Palvelut

 

MIKSI HOUSTON ANALYTICSIN PALVELUT

Houston Analyticsin palveluiden ydin on datan ja siitä saatavan tiedon yhdistäminen liiketoiminnan päätöksentekoon ja prosessien automatisointiin. Parantamalla päätöksenteon ohjausprosesseja päästään nopeasti suoriin liiketoimintahyötyihin.

 

CRISP-DM – ANALYTIIKAN TUOTANTOPROSESSIMALLI

CRISP (Cross Industry Standard Process for Data Mining) on ketterä, jo 1990-luvulta käytössä ollut, helppo analytiikan tuotantoprosessimalli. Prosessin vaiheet eivät välttämättä seuraa orjallisesti toisiaan, vaan ovat usein omia iteroitavia kokonaisuuksia. Malli antaa kuitenkin analytiikan tuotantoprosessille hyvän, tavoitteellisen etenemisjärjestyksen.

 

crisp_suomi

Launch Pad – nykytilan kartoitus

Työskentelyssä käytetään Problem-Solution-tiimimallia, jossa yhdessä asiakkaan kanssa määritellään ratkaistavat kysymyksetlähtökohtana liiketoiminnan tarpeet. Mahdollisuuksien kartoitusmetodin LaunchPadin avulla tunnistetaan yrityksen tietokokonaisuuksien ja muiden tietolähteiden sisältämät mahdollisuudet. Nykytilan syväluotaus löytää tietokokonaisuuksista päätöksentekoa tukevan informaation ja selkiyttää prosessin päätöksentekopisteet kysymyksineen.

Rocket Launch – toimintaprosessin uudistaminen

RocketLaunch–vaiheessa analytiikan avulla kytketään eri tietolähteet yhteen ja vastataan päätöksentekopisteiden vaatimiin kysymyksiin. Työskentelyssä käytetään Problem-Solution-tiimimallia, jossa yhdessä asiakkaan kanssa työstetään ratkaisut. Syntyvien analyyttisten mallien tuottamisen kantava periaate on ketteryys: liiketoimintaprosessin kannalta kriittinen informaatio saadaan nopealla aikataululla käyttöön ensivaiheessa ilman varsinaista automaatioprosessia. Toimintojen ja prosessien optimointia tehostavat analyyttiset mallit ovat käytössä heti mallinnuksen jälkeen.

Mission Control – ennustavan analytiikan ja optimoinnin käyttöönotto

Mission Control –vaiheessa ennustava analytiikka ja optimointi integroidaan ja automatisoidaan osaksi toimintoja. Tietopohjaisten toimintamallin ja prosessien automatisoinnissa hyväksi koettu tapa on edetä toiminto kerrallaan käyttäjän tarpeita kuunnellen. Tiedolla johtamisen työkalujen käyttöönotto kannattaa aloittaa sieltä, missä prosessien tehostuminen tuo nopeasti suurimmat hyödyt. Tämä vaihe sisältää tarvittaessa luodun prosessin ylläpidon ja jatkokehityksen.

 

strategiset_kysymykset

ANALYTIIKKA KAUPAN ALALLA

Strategiset peruskysymykset tilanneanalyysin keskiössä

Kaupan alalla liiketoiminnan ohjaukseen tarvittavan tiedon tarve ja määrä kasvavat digitalisaation myötä eksponentiaalisesti. Laaja-alaisen kuvan luominen asiakkuuksista, kilpailutilanteesta, tuotevalikoimasta kanavakäyttäytymiseen ja trendeihin vaatii vahvaa tutkimus- ja analytiikkaosaamista. Tässä muuttuvassa toimintaympäristössä strategiset peruskysymykset miksi, kenelle, mitä, missä, miten ja milloin ovat entistä tärkeämpiä analysoitaessa omaa ja kilpailijoiden tilannetta.

MIKSI vastaa kysymykseen, miksi yritys on olemassa, mikä on yrityksen toiminta-ajatus, missio. Se on strategisena kysymyksenä syvällinen, liiketoiminnan olemassaolon perustarkoitusta kirkastava. Se kertoo, mihin yritys haluaa pidemmällä aikavälillä päästä, mikä on yrityksen tehtävä ja rooli yhteiskunnassa. Mikään yritys ei toimi umpiossa, joten markkina- ja syvällisemmät kilpailija-analyysit ovat hyviä työvälineitä toiminta-ajatuksen kirkastamiseen ja oman asemoinnin selkeyttämiseen.

Liiketoiminnan menestys riippuu aina asiakkaasta eli keskeisin kysymys missä tahansa liiketoiminnassa on KENELLE. Keitä ovat yrityksen asiakkaat, joiden tarpeet halutaan täyttää, joita halutaan ja pitää kuunnella – eli mitkä ovat yrityksen palvelun tai tuotteen kohderyhmät. Kohderyhmiä voi olla useita, ja ne voivat vaihdella tuoteryhmittäin, tuotteittain, alueittain, brändeittäin jopa kanavittain. Digitalisoituvassa, pirstoutuvassa markkinassa pelkkä ostoihin tai vaikutusalueeseen perustuva segmentointi ei enää riitä. Ymmärrystä ja asiakasdialogia on syvennettävä jopa 1to1 tasolle asti. Tällöin arvot, brändipreferoinnit, asiakkaan share-of-wallet ja tarvealuekohtainen ostopotentiaali tai vaikkapa kanavakäyttäytyminen voivat tuoda merkittävää lisäarvoa oman asiakaskunnan palveluun.

Kysymys MITÄ linkittyy voimakkaasti edellisiin miksi ja kenelle kysymyksiin. Mitä tuotteita ja palveluita asiakkaille tarjotaan. Tuotantotalouden aikakautena keskiössä olivat nimenomaan tuotteet ja tuotantoprosessien hallinta. Tänä päivänä sekä tuotteet että tuotantoprosessit ovat helposti kopioitavissa, joten kilpailukyvyn ytimeen kuuluu kiinteästi palvelu. Kaupan tuote- ja palveluvalikoimia on perinteisesti rakennettu kokoluokkaperusteisesti huomioimatta kysynnän alueellisia eroja. Optimoivan analytiikan avulla valikoimat voidaan sopeuttaa alueelliseen kysyntään sekä kauppapaikka että –konseptikohtaisesti.

Kysymys MISSÄ linkittää tarjonnan ja asiakkaan kysynnän yhteen eli missä asiakas tavoitetaan. Mistä kanavista tuotteita ja palveluita asiakkaalle tarjotaan? Kuuluvatko kanavapalettiin fyysiset kaupat, verkkokaupat vai molemmat? Miten eri kanavavaihtoehtoja johdetaan? Ylikanavaisen tarjonnan optimoinnin lisäksi analytiikkaa voidaan hyödyntää mm. fyysisen kaupan sijainnin ja konseptin määrittelyssä. Oleellista on peilata mahdollisia ratkaisuvaihtoehtoja alueen potentiaaliseen kysyntään.

Aikana, jolloin analytiikka ja monipuoliset markkinoinnin automaation työkalut ovat käytettävissä, kilpailukykyä haetaan ja saadaan entistä useammin kysymyksellä MITEN. Kysymys ei enää ole siitä, mitä haluamme viestiä, vaan mitä asiakas haluaa vastaanottaa, milloin ja missä kanavassa. Eli miten asiakasta palvellaan ja asiakkaan ostopolkua tuetaan yksilöllisenä, asiakkaalle lisäarvoa tuottavana prosessina? Miten saadaan mahdollisimman kattava kuva asiakkaan tarpeista, kiinnostuksen kohteista, prioriteeteista? Sirpaloituneen kulutuksen ja mediakäytön aikana sama tuote-hinta-media-yhdistelmä ei toimi kaikille. Analytiikan avulla voidaan löytää optimaalinen tarjonta-hinta-kanava-ratkaisu jopa yksilötasolle optimoituna.

MILLOIN on kysymys, jota digitaalisena aikana ei voi liikaa korostaa. Perinteisten kaupankäynnin sesonkien rinnalla tarjonnan oikea-aikaisuuden merkitys on kasvanut. Kilpailu on globalisoitunut ja tarjonnan sykli nopeutunut. Mutta suurin syy oikea-aikaisuuden korostumiseen, on tarjonnan siirtyminen entistä enemmän yksilötasolle. Asiakas on online ja hakee ratkaisuja tarpeisiinsa tässä ja nyt. Analytiikka, ennustemallit ja asiakkaan käyttäytymisestä oppivat työkalut ovat entistä useammin vastaus kysymykseen milloin. Markkinointi muuttunut palveluksi, jonka tehtävä on helpottaa asiakkaan arkea.

Hintajousto

Hinnoittelu ei ole menettänyt merkitystään kilpailukeinona, päinvastoin. Digitaalisuus on tuonut läpinäkyvyyden, joka on kasvattanut hinnoittelun merkitystä entisestään. Hintajousto kertoo, miten tuotteen myynti muuttuu hinnan muuttuessa. Kun hintajousto ja hintamielikuvat tiedetään, tuotteille tai palveluille voidaan optimoinnin avulla määrittää hinta, jonka asiakkaat ovat valmiita siitä maksamaan. Tavoitteelliseen, kannattavaan hinnoitteluun kuuluu kiinteästi kilpailijahintojen seuranta, joka yhdessä hinnan optimoinnin kanssa mahdollistaa kannattavuuden parantamisen lyhyelläkin aikavälillä. Analyysien pohjalta on helppo selvittää ne tuotteet, jotka toimivat parhaiten ko. kilpailutilanteessa.

Houston Analytics käyttää IBM SPSS Modeler -prosessia hintajouston määrittelyssä. Lopputuloksena saadaan tuotekohtaiset hintajoustokertoimet, skaalatut menekkiennusteet hintaluokittain sekä kauppa- ja päiväkohtaiset myyntiennusteet. Lopuksi mallin tuottamat tuotekohtaiset hintajoustokertoimet luokitellaan neljään luokkaan – joustamaton, keskijoustava, joustava ja erittäin joustava – mikä helpottaa tulosten vientiä käytännön päätöksentekoon ja prosesseihin.

http://blogi.houston-analytics.com/blogi/hintavirheet-historiaan

Massamarkkinoinnin optimointi

Juuri tähän, massamarkkinoinnin peruskysymykseen, on olemassa toimiva massamarkkinoinnin optimoinnin työkalu. Sen avulla voidaan varmistaa, että markkinointiin valittavat tuotteet toimivat halutussa kohderyhmässä mahdollisimman hyvin – ja toisaalta karsia turhia, myynnin tuottoa syöviä tuotetarjouksia. Tarjontaa optimoimalla voidaan ehkä korvata perinteinen kahvi-tarjous vaikkapa kolmella vähemmän katetta nakertavalla tarjouksella ja päästä samaan tai jopa parempaan pull-prosenttiin ja myyntiin.

Massamarkkinoinnin optimointi voidaan toteuttaa yhtä hyvin käyttäen kanta-asiakasdataa kuin ilman asiakastunnistetta olevaa kuittidataan, jolloin sen käyttö soveltuu myös ilman kanta-asiakasjärjestelmää olevien kauppojen ja ketjujen käyttöön. Tällöin tarkastellaan kuittien tuotekombinaatioita. Kuitit voidaan segmentoida esimerkiksi euromäärän, tuotesisällön, erityisesittelyjen, ostoajankohdan (joulu, pääsiäinen, vappu, juhannus…) tai vaikkapa kaupan mukaan.

Yksi massamarkkinoinnin optimoinnin työkalun lisäarvoa tuottavista ominaisuuksista on helppo skaalautuvuus. Työkalu voi toimia arjen päätöksenteon apuna yhtä hyvin ketju- osasto-, kauppa kuin osastotasolla. Näin esimerkiksi myymälässä voidaan osastokohtaisesti nostaa esille juuri omaa asiakaskuntaa eniten kiinnostavat tuotteet ja siten aktivoida lisämyyntiä. Massamarkkinoinnin optimointi työkalu auttaa siis tekemään yksittäisiä arjen päätöksiä faktaperusteisesti ja nopeasti.paivittaistavarateollisuus

http://blogi.houston-analytics.com/blogi/massamarkkinoinnin-optimointi-saa-ovipumpun-laulamaan

ANALYTIIKKA PÄIVITTÄISTAVARATEOLLISUUDESSA

Viimeisen parinkymmenen vuoden aikana vähittäiskaupan arvoketju on muuttunut: kauppa on laajentanut rooliaan jakelijasta aktiiviseksi, tuotantoa omien merkkien kautta ohjaavaksi toimijaksi. Toisaalta rajuimman muutoksen arvoketjuun on synnyttänyt digitalisaatio, joka on kasvattanut asiakkaan valtaa tuomalla globaalin tarjonnan parin klikkauksen päähän. Uudessa bisnesympäristössä tiedon hyötykäyttö antaa päivittäistavarateollisuudelle (FMCG) laaja-alaisesti mahdollisuuksia parantaa asiakasymmärrystä, prosesseja ja toimivaa yhteistyötä kaupan kanssa.

Usein lähdettäessä etenemään kohti tiedolla johtamista ensimmäinen haaste on data: eri liikatoiminta-alueet käyttävät omia tietolähteitään, eikä tietoja ole synkronoitu. Pääsääntöisesti erilaisten sisäisten ja ulkoisten tietokokonaisuuksien yhdistäminen parantaa kokonaisuuden selitys- ja ennustevoimaa sekä tarjoaa laaja-alaisesti soveltamismahdollisuuksia.

Analytiikka palvelee ennen kaikkea päätöksentekoa. Tarkastelunäkökantana voi olla markkinan ymmärtäminen: kilpailijoiden asemointi, brändien, hinnoittelun ja trendien ymmärtäminen. Oman kokonaisuutensa muodostavat asiakasdialogin hallinta ja siihen liittyvä mediakanavapaletin optimointi, lanseeraukset, brändiasemoinnit. Analytiikka tulee avuksi myös hankinnan ohjauksesta jakelukanavien hallintaan ja edelleen seurantaan. Oleellista tuloksellisen etenemisen kannalta on alusta alkaen oikeiden kysymysten esittäminen ja tavoitteellinen eteneminen.

 

digimedia

ANALYTIIKKA DIGITAALISESSA MEDIASSA

Internet on muuttanut mediakäyttäytymisen. Asiakas voi katsoa mitä vain, milloin vain, missä vain – omien preferenssien mukaisesti. Miksi asiakas tyytyisi enää massatarjontaan, kun hänellä on mahdollisuus ottaa ohjat omiin käsiinsä yksilönä ja koostaa oman mediavirtansa. Tämä on verkkomedian liiketoiminnan ydin, mutta myös haaste. Kuten perinteisessä kaupassa, verkossakin menestyksen ratkaisee oikea tarjonta eli asiakkaan verkkokäyttäytymisen ymmärtäminen.

Oikeanlaisella sisältötarjonnalla asiakasuskollisuutta voidaan kasvattaa, avaimina big data ja analytiikka. Asiakasuskollisuuden rakentamisen kannalta on keskeistä ymmärtää asiakkaan mediatarpeet – katsomismieltymykset ja ristiin katsominen – mutta myös havaita hiipumisen ensimmäiset signaalit. Työkaluina toimivat optimointi-, segmentointi ja ennustemallit.

Perusanalyyseihin esim. ohjelmatarjonnan puolella kuuluvat käyttömallit, joilla selvitetään asiakkuuksien kestoja, ohjelmakulutusta, uusintaostoja, kausivaihteluja ja käyttöaktiivisuutta. Tämän jälkeen voidaan edetä kiinnostavimpiin analyyseihin, joiden avulla pystytään mm. ennustamaan ohjelmien katselun tai hiipumisen todennäköisyyttä. Saatuja tuloksia voidaan hyödyntää rakennettaessa asiakkaita paremmin palveleva sisältöä, kohdistettua tarjontaa ja siten rakentaa pidempää, kannattavampaa asiakassuhdetta.

 

ANALYTIIKKA SISÄISEN TARKASTUKSEN TYÖVÄLINEENÄ 

Yksi ennustavan analytiikan nopeasti kasvavana sovellusalue on sisäinen tarkastus. Analytiikan avulla voidaan seurannan ja tarkastuksien osalta siirtyä pienistä otoksista kokonaisdataan ja automatisointiin perustuviin analyyseihin, jatkuvaan auditointiin. Näin voidaan vastata entistä paremmin paitsi johdon reaaliaikaisiin tieto-odotuksiin myös säädösten valvonnan ja väärinkäytösten ennakoinnin tarpeisiin.

Suuri harppaus voidaan tehdä, kun big data kytketään osaksi perinteistä tietokokonaisuutta ja organisaation yhteistä tietopohjaa. Big data, eli suomalaisittain iso data muodostuu moninaisista datamuodoista sekä tiedon aika- ja paikkasidonnaisuudesta. Sisäisen tarkastuksen kannalta oleellista isoa dataa voivat olla yrityksen palveluiden ja sisäisten prosessien lokeihin ja evästeisiin tallentuva aika- ja paikkatieto, mutta myös yritystä koskevat sosiaalisen median keskustelut ja kommentit.

Sisäisen tarkastuksen number one työkalu on ennustava analytiikka. Se tarjoaa etenkin datamäärien kasvaessa merkittäviä mahdollisuuksia tarkastuksen tehostamiseen ja parantamiseen. Analytiikan avulla voidaan siirtyä pienistä otoksista kokonaisdataan ja automatisointiin perustuviin analyyseihin, jatkuvaan auditointiin. Ennustavan analytiikan metodien avulla voidaan automatisoidusti seurata erilaisten säädösten, tavoitteiden ja toimintatapojen toteutumista samoin kuin ennakoida riskejä ja väärinkäytöksiä.

Väärinkäytösten ennakointimallinnusta eli fraud detectionia hyödynnetään niin sisäisten kuin ulkoistenkin väärinkäytösten ehkäisyyn. Analytiikan avulla ilmi tulleiden väärinkäytöstapausten pohjalta voidaan rakentaa seurantamallit skannaamaan vastaavan tyyppisiä tapauksia datavirrasta. Näin organisaatiolle vahingollista toimintaa yrittävät tahot saadaan kiinni jo ennen kuin vahinkoa ehtii tapahtua.

Analytiikka tehostaa vastausten saamista haluttuihin kysymyksiin tunnistamalla ja listaamalla ongelmat automaattisesti. Se voi myös listata ongelmiin ratkaisuehdotukset. Erilaisten ennustemallien avulla voidaan nähdä, mitä tulee tapahtumaan, jos toimintaa ei muuteta tai mitkä ovat parhaat tai huonoimmat mahdolliset skenaariot. Ennustemallien avulla voidaan myös listata ratkaisuvaihtoehtoja ja tehdä ennustuksia erilaisten päätöksien vaikutuksista mitä jos -tyyppisesti.

Analyysimallien avulla voidaan myös nähdä järjestelmien käyttöhistoria ja tunnistaa virheet suoraan järjestelmistä ja niiden logidatasta. Kun rutiininomaiset tietohaut ja linjausten seurannat automatisoidaan, sisäisen tarkastajan aikaa jää toiminnan kehittämiseen ja strategisempiin tehtäviin.

http://blogi.houston-analytics.com/blogi/ennustava-analytiikka-muuttaa-sisaisen-tarkastuksen-kaytantoja

ANALYTIIKKA IOT-RATKAISUN YTIMESSÄ

Tämän päivän muotitermillä Internet of things (lyhennettynä IoT) tarkoitetaan asiayhteydestä riippuen esineiden ja asioiden internetiä tai teollista internetiä. Keskiössä on ajatus, että laitteet ja koneet pystyvät kommunikoimaan tietoverkossa, keräämään toiminnoistaan ja ympäristöstään dataa, jota puolestaan voidaan analytiikan avulla jalostaa ohjaamaan toimintoja ja prosesseja, parantamaan palvelujen arvoa asiakkaalle.

IoT:tä on kutsuttu toiseksi liike-elämän vallankumoukseksi, vähintään yhtä merkittäväksi kuin teollinen vallankumous aikoinaan. Sovellusalueina nähdään paitsi teollisuuden prosessit myös esimerkiksi logistiikka, energiatehokkuus, terveydenhuolto – vain mielikuvitus on kattona.

Digitaalisuus tuo laitteille tai prosessien päätöksentekopisteille identiteetin ja IP-osoitteen. Näin ne kytkeytyvät tietoverkkoihin ja pystyvät välittämään dataa toiminnoistaan. Laitteisiin upotetut sensorit keräävät väsymättä tarvittavaa mittausdataa: lämpötila, kosteus, nopeus, sijainti, tärinä, happipitoisuus – lähes mitä vain. Syntyy valtavia tietomassoja, Big Dataa, joka voidaan analysoida, jalostaa ja palauttaa takaisin prosessien ohjaukseen ja optimointiin.

Näin syntyneeseen kahdensuuntaiseen älyketjuun tarvitaan monenlaista teknologiaa – mittalaitteita, reitittimiä, datavarastoja, analysoinnin työkaluja – mutta ennen kaikkea kykyä hahmottaa paitsi prosesseja myös täysin uudenlaisia liiketoimintamalleja. Esimerkiksi yhä useammin siirrytään perinteisestä tuotanto- ja transaktiokeskeisestä toimintamallista laajempia palvelukokonaisuuksia tarjoaviin bisnesmalleihin.

Hyvä esimerkki kilpailuetua tuovasta IoT-ratkaisusta on alansa johtavan toimijan Valmet Oyj:n paperikoneen huoltoon liittyvä toteutus: Asiakkaan paperikoneen 6500 sensorista kerätyn datan ja ennakoivan analytiikan avulla on pystytty pidentämään huoltoväliä viidestä kuuteen viikkoon, mikä merkitsee merkittävää kustannusten säästöä. Lisätietoja case Valmetista löytyy ko. referessistä.

 

HOUSTON ANALYTICSIN EDUSTAMAT IBM:N TUOTTEET 

Predictive and Descriptive analytics
IBM SPSS Modeler
IBM SPSS Modeler Server
IBM SPSS Collaboration and Deployment Services

Optimization / Prescriptive analytics
IBM ILOG CPLEX Optimization Studio
IBM Decision optimization Center

Reporting and Business intelligence
IBM Cognos

Business planning
IBM Cognos TM1

IBM Predictive Customer Intelligence
IBM Predictive Maintenance and Quality
IBM Counter Fraud Management