Onko yrityksesi rakentamassa uutta tietovarastoa tai kehittämässä vanhaa? Entä olitteko ajatelleet hyödyntää tietovarastoa myöhemmin edistyneessä analytiikassa? Jos vastaus molempiin vastauksiin on kyllä, niin todennäköisesti olette jo pulassa edes tietämättä sitä. Puhumattakaan siitä mikäli samaistatte Qlikview:n tai vastaavan killuttimen ‘tietovarastoksi’.
Seuraava tarina perustuu tapahtumaketjuun, joka toistaa itseään kuin Ymmi Hinaaja.
Tarina lähtee liikkeelle siitä, että yrityksessä Z on huomattu tiedolla johtamisen ja analytiikan olevan tätä päivää. Sisäisten selvittelyjen ja konsulttien kanssa puuhailun tuloksena ollaan pisteessä, jossa on päätetty rakentaa tietovarasto tai laittaa ainakin entinen uusiksi. Hanke nimetään Big Data -termin alle (menee paremmin johtoryhmässä lävitse).
Jotta tietovarasto saadaan kasaan, niin määritellään maalit – tyypillisesti tiettyjen osa-alueiden raportointia ja kirsikkana kakussa “Johdon työpöytä”. Tässä vaiheessa ollaan taas nykyaikaisia ja nimetään uudet ja näppärät ristiintaulukot analytiikaksi. Niitähän voi käännellä ja tietoihin porautua.
Kasassa on suunnitelma, joka sisältää Big Dataa ja analytiikkaa. Mikään ei voi mennä pieleen.
Kuluu ehkä vuosia, mutta lopulta tietovarasto valmistuu tai ainakin aktiivinen projekti lopetetaan. Kaikki suunnitellut raportit ja analytiikkaristiintaulukot tulevat sekunnissa ulos. Mutta sitten…
Paikalle saapuu Johtaja, joka sanoo, että haluaa ennusteet poistuvista asiakkaista seuraavan kuuden kuukauden ajalle. Tämän lisäksi Johtaja haluaa asiakassegmentit, jotka perustuvat asiakkaiden todelliseen ostokäyttäytymiseen ja perustietojen yhdistelmään. Molemmat asiat Johtaja oli kuullut analytiikkaseminaarissa, jossa kilpailijat olivat ylistäneet tuloksia.
Tietovaraston kehittämisestä vastaa Päällikkö, joka alkaa aprikoida asiaa. Meillähän on miljoona asiakasta, miten siitä sitten luot jokaiselle poistumaennusteen kuudelle kuukaudelle ja perustuen mihin? Ja eikö tässä riitä, että segmentti on ikäluokka ja sukupuoli, kuten aina ennenkin (jo vuosikymmeniä).
Lopulta Päällikkö ymmärtää, että asetetut haasteet eivät ratkea analytiikkaristiintaulukoilla. Paikalle pyydetään asiantuntijat yrityksestä L.
Puolen päivän palaveerauksen jälkeen on selvinnyt, että tietovarasto ei sisällä riittävästi tietoa, jolla Johtajan tavoitteet täytetään. Ongelmia ovat mm.
– Tietoa ei ole historioitu riittävästi tai oikein, jotta voidaan käyttää tiedon louhinnan malleja. Ei siis ole dataa, jolla opettaa algoritmeja.
– Tietoa puuttuu kokonaan, koska sitä ei raportoinnissa tai ristiintaulukkoanalytiikassa katsottu tarpeelliseksi.
– Tietoa ei ole kokonaisuudessaan kerätty tavalla, joka tukee asiakasanalytiikan toteutuksia. Tietomallit on tehty perinteistä raportointia varten.
Niinpä Päällikön on mentävä Johtajan puheille ja kerrottava, että triljoonan maksanut (Big Data) tietovarasto ei oikein taivu. Se on edistyneeseen analytiikkaan impotentti. Mutta ei hätää, asia on korjattavissa. Tarvitaan vain uusi projekti, jolla luodaan analytiikkakanta (tavallaan datamart). Sitten odotellaan muutamasta kuukaudesta muutamaan vuoteen, jotta on oikein kerättyä tietoa on riittävästi.
Lopetetaan tarina tähän.
Sen opetus on, että mikäli yrityksenne aikoo tulevaisuudessa tehdä ennustemalleja tai muuta edistynyttä analytiikkaa, niin ne tarpeet on kerättävä ajoissa sekä huomioitava ne tietovaraston kehittämisessä. Tasoksi ei todellakaan riitä se, että todetaan vaikka ‘asiakastietojen sisältyvän tietovarastoon’. Tulee myös tietää, että miten ja missä muodossa ne on historioitava tietovarastoon, jotta niitä voidaan myös hyödyntää. Tämä oli vain yksi esimerkki lukuisten joukossa.
Ja käyttäkää apuna sellaisia asiantuntijoita tai konsultteja, jotka todistettavasti ovat tehneet teille tärkeitä analytiikkakohteita tai muuten riittävän syvällisesti ymmärtävät mistä on kyse. Tämä on investointi, joka varmasti maksaa itsensä takaisin niin euroissa kuin vähempänä harmina.
