Datasta päätökseen ja takaisin

Transcription

DATASTA
PÄÄTÖKSEEN JA
TAKAISIN
2
DATAN “PERINTEINEN”
HYÖDYNTÄMINEN: INDIKAATTORIT,
TUNNUSLUVUT, MITTARIT
• Indikaattorien avulla organisaatio voi seurata (omaa ja
muiden) suoriutumista
• Indikaattorilla on tyypillisesti numeraalinen arvo
• Erilaisia indikaattoreita on tuhansia ja uusia kehitellään
koko ajan
• Organisaatio (tai henkilö) valitsee itselleen tärkeimmät
indikaattorit - Key Performance Indicators (KPI)
• Visualisointi normaalisti dashboardeilla (“mittaritaulu”)
Maija Marttila-Kontio/Unicta OY
13/3/2014
3
Lähde:http://www.findexamples.com/executive-kpi-dashboard-examples/
13/3/2014
4
INDIKAATTORIEN
LUOKITTELUA
• Talous
• Asiakas
• Myynti ja markkinointi
• Toiminnallinen tehokkuus ja toimitusketju
• Työntekijä
• Yritysvastuu (Corporate social responsibility / CSR)
Bernard Marr: Key Performance Indicators
13/3/2014
5
TALOUSINDIKAATTOREITA
• Nettotulos (Net profit)
• Myynti vähennettynä toiminnan kustannukset
• Paljonko jäi rahaa jäljelle kun tuloista vähennetään
menot
• Nettotulosprosentti (Net profit margin)
• Nettotulos/Liikevaihto * 100
• Paljonko voittoa tuli suhteessa liikevaihtoon
• ROI (Return on investment)
• (Sijoituksen tuotto – sijoituksen kulut) / Sijoituksen kulut *
100
• Arvioidaan sijoituksen tehokkuutta
13/3/2014
6
ASIAKASINDIKAATTOREITA
• Customer retention rate (Asiakaspysyvyys)
• Asiakkaita ajanjakson lopussa / asiakkaita ajanjakson alussa
• Tehokas asiakkaiden uskollisuuden osoittava indikaattori
• Customer satisfaction index (Asiakastyytyväisyys)
• Monelle organisaatiolle talousindikaattoreiden jälkeen
merkittävin indikaattori
• Monia tapoja laskea, yleensä keskiarvo arvoista joiden
uskotaan vaikuttavan asiakastyytyväisyyteen (odotukset,
koettu laatu, koettu arvo, valitukset, uskollisuus)
• Customer lifetime value (Elinikäinen arvo)
• Arvio koko asiakkuuden tuotosta
• Lasketaan kertomalla arvioitu asiakkuuden kesto ja
vuosittainen arvo
13/3/2014
7
MYYNTI JA MARKKINOINTI
-INDIKAATTORIT
• Market share (Markkinaosuus)
• Organisaation markkinaosuus / Koko markkinat
• Relative market share (Suhteellinen markkinaosuus)
• Organisaation markkinaosuus / Suurimman toimijan
mark.os.
• Cost per lead (Liidin hinta)
• Markkinointikampanjan budjetti / Saadut liidit
• Conversion rate
• Esim. 20000 webkauppa-asiakasta, joista 3000 lisää
tuotteen ostoskoriin, tällöin tämän vaiheen conversion
rate on 3000/20000 * 100 = 15%
13/3/2014
8
TOIMINNALLISEN TEHOKKUUDEN JA
TOIMITUSKETJUN INDIKAATTORIT
• Capacity utilization rate (Käyttöaste)
• Käytetyt tunnit / Mahdolliset tunnit * 100
• Esim. henkilöllä 40 työtuntia viikossa, josta 35 h käytetty
projekteihin, tällöin käyttöaste 35h/40h = 87,5%
• Billing rate (Laskutusaste)
• Laskutetut tunnit / Mahdolliset tunnit *100
• Käytetään projektityössä, asiantuntijatehtävissä (esim.
konsultointi ja ohjelmistokehitys)
• Time to market
• Kuinka kauan tuotteen kehittäminen ideasta
myyntivalmiiksi kestää
13/3/2014
9
TYÖNTEKIJÄINDIKAATTORIT
• Revenue per employee (Liikevaihto per henkilö)
• Liikevaihto / henkilömäärä
• Riippuu kustannusrakenteesta sekä toimintamallista
• Employee churn rate (Työntekijöiden vaihtuvuus)
• Pois lähteneet työntekijät / Kaikki työntekijät * 100
• 360 degree feedback score
• 360-arvioinnissa työntekijä arvioidaan esimiesten,
vertaisten ja alaisten toimesta (usein myös itsearvio),
• Score on esim. keskiarvo näistä
13/3/2014
10
CSR-INDIKAATTORIT
Corporate social responsibility
• Carbon footprint (Hiilijalanjälki)
• CO2-päästöjen määrä per tuote/yritys/tms.
• Water footprint (Vesijalanjälki)
• Makean veden määrä per tuote/henkilö/yritys/tms.
• Supply chain miles
• Kilometrit, jotka tuote on matkannut tuotantopaikasta
asiakkaalle
• Waste recycling rate
• Waste reduction rate
13/3/2014
11
NÄKÖKULMAN
LAAJENTAMINEN
• KPI:t ja mittarit eivät ole häviämässä minnekään
• Edellisten rinnalle syntyy uudenlaista tietämystä (insight)
data-analytiikan monipuolisemman ja laajaalaisemman hyödyntämisen tuloksena
• Minkälainen on data-analytiikan uusi kenttä ja kuka
siellä työskentelee -ja minkälaisissa tehtävissä?
• Seuraavaksi lähdetään hahmottamaan polkua, jonka
alkupisteenä on datalähteet ja loppupisteenä
päätöksenteko/reagointi
13/3/2014
12
DATAN MATKA A:STA Ö:HÖN
• Polku sisältää monta välietappia, osa niistä on
vaihtoehtoisia (riippuu, mitä haetaan)
• Päätöksenteko ja reagointi synnyttävät (välillisesti ja
välittömästi) uutta dataa, joka sekin kannattaa
hyödyntää uudelleen pisteessä A
• Seuraava dia on pelkistetty versio datan matkasta
• HUOM: *:llä merkityt kohdat ovat mielenkiintoista
lisätietoa/”sukellus syvemmälle asiaan”. Näitä kohtia ei
välttämättä ehditä käymään läpi 1. päivänä.
13/3/2014
13
Datan kaivelu,
tutkiminen,
ennusteiden
tekeminen
CRM
ERP
DATA ESIKÄSITTELY
Mitä, mistä, kuinka?
Maija Marttila-Kontio/UEF/Unicta
KÄSITTELY
Välineet?
TIEDON
ESITTÄMINEN
PÄÄTÖS
Kenelle? Tavoite?
11/15/2014
13/3/2014
14
ASKEL 1
Mistä dataa?
15
DATA: LÄHTEET, MUOTO,
LAATU,…
• Datan lähteet?
• Ulkoiset ja sisäiset? Rakenteelliset/rakenteettomat?
• Tietokannat ja API:t (RDBMS, NoSQL, Hadoop, jne…)
• Kustannukset? (Avoin data, oma data vai maksullinen?)
• Datan muoto, formaatit
• JSON, XML, CSV, Excel, RDF, ….
• Datan luotettavuus? (=lähteen luotettavuus)
• Datan laatu? (“reikäistä dataa?”)
• Datan määrä?
• Big Data vai not-so-big-data?
13/3/2014
16
MITÄ ON RAKENTEINEN
DATA?
• Ennalta määriteltyä
• Tarkasti organisoitua
• Data identifioitavissa
• Relaatiotietokannat, taulukot (spreadsheets)
• Helppo/helpohko käsitellä datamallia noudattamalla
• Metadata saatavilla?
• Rakenteisuuttakin eri tasoista!
13/3/2014
17
ESIMERKIKSI:
• Relaatiotietokannat
• Data warehouses
• XML
• CRM- ja ERP-data
13/3/2014
18
RAKENTEETON DATA:
• Video
• Audio
• Sähköposti
• RSS-syötteet
• tekstidokumentit
13/3/2014
19
RAKENTEETON DATA…
• Ennakkoon ei tiedetä, mitä sisältää (ei datamallia, ei
metadataa)
• Voi sisältää useampaa eri dataformaattia
• Ei metadataa
• Vapaa teksti perinteisin esimerkki
• Rakenteettoman datan hyödyntäminen yksi tämän
hetken ”trendeistä” (twitter-, facebook-,
blogilouhinta…)
• Perinteiset koneet/ohjelmat eivät pysty helposti
sulattamaan
13/3/2014
20
MIKÄ PUREE
RAKENTEETTOMAAN
DATAAN?
• Tiedonlouhinta (data mining)
•
•
•
•
Tekoälyä
Koneoppimista (ohjattua/ohjaamatonta)
Analytiikka
Statistiikka
• Pienellä datamäärällä ei kannata vaivautua
• Mm. yhteyksien (relationship), ”lainalaisuuksien”,
hahmojen etsintää (pattern recognition)
13/3/2014
21
DATAN ERI FORMAATIT
• Enemmän ja vähemmän standardoidut datamääreet
• Lukematon määrä, uusia syntyy, vanhoja poistuu
• Voidaan jaotella erilaisin tavoin
13/3/2014
22
13/3/2014
23
*MISSÄ MUODOSSA DATA ON?
Tabular
Data
Tree
RDF
CSV
JSON
XML
13/3/2014
24
*ERÄITÄ TUNNETUIMPIA
FORMAATTEJA
• XML
• (Text documents)
• CSV
• KML
• HTML
• GML
• JSON
• PDF
• XLS
• Kuvaformaatit (n kpl)
• (RSS (Web feeds))
• Plain text
• GPS
• Spreadsheets
• RDF
• GIS
• …
13/3/2014
25
*ESIMERKKEJÄ
• XML:
http://www.w3schools.com
/xml/simple.xml
Yllä JSON- ja XML-esimerkit. Lähde: http://json.org/example
13/3/2014
26
DATAN LAADUSTA:
• Korvaako määrä laadun?
• Mitä dataa on kerätty? (Onko kaikki tarvittava data
varmasti mukana?)
• Mistä dataa on kerätty? (Lähteen/aineiston
luotettavuus?)
• Millä keinoin?
• Miten on putsattu, korvattu ja/tai yhdistelty? (esim.
puuttuvat arvot korvattu keskiarvoilla?)
• Milloin on kerätty/päivitetty (ajankohta, ajankohtaisuus,
aikaikkuna?)
13/3/2014
27
*LAADUKKAAN DATAN VAATEITA:
Kuvastaako data
varmasti
reaalimaailmaa?
Lähdekriittisyys!
Sisältääkö kerätty
aineisto ristiriitoja?!
Johdonmukaisuus/
yhdenmukaisuus
(consistency)
Onko mm. datat
yhteensopivia?
Eheys (integrity)
Ajantasaisuus
(timeliness)
Data päivitetään
sille määrättynä
frekvenssinä.
Tarkkuus,
paikkansapitävyys
(accuracy,
correctness)
Voimassaolo
(validity)
Kuvastaako data
tämän hetken
todellisuutta?
Täydellisyys
(completeness)
Onko tarvittava
data saatavilla?
13/3/2014
13/3/2014
28
ASKEL 2: MINNE DATA?
29
MINNE
JATKOKÄSITELTÄVÄKSI?
• Tallennuskapasiteetin tarve?
•
•
•
•
•
•
Kuinka paljon dataa tulee?
Reaaliaikaisuuden tarve?
Oma tietokanta/palvelin/private cloud?
Tallennuskapasiteetti pilvestä?
Hadoop?
Relaatiotietokanta vai NoSQL-kanta?
• Laskentaresurssit?
• Pyörittääkö Excel vai tarvitaanko järeämpi kalusto?
• Laskennan aikavaativuus?
13/3/2014
13/3/2014
30
ASKEL 3: DATAN ESIKÄSITTELY
Data on harvoin valmista suoraan analysoitavaksi
31
*DATAN PUHDISTUKSESTA:
Datan laatu vs. puhdistuksen ja
muokkauksen tarve?
Suunnittelu
Reagointi
Keräys
Johtopäätökset/
Puhdistus,
eheyttäminen
tulkinta
Analysointi
1. Datan keräys
(import)
6. Duplikaattien
poisto
7. Varmistus,
parantaminen
2. Datojen
yhdistäminen
5. Normalisointi
8. Valmis data
ulos (export)
3. Puuttuvan
datan
korjaaminen
4. Standardointi
13/3/2014
13/3/2014
32
ASKEL 4: DATATALKOOT
Ihmettelyä ja analysointia
33
ALUSSA OLI HÄMMÄSTYS
• Datan tutkiskelu, pyörittely, ihmettely (joulukuun aihe)
• Kuvaileva statistiikka
• Mikä kiinnittää huomion?
• Mikä olisi jatkotutkimuksen arvoista?
• Työkalut?
• SPSS, R, Python, SAS, Excel,… (satoja erilaisia)
13/3/2014
34
*CASE TWITTER-DATA
• Suuri datamäärä: minne siirretään?
• Twiitti JSON-formaatissa
• Laatu? (mitä tahdotaan saada selville?)
• Miten twiiteistä saadaan jotain järkevää tietoa selville?
• …
• Kun twiiteistä on saatu erotettua haluttu data, alkaa
analysointivaihe. (Esim. tekstianalyysi)
13/3/2014
35
*TIEDONLOUHINTA (DATA
MINING)
• Olennaisen etsimistä sopivin työkaluin
• Hahmojen tunnistus, lainalaisuudet, assosiaatiot, syyyhteydet, jne…
• Koiranomistajat suosivat farmariautoja
• Jos nainen ostaa sukkahousuja hän mitä
todennäköisimmin ostaa myös kukkakaalia ja oliiveja
• Urheilulliset miehet ja johtavassa asemassa olevat naiset
ovat suurimmat asiakassegmentit
13/3/2014
36
*ESIMERKKEJÄ
• Asiakkaiden pysyvyys
• Asiakasdata ja käyttäytymisdata
• Luottopäätökset
• Muut luotot, tulot, maksut, maksukäyttäytyminen
•
•
•
•
•
•
Asiakkaiden segmentointi CRM:ssä
Fraud detection
Kohdemarkkinointi
Lääketieteelliset diagnoosit
Oppivat robotit
Pelit
13/3/2014
37
*KONEOPPIMISEN MAHTI
• Taikasanat: “oppiminen”, tekoäly
• Ohjattu ja ohjaamaton oppiminen
• Työkaluja:
•
•
•
•
•
•
•
•
•
•
Deep Learning
Decision tree learning
Association rule learning (esimerkki opetuspäivänä)
Artificial neural networks
Inductive logic programming
Support vector machines
Clustering
Bayesian networks
Representation learning
Similarity and metric learning
13/3/2014
38
MALLISTA ENNUSTAMISEEN
• Ennustava analytiikka tärkeimpiä sovelluskohteita
• Jos tarjoamme tuotetta 1,5 x isompana, myynti kasvaa
78% todennäköisyydellä 30%:lla
• Datan perusteella yritetään luoda malli, joka
mahdollisimman hyvin kuvaa todellisuutta.
• Mallia arvioidaan ja testataan testein
• Kun malli on “tarpeeksi hyvä”, se voidaan ottaa
käyttöön
• Syöttämällä malliin sen vaatimat parametrit, malli
tuottaa parametreja vastaavan ulostulon.
13/3/2014
13/3/2014
39
ASKEL 5: TULOSTEN TULKINTA JA
ESITTÄMINEN
data-analyytikko tulkitsee tulokset ennen
päätöksentekijöitä
40
TULKINTA ENNEN
RAPORTOINTIA
• Data-analyytikko tulkitsee tulokset ennen niiden
lopullista esittämistä/raportointia esimerkiksi
johtoryhmälle
• Eri ihmiset voivat tulkita ja täten painottaa tulosten
arvoa eri tavoin (data-analyytikon valta ja vastuu!)
• Tulkintaa ja painotukseen voivat vaikuttaa myös
yrityksen strategia, arvot tai data-analyytikon
substanssialan osaaminen
13/3/2014
41
TULOSTEN ESITTÄMINEN
tulos
tulkinta
tietämys
johtopäätös
Reaktio
13/3/2014
42
KUVA JA ANIMAATIO
KERTOO ENEMMÄN:
• http://guns.periscopic.com/?year=2013
• http://vimeo.com/28413747
• http://www.creativebloq.com/design-tools/datavisualization-712402
• http://www.informationisbeautiful.net/
• http://flowingdata.com/
• http://www.ted.com/talks/hans_rosling_shows_the_best
_stats_you_ve_ever_seen?quote=130
13/3/2014

Datasta päätökseen ja takaisin

Transcription

Similar documents

Datan hyödyntäminen digimainonnan kohdentamisessa

Ohjeita e-Results Lite -ohjelmasta - Vakka

EU:n rakennerahastojen ajankohtaispäivä: Flat rate

rrB4M-2014

USEIN KYSYTTYJÄ KYSYMYKSIÄ YLEISTÄ: K: ”Mitä rajapintaa

an interactive service for citizens with HTML 5 JS + Clojure +

Liite 3 Checkout – rajapintakuvaus sivu 1/9 Checkout