Olemme viime aikoina päässeet työskentelemään hyvin kiinniostavien datahankkeiden parissa. Usein taustalla on asiakasorganisaation halu ryhtyä hyödyntämään tekoälyä mm. myynnin, markkinoinnin tai ylipäätään liiketoiminnan kehittämisessä sekä raportoinnissa ja analytiikassa.

Tekoälyvalmiuksien kartoittaminen on varsin datasidonnaista, minkä takia perehdymme aina alkajaisiksi asiakkaidemme datajärjestelmiin sekä datan keräys- ja hyödyntämiskäytäntöihin.

Osana tätä prosessia olemme käynnistäneet paljon kiehtovia keskusteluja, päässeet todistamaan lukuisia ahaa-elämyksiä ja selvittäneet erinäisiä väärinkäsityksiä.

Havahduttavia löydöksiä asiakasdatahankkeista

Haluan jakaa muutaman esimerkin luodakseni raamit sille, miksi datatarpeista ja -tavoitteista kannattaa puhua ääneen, usein ja omaa tiimiä laajemmalla porukalla.

Esimerkki 1:

Eräässä etabloituneessa pk-yrityksessä selvisi, että jokapäiväisessä käytössä oli peräti kahdeksan erillistä tietokantaa, joiden välillä ei ollut yhtään integraatiota. Kriittistä asiakastietoa oli hajallaan eri järjestelmissä ja osa tiedoista duplikoitiin käsin paikasta toiseen. Vain harva tiesi, mikä oli ajantasaista tietoa ja mistä sitä saattoi lähteä etsimään.

Master data -järjestelmää ei varsinaisesti ollut olemassa ja tätä puutetta paikkaamaan oli hankittu tusinoittain lisä- ja tukijärjestelmiä ilman selkeää kehityssuunnitelmaa. Autoimme kartoittamaan järjestelmien uudistamistarpeet ja laadimme vaiheistetun kehityssuunnitelman.

Datanhallinnan kypsyystaso: välttävä. Tekoälyn hyödyntämisen kypsyystaso: olematon.

Esimerkki 2:

Organisaatiossa, joka oli hyvin sitoutunut asiakaskokemuksen kehittämiseen, asiakasdata oli eri tiimien yhteinen asia ja dataa kerättiin aktiivisesti mutta sen hyödyntämiseen kaivattiin apua. Data-analytiikan arvioitiin olevan " tosi hyvällä mallilla", mutta oltiin pettyneitä, kun analytiikkanäkymät eivät muuttuneet itsestään uusiksi kehitysideoiksi.

Saimme myös kuulla, että organisaatiolla oli parhaimmillaan 1 200 erilaista Power BI -raporttia. Näistä poistettiin vähin äänin 80 %. Eikä kukaan ikinä kysellyt niiden perään.

Suurin ongelma oli siinä, että rakenteet datan hyödyntämiselle puuttuivat. Yhdessäkään tiimissä ei ollut suunniteltu toimintamallia sille, kuinka dataa analysoidaan ja kuinka havainnoista tuotetaan kehitysideoita. Me suunnittelimme asiakkaan kanssa toimintamallin, jossa vastuu datan tulkitsemisesta ja datapohjaisesta päätöksenteosta on jaettu eri työryhmille ja osaksi arjen kehitystoimintaa.

Datanhallinnan kypsyystaso: tyydyttävä. Tekoälyn hyödyntämisen kypsyystaso: tyydyttävä. Tiedolla johtamisen kypsyystaso: välttävä.

Esimerkki 3:

Kartoittaessamme erään asiakkaamme tekoälyvalmiuksia toimme myynnin, markkinoinnin, kehitysosaston ja IT:n edustajat saman pöydän äärelle keskustelemaan haasteista ja tavoitteista. KKeskustelun aikana myyntipäällikkö tokaisi: ”Ei me viitsitä tehdä tarjouslaskelmia kaikille liideille, kun se työkalu on niin hidas ja hankala...” Tieto tuli yllätyksenä kehitysjohtajalle, joka kommentoi: ”Jaa? No, tähän tulee muutos per heti.”

Kun keskustelu siirtyi analytiikkaan, kertoi markkinoinnin edustaja, että hänen tiiminsä joutuu käyttämään kolmea erillistä analytiikkajärjestelmää eikä mistään käy ilmi markkinointitoimenpiteiden vaikutukset myyntiin. Tähän IT-osaston edustaja osasi kuitenkin kertoa, että sellainen näkymä on kuin onkin rakennettu, Power BI:n puolelle. Näin markkinoinnille löytyi neljäskin analytiikkajärjestelmä...

Datanhallinnan kypsyystaso: tyydyttävä. Tekoälyn hyödyntämisen kypsyystaso: kohtalainen.

Esimerkit 4 ja 5:

Suurella elintarviketuottajalla puolestaan oli toiveena saada markkinoinnin tuloksellisuuden seurantaan älykäs koontinäyttö, jossa voidaan hyödyntää tekoälyä. Haasteena oli, että markkinoinnin kampanjadata oli mainos- ja mediatoimistojen hallussa. Tuloksia seurattiin vain irrallisista pdf-raporteista.

Ennen kuin MMM- ja ROMI-seurannasta saataisiin luotettavaa ja läpinäkyvää, on markkinoinnin tulosdata saatava ohjattua organisaation omiin tietokantoihin.

Hyvinkin samankaltainen haaste tuli vastaan aiemmin erään juomateollisuuden toimijan kanssa. Yritys käytti miljoonia euroja vuodessa markkinointiin, mutta mistään ei nähty, millainen vaikutus tällä oli liiketoimintaan.

Yhdistimme tarvittavat datalähteet ja rakensimme keskitetyn datanäkymän Power BI:hin mahdollistaaksemme myyntisuppilon seurannan, kokonaismyynnin ennusteet, markkinoinnin tarkemman kohdentamisen, tuloksellisuuden tehostamisen sekä myyntiennusteet.  

Datanhallinnan kypsyystaso: välttävä x2
Tekoälyn hyödyntämisen kypsyystaso: välttävä x 2

Kytkös datanhallinnan ja tekoälyn hyödyntämisen välillä

Kuten yllä mainituista esimerkeistä käy ilmi, vaikka datan keruun merkitys olisi ymmärretty jo aikaa sitten, saattaa datanhallinta edelleen olla pirstaloitunutta. Ja näissä tapauksissa datan hyödyntäminen on parhaimmillaankin siiloutunutta ja satunnaista, eikä tekoälyn hyödyntämiselle asiakasdatan rikastamisessa ja analysoinnissa ole edellytyksiä.

Tekoälyn hyödyntämisvalmiudet on rakennettava luotettavan ja laadukkaan datanhallinnan päälle. Usein tämä edellyttää yhtenäisen dataekosysteemin kehityshanketta. Toisinaan datajärjestelmien integroiminen ja datan keskittäminen yhteen tietokantaan on "vain tekemistä vaille valmis", eikä välttämättä vie puoltakaan vuotta saada määrätty osa datasta sellaiseen kuntoon, että älykästä analytiikkaa ja tekoälyä voidaan alkaa testaamaan. Mikäli olennaisia datajärjestelmiä joudutaan uusimaan, aikajana venyy. Tärkeintä on pitää mielessä, että dataekosysteemin kehittäminen on jatkuvaa tekemistä, ei irrallisprojekti.  

Haluan vielä alleviivata sitä, että datan hyödyntäminen on muutakin kuin tekoälyn hyödyntämistä. Vaaditaan myös ihmisiä tulkitsemaan analytiikkaa, muodostamaan havaintoja ja tekemään kehityspäätöksiä. Tekoäly voi nostaa löydöksiä esiin, mutta tämän tason liiketoiminnan ja palveluiden kehittämiseen liittyviä päätöksiä se ei kykene tekemään. Itsenäisesti. Ainakaan vielä hetkeen. Monessakaan organisaatiossa. 

Datan hallinnan ja hyödyntämisen sekä datapohjaisen päätöksenteon ­– oli se tekoälyavusteista tai ei – rakenteet ja käytännöt on kehitettävä osaksi organisaation arjen toimintaa. Kaipa ne voivat kehittyä orgaanisestikin hyvin itseohjautuvassa ja matalan hierarkian organisaatiossa, mutta selkeämpää ja nopeampaa on toteuttaa kehitysprojekti luotettavan ja kokeneen kumppanin avulla.

Mikäli kaipaat apua datavyyhtisi selvittämiseen, me olemme valmiina auttamaan. Ota yhteyttä!