittyneet ja tulleet laajan yleisön saataville. Bisneslähtöiset työkalut eivät enää vaadi koodaustaitoja tietokantakyselyn tai skriptin tekoon. Analytiikkaa voi lähteä rakentamaan helppokäyttöisillä drag and drop -työkaluilla. Raportointityökalu osaa myös tehdä ehdotuksia datan visualisointiin.

Vielä kymmenisen vuotta sitten analytiikkatyökalujen lisenssit olivat kalliita. Niitä oli lähinnä pörssi- ja kansainvälisillä suuryityksillä. Pienemmissä firmoissa niitä näki harvoin, ja niiden käyttöön tarvittava osaaminen oli vähäistä.

Tänään on toisin. Tarjolla on paljon vapaan lähdekoodin, periaatteessa ilmaisia analytiikkatyökaluja. Hankinta ei ole enää kustannuskysymys. Kuluja koituu korkeintaan käyttöönotosta – kuinka saada analytiikan informaatioarvo yrityksen käyttöön. Tähän tarvitaan edelleen osaamista ja ehkäpä konsulttiapua.

Näitä työkaluja alkaa olla käytössä melkeinpä joka yrityksessä, aivan pienimpiä mikroyrityksiä lukuun ottamatta. Arvioisin, että 80 prosenttia keskikokoisista yrityksistä käyttää jotain Exceliä kehittyneempää analytiikkatyökalua vähintäänkin satunnaisesti.

Monet koneoppimista soveltavat analytiikkatyökalut pohjautuvat avoimen lähdekoodin työkaluihin. Niissä tarvitaan koodausosaamista toistaiseksi enemmän kuin puhtaissa raportointi-visualisointityökaluissa, joilla peruskäyttäjä rakentaa niillä nopeasti jonkinlaisen raportin.

Uskon, että esimerkiksi sadan hengen organisaatiossa 5–10 työntekijää on tasolla, joka kykenee tuottamaan miksi-kysymyksiin vastaavaa diagnostista analytiikkaa.

Juha Immonen: Analytiikan hyödyntäjät ovat tulevaisuuden menestyjiä. Kun alamme ymmärtää, mitä tietoa datasta on saatavissa, olemme matkalla jatkuvan kehittämisen maailmaan, jossa tieto määrittää päätöksiä aiempaa paremmin ja luotettavammin.

Analytiikan perusteet ovat yksinkertaisia, mutta datan hyödyntäminen edellyttää osaamista. Analytiikkaosaamisen kehittäminen on vahvasti läsnä menestyvien organisaatioiden kehityksen tiekartassa.

Suurin muutos lähitulevaisuudessa on se, että liiketoimintaprosessit osaavat aiempaa paremmin mittaroida ja hankkia riittävästi ajantasaista tietoa omasta prosessistaan. Aika on ainoa asia, jota emme saa hankittua – siksi aineiston kerääminen on aloitettava heti.

Voittajia ovat ne, jotka saavat tuotettua oman prosessinsa ”digitaalisen kaksosen” (digital twin) – ja siihen tukeutuvat päätöksenteko- ja ennustemallit.

Miten suomalaisyritykset ja -organisaatiot kehittävät ja hyödyntävät analytiikkaa?

Mikael Collan: Verottajamme osaaminen automatisoida valvontaa analytiikan avulla on johtanut siihen, että se on pystynyt pitämään valvontaan liittyvät kulunsa suhteellisen alhaisena, tehokkuudesta tinkimättä. Moni ei tiedäkään, että Suomi on tässäkin asiassa edelläkävijä maailmassa.

Monet laskentatehon kasvun myötä aktiiviseen käyttöön nousseista analytiikkamenetelmistä ovat suomalaista tekoa. Akateemikko Teuvo Kohonen kehitti itseorganisoituvan kartan uraauurtavan neuroverkkomallin jo kymmeniä vuosia sitten. Myös emeritusprofessori Erkki Ojan neurolaskentatutkimus on ollut uraauurtavaa.

Suomessa on myös paljon menestyksekkäitä yrityksiä, jotka osaavat viedä korkealaatuista analytiikkaosaamista tuotetasolle asti.

Kun tilaat hissin, Koneen hissin saapuu todennäköisesti nopeammin kuin kilpailijan vastaava hissi. Kone on nimittäin satsannut siihen, että hissi osaa odotella kutsuja optimaalisessa sijainnissa siten, että odotteluaika on käyttäjälle mahdollisimman lyhyt.

Lukuisat teollisuusyrityksemme tekevät jo prediktiivistä huoltoa. Analytiikkaan erikoistuneet konsultointiyritykset levittävät alan osaamista. Suomalainen osaaminen usein kuitenkin unohtuu, sillä hype keskittyy Googlen ja Amazonin kaltaisten globaalien jättien ympärille. Ne ovat toki vahvoja, koska niillä on suuret resurssit ja erittäin paljon dataa, jota analysoimalla ne saavat etumatkaa.

Suomalaisyritysten, jotka eivät ole aiemmin hyödyntäneet analytiikkaa, kannattaa pitää pää kylmänä. Vaikka hype käy kuumana, ei kannata väkisin tehdä jotakin vain voidakseen sanoa hypänneensä analytiikkajunaan. On oltava selkeä visio siitä, mitä ollaan tekemässä. Tyypillinen ensihanke voi esimerkiksi olla nykyisen tekemisen yksittäisen osan kehittäminen, vaikkapa pyrkimällä automatisoimaan se analytiikan avulla. Pilotin jälkeen osaaminen karttuu ja voidaan jatkaa eteenpäin.

Samu Kuosmanen: Olen työskennellyt aiemmin konsulttina Australiassa. Jo ennen sinne lähtöäni vuonna 2010 näitä työkaluja oli käytössä Suomessa ainakin suuryrityksissä. Näkemäni perusteella uskoisinkin, että suomalaisyritykset eivät ole globaalissa vertailussa ainakaan häntäpäässä analytiikan hyödyntäjinä.

Suurempia eroja löytyy ehkä siitä, miten hyvin suomalaisyritykset ovat ymmärtäneet datan mahdollisuudet ja hyödyntävät niitä. Toki monet perinteisetkin yritykset ovat asiasta jyvällä ja käyttävät paljon analytiikkaa prosessien tehostamiseen.

Mutta yritykset, jotka eivät ole lähteneet mukaan analytiikan hyödyntämiseen, saattavat jäädä kilpailussa jälkeen. Vähittäiskauppamme alalta löytyy useitakin esimerkkejä vaikeuksiin joutuneista, aiemmin kukoistaneista kauppaketjuista. Olisiko niiden tilanne nyt erilainen, jos ne olisivat aikanaan analysoineet toimintaympäristöään ja kuluttajien ostokäyttäytymisen muutoksia aktiivisemmin?

Yritykset, jotka ymmärtävät datan arvon ja osaavat hyödyntää sitä, ovat tulevia menestyjiä. Vanhojen toimialojen uudet pelurit, jotka käyttävät dataa tehokkaasti, ymmärtävät markkinoita ja kuluttajakäyttäytymistä paremmin kuin kilpailijansa.

Suomalaisyritykset ovat lähtökohtaisesti ymmärtäneet tämän. Ne, jotka eivät ole, hiipuvat pois.

Asiantuntija

Mikael Collan
Strategisen rahoituksen professori, LUT
Mikael Collan on LUT-yliopiston strategisen rahoituksen professori sekä strategisen rahoituksen ja analytiikan maisteriohjelman vetäjä. Mikaelin tutkimus keskittyy sumean logiikan ja analytiikan soveltamiseen yrityksen päätöksenteossa, erityisesti kannattavuuslaskennassa. Mikael on Suomen Tiedeseuran jäsen ja Suomen Operaatiotutkimusseuran entinen puheenjohtaja.

Asiantuntija

Juha Immonen
Tietojärjestelmäpäällikkö, Tornator
Juha Immonen toimii Tornatorin tietojärjestelmäpäällikkönä. Hänen vastuualueelleen kuuluu muun muassa ohjelmistorobotiikan sekä analytiikan kehittäminen yhtiössä. Tornatorin päämääränä on olla metsien vastuullisen käytön suunnannäyttäjä. Yhtiö on metsäalalla kansainvälisesti ainutlaatuinen yhtiö toimintansa laajuuden, omistusrakenteensa ja toimintamallinsa ansiosta. www.tornator.fi

Asiantuntija

Samu Kuosmanen
Business Transformation Lead, Head of RPA & Analytics
Samulla on yli 10 vuotta kokemusta digitalisaatio-projektien johtamisesta suurille kansainvälisille organisaatioille. Hänen erikoisalaansa ovat yrityksen syorituskyvyn johtaminen (EPM), analytiikka ja ohjelmistorobotiikka (RPA).

Kattava opas keinoälyn käytöstä yritysoppimisessa

Uusi opas keinoälyn hyödyntämisestä yritysoppimisessa on nyt saatavilla! Opas antaa näkemyksiä siihen, miten keinoälyä voi hyödyntää oppimisen personoinnissa ja sitä kautta nostaa koko liiketoiminnan suorituskykyä.