Miten kerätä asaikkuuksista oikeaa informaatiota?

1. Miten kerätä asaikkuuksista oikeaa informaatiota? Ralf Ekholm BayesIT Oy

2. Aiheita • Taustaa • CRM markkinat muuttuvat. • Miksi valitetaan niin usein? • Kaksi tärkeätä satua. • Kysymykset, case ja demo • Erilaiset tarpeet, erilainen informaatio. • Myynnin suunnittelu tarvitsee jotain enemmän mutta mitä? • Case: BayesITn omien asiakkaiden analyysi näyttää sen • Demo. • Varalla

3. CRM markkinat muuttuvat • Myyjät hyötyvät järjestelmästä omassa työssään. • Uutta tietämystä tunnistettava erittäin nopeasti. • Tulokset pitää olla saatavilla välittömästi. • Myyjä analysoi aineistonsa itsenäisesti. • Ollaan tultu ns. ”Post-ERP” aikaan!

4. CRM – miksi valitetaan niin usein? Tätä on tutkittu todella paljon.Yhteenvetona voi todeta että 1 kohta on useimmiten että myyjät eivät hyödy itse syöttämästään datasta. Miksi? • Potentiaalisia myynnin ratkaisevia tekijöitä on erittäin paljon – kaikista ei pysty keräämään tietoja, ei etukäteen eikä jälkikäteen. • Jos analysoi muuttujia erillään, löytää joukon irrallisia asioita. • Aina puuttuu paljon oleellista tietoa. • Yrityksen ulkopuolista dataa on vaikea yhdistää yrityksen omaan dataan. • Käytämme lukuja kuvaamaan hyvin vaikeasti kuvattavia asioita. Ja käsittelemme niitä kuten luvut edustaisivat niitä oikeasti. Toisaalta informaatioteoriaakin pitäisi ymmärtää jos haluaisi käsitellä näitä asioita oikein. Ja pitäisi voida käsitellä kvalitatiivista ja kvantitatiivista dataa yhdessä.

5. Kaksi tärkeätä satua Prinsessan piti suudella sammakkoa jotta selviäisi mikä sammakoista oli noiduttu prinssi. • Maksaa ottaa selvää onko uusi teknologia hyödyllinen! Ruhtinas luuli että hän hallitsee koko maailman. • Hän ei sitä tehnyt! Kombinatorinen räjähdys kertoo meille että tekijöiden lukumäärän kasvaessa lineaarisesti yhdistelmien lukumäärä kasvaa eksponentiaalisesti.

6. Erilaiset tarpeet, erilainen informaatio CRM nykykäytännön heikkoudet • Liian staattinen. Jos myyntijohto haluaa tarkastella ongelmaa eri näkökulmasta kuin mikä on raporttiin etukäteen valittu, sen pitää olla mahdollista. • Ei huomioi riittävän useita tekijöitä. Jos myyntijohto haluaa nähdä tausta-, olosuhde- ym. tekijöiden yhteisvaikutus sen on oltava mahdollista. Näin vältytään spekulaatioilta. • Siirryttävä dynaamiseen data-analyysiin. • Käyttäjä kerää(/-tyttää) dataa ongelmaansa liittyen. • Käyttäjä analysoi tarpeen mukaan reagoiden tosiaikaisesti tulokseen

7. Perinteellisiä informaation analyysiongelmia • Perinteellinen tapa esittää tietoja myyntihankkeista: • Jokainen näkymä on oma kuvansa. • Tai käytetään ns. ”kuutiota”. • Klassisia ongelmia: • Kun dataa on vähän tai puuttuu ei voi laskea juuri ollenkaan. • Kun data on huonolaatuista ei tiedetä tuloksen luotettavuudesta juuri mitään. • Heikkoja signaaleja ei pysty erottamaan. Ei näe korrelaatioita

8. Ratkaisu Tuotetaan tietokonemalli myynti-, tuote-, tuotanto-, kannattavuus- ym. datasta yhdessä käyttäen erityistä todennäköisyyslaskentaa ja analysoidaan sitä.

9. Uutta ajattelua • Lasketaan yleinen malli (kaikki vaikuttaa kaikkeen). • Tunnistetaan klustereita (kannattavia, kannattamattomia jne.). • Valitaan yksi klusteri kerrallaan kohteeksi. • Tutkitaan valittu klusterin. • Perinteellisistä analyysivälineistä poiketen käyttäjä saa hankkeistaan välittömästi kaikki muuttujat huomioivan tietämysmallin. • Tutkimalla sitä käyttäjä saa datasta irti hämmästyttävän paljon enemmän tietoa kuin perinteellisistä tilastoista.

10. Kaikki asiakkuus-tekijät näkyvissä samassa profiilissa Valittuaan kohderyhmän käyttäjä saa profiilikuvan jossa näkyy: • kaikkien asiakkuuksien ominaisuuksien jakaumat (tummat pylväät) • valitun ryhmän ominaisuudet (vaaleat pylväät, esim. kannattavat asiakkaat) • punaisen määrä kertoo minkä ominaisuuden kohdalla erot ovat suuret. • Tästä käyttäjä saa välittömästi selville mitä on ominaista tutkittavalle ryhmälle • Valikko oikealla on ennustamista varten! Katso EWS (Early Warning Signals):http://bayminer.com/ews/cgi-bin/predictor

11. Miten BayMiner-menetelmä eroaa perinteisestä raportoinnista? • Kaikki muuttujat vaikuttavat yhtä aikaa tulokseen. • Kaikki muuttujat visualisoidaan yhtä aikaa. • Käyttäjä näkee kaikki vaikutukset yhtä aikaa. • Hän huomaa heti, mitkä seikat todellisuudessa vaikuttavat. • Hän löytää myös yhteisesiintymät (co-occurrence) • BayMiner oppii painoarvot datasta. • Kun huomio useita tekijöitä yhtä aikaa pitää jollakin lailla määritellä niiden keskinäinen tärkeys. • Tulos on objektiivinen. • BayMiner on pienen ja vaikean datan analyysiväline.

12. BayMiner prosessi BayesIT Asiakas EXCEL, DB, MS Access ja vastaavat Datan keräys ja valmistelu BayMiner Siirtotiedosto BayMiner Kysymysten ohjaus Tietämyksenesitys & käyttöliittymä Laskee Bayes- verkon & 3-D kuvan Interaktiivinen Vastaukset Tulos netissä Tulosten visualisointi: 3-D pistepilvet ja jakaumat

13. Esimerkki - käytännön ongelmia • Vaikuttavia tekijöitä on liikaa. • Tekijöiden yhdistelmiä on liikaa. • Asiakasmaailman käsitteistöä ei saa yhtenäiseksi joten datan voi yhdistää mutta tulos on soopaa.

14. Todennäköisyysmallit tasoittavat datan puutteesta johtuvat heikkoudet • Malli voidaan laskea pienestä ja puutteellisesta datasta. • Ei tule ongelmia tyhjän kanssa (eli jos dataa puuttuu). • Ei tule laskentaongelmia 0 (nollan) kanssa. • Uudella datalla päivitetty todennäköisyysmalli sisältää: • ”Viimeiset tiedot” esim. markkinoista. • Tulos on näin myös ”tilanneherkkä”. • Ennustaa oikeasti tulevaa (ei projisoi 2 muuttujan historiaa eteenpäin ajassa kuten regressioanalyysi).

15. Ratkaisu 2: visualisoimalla yhteisesiintymät! Erilaiset tarpeet, erilainen informaatio • Tosiaikainen • Graafinen • Helposti ymmärrettävä tulos. Vaalikonedataa, kuvaa ehdokkaiden sijoitusta poliittisessa kentässä ”Niistä kaikista analyysivälineistä joita tutkin, BayMiner oli ainoa jolla voi luotettavasti ja nopeasti tunnistaa yhteisesiintymiä kymmenien, jopa satojen muuttujien joukosta”. Professori Jaro Karppinen, fysiatrian dosentti, Oulun Yliopisto.

16. Myynnin suunnittelu tarvitsee jotain enemmän mutta mitä? • Kun dataa analysoi paljastuu yleensä että osassa dataa ei ole juuri käyttökelpoista informaatiota. • Osassa dataa ei ole informaatiota, esim. jos jokainen osoite on eri. • Tällainen data voi silti olla tarpeen operatiiviseen käyttöön, esim. postitusosoite. (ja paikkatiedossa voi olla aitoa informaatiota!) • Datankeräys on kehittynyt ja nyt dataa on usein liikaakin. • Kun prosessoi dataa menettää melkein aina informaatiota. • Informaation taso on keräyksen kehittämisen huumassa kuitenkin usein laskenut.

17. Yksiköt Yhtymä www Miten hyödyntää yrityksen dataa? Paikallista tietoa Datan valinta ja yhdistäminen Yrityksen hajautetuttietokannat Ongelmanomistaja analysoi itse realiajassa Tiedon muunto ja lataus Perinteelliset raportit Keskitetty tietovarasto tai toiminnanohjaus järjestelmä (ERP)

18. Asiakkuusdatan tallentaminen • Tietojenkäsittelytieteen merkitys liike-elämässä lisääntyy. • Data > informaatio > tieto > tietämys • Ns. hiljaisen tiedon saanti organisaation käyttöön on vaikeata. • Täydentämällä ”kovaa dataa” asiantuntijoiden arvioilla ja mallintamalla ne yhdessä on mahdollista saada hiljainen tieto käyttöön. • Kokemus tallentuu sillä että asiantuntija valitsee tapaukset jotka otetaan mukaan. • Ns. ”kevyet järjestelmät” eivät kuormita mutta eivät ne myöskään kerää hyödyllistä informaatiota (mutta auttavat toki operatiivisessa toiminnassa, saadaan se ”hallintaan”).

19. Segmentointi - visualisoinnilla saadaan varmistettua että se on oikea • Visualisoimalla klustereita segmentointi näkyy. • Tai ei näy, jos se on huono! • Jotta segmentointi ”menee oikein” data pitää heijastaa todellisuutta. • Jos on tekeillä uusi segmentointi, käytettyjen tapausten valinta pitää heijastaa tavoitetilaa. • Segmentointi on nykykäytännön mukaan liiketoimintaprosessin kehittämisen lähtökohta.

20. Myynnin suunnittelu tarvitsee jotain enemmän mutta mitä? Vastaus: pitää löytää kokonaisvaltaisia samanlaisuuksia • Raportin tekijät joutuvat aina tekemään päätöksiä: • Mitä jättää pois. • Miten tiivistää, yleistää ym. • Kun tutkii tuloksia tulee aina uusia kysymyksiä esiin: • Niihin pitäisi saada vastaus heti jotta voi edetä päättelyssään. • Pitää kerätä dataa niin että siinä on aitoa informaatiota. • Pitää kerätä vähän mutta hyvälaatuista dataa. • Pitää analysoida sitä modernein menetelmin (tilastojen sijaan)

21. Tärkeimmät CRM opit • Myyjät pystyvät antamaan vaikeatakin tietoa (dataa) kunhan: • Etukäteen sovitaan mistä kohteesta. • Kaikkea ei tarvitse kertoa tarkasti. • Menestystä ja häviöitä tutkiessa pitää löytää syy-seuraussuhteet - datan lisäksi siihen tarvitaan ajatustyötä ja alan tuntemusta. • Datanvalinta ja keräys pitää toteuttaa siten että se vastaa todellisuutta. (voi olla otanta mutta se pitää olla satunnainen) • Kerättävä asiakkuudesta dataa jossa on oikeata informaatiota. • Datan yhdistäminen on vaikeata, informaatio ei menekään yhteen. • Asiakastyytyväisyysdatassa tuntuu tyytyväisten ja tyytymättömien sijaan enimmäkseen löytyvän yleisiä inhimillisiä asennetyyppejä (positiivisia ja negatiivisija).

22. Haasteet Parhaan samanlaisten asiakkaiden ryhmän löytäminen. ”Mutu” tunne ja arvaus liian usein HiTech yritysten päätöksenteon peruste Rajalliset resurssit tekevät perinteellisen analysoinnin mahdottomaksi Tarvittiin ratkaisu, josta saa paljon irti vaikka data on puutteellista. Hyödyt Nopea käyttöönotto. Vähällä vaivalla alkuun (Excel) Sopeutuu nopeasti muutoksiin. Työkalu riskien pienentämiseen. Case: BayesIT “BayMiner ei ole sadun kristallipallo, josta näkee saman tien oikeat tiedot. Sille on osattava esittää oikeita kysymyksiä. Sillä voi haastaa itsensä ja kysyä olenko sittenkään oikeassa. Se saattaa paljastaa aikaisempia varmoina pitämiämme olettamuksia vääriksi", Pekka Niva, Kesko.

23. DEMOmutta ennen sitä muutama huomio • Käyttäjän kannalta todennäköisyysmallit eivät ole raketti tiedettä. • Teknologia niiden takana on sitä mitä suurimmassa määrin mutta se on käyttäjältä piilossa. • Muuttujien valinta on kriittinen, pitää: • huolehtia siitä että muuttujat aidosti kuvaavat eri asioita (eivätkä ole eri nimiä samalle asialle) • varoa uskomasta että ensimmäinen näkemys on oikea. • Kuvien tulkinta on helppoa kun tietää miten menetelmä toimii. • Esimerkiksi kuva auttaa erottomaan säännölliset ilmiöt satunnaisista. Joku on sanonut että tilastot ovat kuin makkaraa – kun on nähnyt miten niitä valmistetaan ruokahalu häipyy!

24. BayMiner tekee analysoinnin helpoksi jokaiselle • Nopeampi ja tehokkaampi kuin “esi-paketoitu" raportti ratkaisu. • Tehokas BayesIT:n palvelimella toimiva analysointimoottori. • Rajoittamaton porautuminen mahdollista. • Intuitiivinen ja helppo käyttöliittymä. • KUVAN SELITYS • Jokainen piste kuvaa yhtä asiakasta. • Mitä lähempänä 2 pistettä ovat, sitä samanlaisempia asiakkaat ovat. • Siniset kannattavimmat ja punaiset kannattamattomimmat asiakkaat.

25. Linkkejä • http://www.kdnuggets.com/ Data Mining & Knowledge Discovery, laaja ja helppo. • http://www.bayminer.com/ • http://www.bayminer.com/fi/sivut/bm_esittely.htm • http://cosco.hiit.fi/ tutkijaryhmä kaiken tämän takana • http://www.bayminer.com/files/papersetc/bnets.pdfteoriaa, melko raskas • http://bayminer.com/vaalikone/cgi-bin/vaalikone • Helsingin Sanomien vaalikoneen lisäpalvelu v 2003. Esimerkki yksinkertaisesta käyttöliittymästä. • Laatusovellus: http://www.bayminer.com/en/pages/case_reclamations.htm • Esimerkkejä miten EI pidä analysoida: http://www.burns.com/wcbspurcorl.htm

26. Muistettavaa • Kerätkää vähemmän mutta parempaa dataa. • Testatkaa datankeräys ennen roll-out’ia analysoimalla pientä määrää kerättyä dataa (oikealla käyttäjällä!). • Luottakaa todennäköisyyksiin, ne säästävät paljon kustannuksia. • Yhteisesiintymisen merkitys. Yhdistämällä dataa yli perinteellisten organisaatiorajojen löytää aina uutta tietoa. • Kombinatorinen räjähdys (se on ihan oikeasti este).

27. Bayes Information Technology Oy • Helsinkiläinen ohjelmistotalo. • Perustettu 1998, 11 omistajaa. • Bayes-verkko perustaiset analyysituotteet ja niihin liittyvät palvelut. • Kumppani HIIT (Helsinki Institute for Information Technology) CoSCo tutkimusryhmä. • Lisätietoja: www.bayminer.com Kiitos mielenkiinnosta!

28. DEMO

29. Tekniikka Havainnekuva tuloksista – ei johtopäätöksistä

30. Sovellusesimerkkejä • Asiakaspainotteisia: • CRM järjestelmään kerääntynyttä dataa. • Asiakaspalautteen analyysit. • Markkinoiden segmentointi. • Avainhenkilöiden profiilin selvittäminen (esim. myyjät). • Laatu • Prosessihäiriöiden juurisyiden löytäminen • Reklamaatioanalyysit. • Muita sovelluksia • Alueorganisaatioiden suorituskykyvertailut (myynti, asennus, huolto). • Projektien riskianalyysit. • Asuntohinnoittelussa jyvitys.

31. Esimerkkejä käytetystä datasta • Asiakastiedot – organisaatiot, tyypit, määrät. • Asiakastyytyväisyys – valitukset, suoritusarviot. • Myyntitiedot – asiakassuhteet, ostokäyttäytyminen. • Kannattavuustiedot – budjetoidut, toteutuneet. • Markkinatiedot – segmentit, kilpailijat. • Henkilöstön antamat tiedot – kokemukset, arviot. • Sopimustiedot – kattavuus, laatumääreet. • Logistiikka – kuljetus, pakkaus. • Asennus – kokemus, olosuhteet. • Tuotteet – tyypit, spesifikaatiot, laatutaso.

32. Käytännön kokeilua • BayMineriä voi itse kokeilla, mutta se edellyttää ilmaista rekisteröintiä (kotisivuilta saa tunnukset). • Kokeilu rajoitettu 5000 rivin taulukkoihin, ei muita rajoituksia ilmaiskokeilulle. • Data siirretään BayesIT:n palvelimelle Internetin kautta, kaksi klikkausta niin taulukko on siirtynyt. • Useita megabyten taulukkoja siirtyy muutamassa sekunnissa. • Katso ohjeet ja mm. esimerkkivideot kotisivuilla.