magenta advisory: tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan?

MAGENTA ADVISORYN TUTK IMUS

Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan?

MagenTa advi soryn julk ai su

04 / 2013

kuMppanisi sähköisen liikeToiMinnan MuuToksessa

Magenta advisory luo asiakkailleen kilpailuetua sähköisessä maailmassa. ainutlaatuinen toimintamallimme yhdistää perinteisen liikkeenjohdon konsultoinnin analyyttisen ongelmanratkaisun vahvaan sähköisen liiketoiminnan ymmärrykseen. autamme niin suomen johtavia yrityksiä kuin maailman suurimpia kansainvälisiä toimijoita kasvamaan sähköisiksi markkinajohtajiksi.

03 johdanto Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

maailmassa on tänään enemmän tietoa kuin kos-kaan aiemmin. Big datan tuleminen mullistaa yri-tysten koko dna:n. Kun ennen data oli vain kou-rallisen ihmisiä käsissä yrityksissä, nyt yrityksen ylimmän johdon tulee ymmärtää muutos ja valjas-taa se oman kasvunsa tueksi.

Usein debatoidaan siitä, jyrääkö faktapohjainen yri-tyskulttuuri allensa innovatiivisuuden ja luovuuden. Mielestämme tulevaisuudessa nämä elävät rinnak-kain. Parempi data ja siitä johdettu ymmärrys voi-vat merkittävästi parantaa yrityksen päätöksentekoa. Samanaikaisesti yrityksellä voi olla luova prosessi, jossa data voi toimia uusien ideoiden lähteenä.

Data on hyvä renki mutta huono isäntä. Se on meille juuri niin arvokasta kuin sen pohjalta tehdyt päätökset ovat. Tässä tutkimuksessa pureudumme ydinkysymyksiin, joita liikkeenjohdon tulisi huo-mioida suunnitellessaan ja johtaessaan liiketoimin-toja datakylläisessä maailmassa.

Se, OnkO yriTykSellä pArhAAT DATA-AnAlyyTikOT käyTöSSään, ei Ole MerkiTykSelliSTä, jOS kukAAn OrgAniSAATiOSTA ei TieDä,

MiTen DATAA SOvelleTAAn. DATA On liikeTOiMinTA-ASiA, ei iT -ASiA.

micheline casey, coloradon osavaltion tietojohtaja

2012

MAgenTA ADviSOryn TuTkiMuS

Tietopohjainen päätöksenteko –onko organisaatiosi valmis Big dataan?

i

ii

iii

Big DATAn MAhDOlliSuuDeT

TyypilliSeT hAASTeeT Big DATAn hyöDynTäMiSeSSä

TieTOpOhjAiSTen OperAATiOiDen rAkenTAMinen

OTSikOT

04 B ig datan mahdoll i su ude t Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

MiTä On Big DATAPerinteisesti big dataa luonnehditaan kolmen omi-naisuuden kautta: datan määrä (volume), moninai-suus (variety) ja nopeus (velocity).

Määrä tietolähteiden määrä kasvaa eksponentiaalisesti, ja iBm:n tutkimuksen (2011) mukaan maailmanlaajuises-ta datasta 90 % on luotu edellisten kahden vuoden aika-na. tämä tosiasia kertoo meneillään olevan muutoksen voimakkuudesta. Big datalla tarkoitetaan suurta ja jär-jestämätöntä sähköisen tiedon määrää, jota perinteiset tiedonkäsittelyyn tarkoitetut työkalut eivät pysty käsit-telemään. tällaiset teratavuiset tietomäärät luovatkin tarpeen siihen tarkoitetuille hajautetuille ja usein pilvi-pohjaiselle tiedonhallinnan työkaluille.

Moninaisuus ei ole kauaa ajasta, kun yritysten data koostui pääasiassa yrityksen sisäisistä lähteistä kerätystä datasta, joka oli jäsennetty sen omille palvelimille esimerkiksi asiakaskannan tai yrityksen tarjooman mukaan. nykyään data voi olla hyvinkin moninaista ja peräisin myös kolmansien osapuolien lähteistä. Kolmansien osapuolten tietolähteet voivat vaihdella julkisesta tai ostetusta datasta kumppaneiden tai isännöityjen sovellusten dataan, esimerkiksi avainsanahakuun tai kamppaniadataan.

nopeus datan dynaaminen mallintaminen on syrjäyttämässä staattiset tietokannat. esimerkiksi tesco integroi lähipäivien säätiedot ostotoiminnan optimoinnin tueksi. automatisoitujen algoritmien ansiosta yritykset voivat reagoida kuluttajien käyttäytymiseen ja optimoida tarjoomansa reaaliaikaisesti kunkin kuluttajan preferensseihin sopivaksi.

Kohdeyleisön määrittäminen tietylle tuotteelle perustuen kuluttajien twiittauksiin, tykkäyksiin ja jakamisiin sosiaalisissa medioissa eroaa suuresti yritysten palvelimilla olevan perinteisesti järjestetyn datan analysoinnista. tulevaisuuden kilpailukykyä luodaan yhdistämällä dataa useista eri tietolähteistä sekä analysoimalla ja hyödyntämällä sitä liiketoiminnassa.

MiTä Big DATA TArkOiTTAA liikeTOiMinnAn näkökulMASTAmit:n tutkimus ”Miten tietopohjainen päätöksenteko vaikuttaa yrityksen suorituskykyyn?” (2012) kertoo, että big dataa ja analytiikkaa liiketoiminnassaan hyödyntävät yritykset ovat keskimäärin 5–6 % kan-nattavampia kuin kilpailijansa.

Kun konsulttiyhtiö McKinsey vertasi big dataa hyödyntävien yritysten tuloksentekokykyä kilpaili-joihinsa, se löysi yhdenmukaisia tuloksia. Kuvion 1

Big datan mahdollisuudet

maailmanlaajuisen datan määrä kasvaa räjähdysmäisesti. Valtavien datamäärien ansiosta yritykset tietävät tänä päivänä asiakkaistaan enemmän kuin koskaan aiemmin. Kaikkia datan käyttömahdollisuuksia ja hyötyjä ei kuitenkaan vielä tunneta, koska vain murto-osaa datasta analysoidaan ja hyödynnetään käytännössä.

i

05 B ig datan mahdoll i su ude t Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

PäiVittäistaVaraKauPPiaat

VerKKoKauPPiaat

Perinteiset jälleenmyyjät

Kasinot

luottoKorttiyhtiöt

VaKuutusyhtiöt

12 11

14

12

3

2

1

11

14

6

5

5

-1

-1

-15

24 22

9 10

9

5

9

9

8

kuviO 1: Big DATAA hyöDynTävien yriTySTen TulOSkyky verrATTunA kilpAiluun | Percent, 10-year cagr (1999 – 2009)

Big dataa hyödyntäVä yritys KilPailija

myyntitulot KäyttöKate (eBitda)

lähde: Bloomberg and Datastream, yritysten vuosikertomukset, McKinsey 2011.

mukaan yritykset, jotka hyödyntävät big dataa lii-ketoimissaan yltävät 7.8 % korkeampiin myyntitu-loihin sekä 13.8 % parempaan käyttökatteeseen kuin kilpailijansa.

Big dataa sovelletaan laajasti asiakkuudenhallin-taan (crm). Ennen digitaalista läpimurtoa tehok-kainta myyntiä oli jalkatyö. Se oli yksi harvoista keinoista ylipäätään tavoittaa asiakas, ja siinä asia-kasviestit pystyttiin räätälöimään reaaliaikaisesti. Big data mullistaa tämän toimintakentän, sillä se tarjoaa tavan kohdennettuun, kustannustehokkaa-seen viestintään massoille monikanavaisesti.

Asiakkuudenhall inta koostuu toimista, joi l la yr itys hal l innoi asiakassuhteitaan. Asiakkuudenhallinnan tavoitteena on maksimoida asiakkaan elinkaaren arvo tarjoamalla oikeita vies-tejä oikeaan aikaan oikeissa kanavissa. Asiakkaan elinkaari voidaan karkeasti jakaa neljään vai-heeseen: tietoisuus, sitoutuminen, ostaminen ja säilyttäminen.

Data on asiakkuudenhallinnan polttoaine. Sen avulla yrityksen tarjooma, myynti, markkinointi ja asiakaspalvelu voidaan erilaistaa kunkin asiakkaan preferensseihin sekä potentiaaliin sopivaksi. Lisäksi data ohjaa investointipäätöksiä kohdistamalla budjetti niihin myynnin, markkinoinnin ja asia-

kaspalvelun aktiviteetteihin, joissa on suurimmat tuotto-odotukset.Markkinointiautomaatio on yksi tärkeimmistä tavoista hyödyntää big dataa. Markkinointiauto-maatiolla tarkoitetaan prosessia, jossa kunkin asi-akkaan kiinnostuksen ja potentiaalin perusteella räätälöidyt markkinointiviestit lähetetään vastakai-kuna hänen käyttäytymiselleen (bahavior triggers). Markkinointiautomaation päähyödyt ovat parantu-nut konversio, paremmin linjatut myynti- ja mark-kinointiosastot sekä paremman kohdistettavuuden myötä lisääntynyt markkinoinnin tehokkuus.

Sen lisäksi, että asiakkaat luovat kassavirtaa yri-tykselle, he luovat yritykselle referenssiarvoa esimer-kiksi suositellessaan yrityksen tuotteita ja palveluja muille asiakkaille ja prospekteille tai osallistuessaan yrityksen tuotekehitykseen. Referenssiarvon merki-tys kasvaa jatkuvasti, koska se on merkittävä ajuri tulevaisuuden kassavirtojen ennustajana.

06 t y yP i ll i s iä B ig datan hyödyntämisen ha aste ita Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

ii tyyPillisiä Big datan hyödyntämisen haasteita

picasson on todennut: ”Tietokoneet ovat turhia. Ne voivat antaa vain vastauksia”. Lausahduksessa pii-lee viisaus; mikään teknologia ei pysty yksin ratkai-semaan käytännön haasteita. Usein juuri niin kutsu-tut ’pehmeät’ asiat erottavat menestyksekkäästi big dataa soveltavat yritykset muista. Pehmeillä asioilla viittaamme yrityksen kykyyn suunnitella, rakentaa ja hyödyntää työntekijöistä, prosesseista sekä työka-luista syntyviä kokonaisuuksia.

Työskennellessämme asiakkaidemme kans-sa aiheen tiimoilta, olemme huomanneet monen yrityksen kohtaavan seuraavat haasteet big datan hyödyntämisessä.

nopeasti kehittynyt teknologia on tuonut ulottuvillemme laajan kirjon erilaisia tietojärjestelmiä tukemaan yrityksiä big datan hyödyntämisessä. miksi silti vain harvat yritykset onnistuvat hyödyntämään big dataa menestyksekkäästi?

01epäselvä visio ja lähestyMistapa big dataan

yksi yleisimmistä haasteista big datan hyödyntämi-sessä on organisaatiossa vallitsevat eriävät käsitykset yrityksen visiosta, tavoitteista ja datan roolista näiden toteuttamisessa. tuloksena saattaa olla ristiriitaisia näkemyksiä big data -hankkeen päämääristä ja niiden saavuttamiseen vaadittavista investoinneista sekä siitä, miten vastuut tulisi jakaa. tällaiset epäsuhdat organi-saatiossa tekevät big data -hankkeista tehottomia ja hajanaisia.

02Muutoksen näkeMinen vain teknisenä haasteena

toinen tyypillinen haaste on liiallinen keskittyminen tiedonkeruun ja -taltiointijärjestelmien rakentamiseen. myös eConsultancy (2013) on tunnistanut tämän yhdeksi suurimmista haasteista datakeskeisen kulttuurin luomisessa. Pelkillä työkaluilla ei siis voida saavuttaa big datan hyötyjä, sillä lähes aina ihmiset ovat pääosassa sovellettavissa olevien johtopäätösten vetämisessä ja niiden pohjalta toimimisessa.

07 t y yP i ll i s iä B ig datan hyödyntämisen ha aste ita Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

TieTOkOneeT OvAT TurhiA. ne vOivAT AnTAA vAin vASTAukSiA

pa bl o p ic a ss o

03resurssi- ja osaaMistarpeiden aliarviointi

Forresterin (2013) tutkimuksen mukaan vain 17 % sähköistä liiketoi-mintaa harjoittavista yrityksistä sanoo henkilöstömääränsä olevan riittävä tavoitteiden toteuttamiseen. data-analyytikoiden kohdalla ilmiö elää vielä voimakkaampana. laajoja tietomääriä sekä liiketoiminnan lainalaisuuksia hyvin hallitsevia analyytikkoja on harvassa, ja heidän palkkaamisensa saattaa maksaa yritykselle maltaita. yritykset kompastuvat usein seuraa-viin ansoihin palkatessaan osaajia big datan hyödyntämistä varten:

· riittämätön ymmärrys roolissa menestymiseen tarvittavista taidoista.

· toimialakokemuksen asettaminen etusijalle data- ja analytiikkako- kemukseen nähden.

· uskomus, jonka mukaan uusi, kehittynyt teknologia vähentää osaamistarvetta.

04operatiivisten vaikutusten aliarviointi

muuttuminen big dataa menestyksekkäästi hyödyntäväksi yritykseksi edellyttää usein suuria muutoksia yrityksen prosesseissa. Valitettavasti operatiiviset vaikutukset usein aliarvioidaan, eikä tarvittavan muutok-sen laajuutta täysin ymmärretä. tällainen aliarviointi johtaa helposti siihen, ettei yritys pysty toimimaan tuloksekkaasti tuottamiensa ana-lyysien pohjalta – edes silloin kun yritys on jo onnistunut palkkaamaan osaavat ihmiset ja ottamaan käyttöön toimivat työkalut. näin big data -hanke ei kykene osoittamaan tuottamaansa arvoa, ja yrityksen johto saattaa evätä tukensa siltä. sen seurauksena muutoin kannattava hanke saatetaan supistaa tai lopettaa kokonaan.

05etupainotteiset investoinnit

yritykset, jotka ovat asettaneet hyvin kunnianhimoisia tavoitteita, jäävät usein puolitiehen niitä tavoitellessaan. ei olekaan yllättävää, että yrityk-set, jotka ovat asettaneet hyvin kunnianhimoisia tavoitteita, jäävät usein puolitiehen niitä tavoitellessaan. siinä missä kunnianhimoiset tavoitteet ovat vain positiivinen asia, usein vahvasti etupainotteiset investoinnit ja hanakka liikkeellelähtö johtavat siihen, etteivät yritykset ehdi tunnis-taa tärkeimpiä arvoa tuottavia tekijöitään tai keinoja saavuttaa niitä. organisaation oppiminen vie aikaa ja suuret harppaukset kehityspolun alkuvaiheessa saattavat johtaa koko hankkeen väärään suuntaan.

08 tie toPohja i sten oPer a at io iden r aK entaminen Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

tietoPohjaisten oPeraatioiden raKentaminen

iii

Kokemuksiimme perustuen olemme tunnistaneet käytäntöjä, jotka johtavat onnistuneeseen tietopohjaiseen päätöksentekoon organisaatiossa. esittelemme teille nämä käytännöt kolmessa seuraavassa kappaleessa: Visio ja suunnitelma, Kyvykkyystarpeiden määrittely, sekä menestyksekäs kyvykkyyksien rakentaminen.

Onnistuneen tietopohjaisen toiminnan perustana on, että organisaatiossa on jaettu ymmärrys toimin-nan tahtotilasta ja tavoitteista. Jotta johto voi var-mistaa tärkeimpien sidosryhmien yhtenäisen toimi-misen valitun suunnan mukaisesti tulee heillä olla kirkas visio big datan käytöstä, mitattavissa olevat tavoitteet, sitoutuminen datan käyttöön ja tahto-tila valtuuttaa avainhenkilöitä toimimaan dataan pohjautuen.

jaettu visio Kun yritykset aloittavat big datan hyö-dyntämisen, monet aloittavat virheellisesti jo ole-massa olevasta datasta; he alkavat analysoida, mitä dataa heillä jo on ja, miten he voisivat sitä käyt-tää. Tämä on tärkeää, mutta ennen tätä tulee sel-vittää halutut päämäärät ja lopputulemat, muuten nykyinen data ohjaa ajattelua liiaksi. Yritysten tulee miettiä, onko big datan esimerkiksi tarkoitus nostaa asiakaspalvelun tasoa tai vahvistaa kuluttajien kans-sa käytävää vuoropuhelua? Vai tuleeko big datan tuottaa suoria myyntiliidejä?

Selkeästi muotoiltu visio ja strategia vastaa kaik-kiin näihin kysymyksiin ja kristalloi tavoitteet, jotka yrityksellä on big datan suhteen. Kun visio ja tavoit-teet jalkautetaan keskeisille työntekijöille, yritys saa vankan pohjan big datan menestyksekkääseen käyttöön.

Mitattavat tavoitteet Sen jälkeen kun visio on selvä, tulisi johdon asettaa selkeästi mitattavat tavoitteet big data -aloitteelle. Tavoitteiden tulisi

ohjata yritystä valittuun suuntaan ja mahdollistaa tulosten seurannan. Olennaista on, että tavoittei-den saavuttamista seurataan muutamilla tärkeim-millä liiketoiminnan tulosmittareilla (kuten kasva-nut myynti ja kannattavuus tai asiakastyytyväisyys). Mittaamisen painopiste ei saa olla käyttöönoton toteutuksen seurannassa – esimerkiksi siinä, toteu-tuiko käyttöönotto ajallaan tai pysyikö se budjetis-saan. Liiketoiminnan tulosmittareihin keskittymi-nen auttaa yritystä edistämään big datan käyttöä ja etsimään ratkaisuja, jotka tuottavat yritykselle kor-keimman sijoitetun pääoman tuoton.

johdon tuki ja valtuutus Sen jälkeen kun visio ja mitattavat tavoitteet on luotu, tulee johdon jal-kauttaa ne organisaatioon ja varmistaa sitoutumi-nen niihin. Samalla allokoidaan tarvittavat resurs-sit ja valtuutetaan ydinhenkilöt ja tiimit toimimaan tavoitteita vasten. Koska edessä on pitkä ja haasta-va muutoshanke kohti tietopohjaista päätöksente-koa, on ratkaisevaa, että johto on aidosti sitoutunut hankkeeseen.

1 . v i S i O j A S u u n n i T e l M A


Kokemuksemme kertoo, että kun yritys on menes-tyksekkäästi lanseerannut uuden teknologian, se usein odottaa operaatioiden soljuvan kuin itsestään. Yrityksen operaatiot ovat kuitenkin vain yhtä vah-vat kuin niiden heikoin lenkki on. Seuraavassa kap-paleessa pohdimme, miten rakentaa tasapainoinen kokoonpano ihmisiä, prosesseja sekä työkaluja lii-ketoiminnan tueksi, jotta big dataan liittyvät tavoit-teet voidaan saavuttaa.

ihMiSeT

Menestyksekkään organisaation luominen koostuu kolmesta alueesta: ihmisten taidoista, lukumäärästä, sekä organisoitumisesta.

taidot Tarvittavien taitojen määrittely tulisi aina alkaa työtehtävään tarvittavan roolin määrittelystä, jonka jälkeen kartoitetaan, mitkä taidot ovat edel-lytys roolissa menestymiselle. Arvokasta on löytää niitä osaajia, joilla on laaja kokemuspohja analytii-kan alueella, mutta jotka samaan aikaan ymmärtä-vät, mistä yrityksen arvo syntyy. Oikea koulutus ei usein riitä, vaan erityisesti yrityksessä, jossa data-pohjainen operointi on uutta, korostuu kokemuk-sen merkitys.

Jotta big datan käyttöönotossa onnistutaan, tulee yritysten varata tarpeeksi aikaa osaajien etsimiselle. Koska digitaaliset operaatiot ovat yksi nopeimmin kasvavista liiketoiminnan alueista, oikeiden ihmis-ten löytäminen ei välttämättä ole helppoa.

Tilapäisten osaajien käyttäminen voi olla järke-vää, jos sopivia osaajia rooleihin ei löydy heti. Eri-tyisesti, jos dataoperaatiot ovat yritykselle alueena uusi, on kannattavaa käyttää ulkopuolista osaajaa apuna uuden liiketoiminta-alueen pystyttämiseen. Tyypillisesti apua kannattaa ottaa määrittelemään tarvittavaa kyvykkyyksien kokonaisuutta tai palka-ta tilapäinen liiketoiminnan käynnistäjä (niin kut-suttu ramp-up manager), joka rakentaa osaamista ja pystyttää alueelle toimivat ja mitattavat proses-sit. Liiketoiminnan käynnistäjä toimii tehtävässään

kunnes lopullinen liiketoimintajohto on löydetty ja koulutettu. Ulkopuolisen avun käyttö voi auttaa yritystä välttämään tyypillisimpiä sudenkuoppia ja kiihdyttämään uusien toimintatapojen juurrutta-mista organisaatioon.

ihMisten lukuMäärä Yritykset usein aliarvioivat henkilöstömäärätarpeen liittyen big datan menes-tyksekkääseen hyödyntämiseen.

Tarvittavien resurssien määrä tulisi perustua sekä operaatioiden laajuuteen että tavoitteisiin sekä toi-mintojen luonteeseen, kuten automatisaation astee-seen. Esimerkiksi, markkinoinnissa tämä voisi tar-koittaa räätälöinnin määrää ja monimutkaisuutta, sekä automoinnin astetta eri markkinointikanavissa.

Tietopohjaiseen liiketoimintaan siirryttäessä uusia osaajia tarvitaan eri puolilla organisaatiota. Itsestään selvää on tarve datan keräyksen, mallin-nuksen, ja analysoinnin alueella sekä näitä tukevis-sa funktioissa, kuten infrastruktuuri sekä tietoturva. Toinen alue on liiketoiminnan puoli, jossa tarvitaan osaajia pyörittämään päivittäistä liiketoiminnan optimointia (myös niin sanotus automoidun opti-moinnin tapauksessa), sekä tietopohjaisiin kanava-kehitystehtäviin.

Yritykset, joille kohdennettu markkinointi on uutta, yllättyvät usein sisällön luonnin työmäärän voimakkaasta kasvusta. Esimerkkinä tästä toimii case yhtiömme Gilt, joka lähettää asiakkailleen 3 000 erilaista versiota päivittäisestä markkinoin-tikirjeestään. Koska sisällön luonti on usein koko-naan tai osittain ulkoistettu, saattaa monien eri tekstiversioiden ja visuaalisten sisältöjen luonti tulla yritykselle kalliiksi. Vaikka implementoinnin kanssa edettäisiin pienin askelin, tulee tämä pitää mielessä pitkän aikajänteen budjetoinnissa.

organisoituMinen Ei ole yhtä ainoaa oikeaa tapaa organisoida big data operaatiot. Kun määritte-lemme digitaalisia organisaatioita asiakkaillemme, paneudumme muun muassa seuraaviin asioihin: liiketoiminnan luonteeseen lyhyen ja pitkän aika-välin tavoitteisiin sekä strategiaan, joka määrittää, miten liiketoiminnan tavoitteisiin päästään. Lisäk-

2 . k y v y k k y y S TA r p e i D e n M ä ä r i T T e ly


si pureudumme nykyoperaatioiden maturiteettiin, sekä nykyisen organisaation vahvuuksiin, heikko-uksiin ja yrityskulttuuriin.

Klassiset vaihtoehdot organisoida yrityksen toiminto on, joko keskittää se yhdeksi osaamisen keskukseksi, hajauttaa se eri liiketoimintayksiköi-den alle, tai, organisoida osaaminen matriisiin lii-ketoimintayksiköihin nähden. Usein on tarkoituk-senmukaista organisoitua mahdollisimman lähelle liiketoimintaa. Big datan käyttö kuitenkin vaatii syvää erityisosaamista, jolloin on edullisinta toimia yhtenä tiiviinä yksikkönä. Tämä tarve korostuu kun osaamisen alue on yritykselle uusi.

TyökAluT

Työkalut voidaan jakaa kolmeen erilaiseen ryh-mään niiden käytön mukaisesti: tiedonkeräykseen ja -varastointiin, analysointiin sekä päätöksentekoa tukeviin työkaluihin.

tiedonkeräys ja -varastointityökalut on selkeä oma tuotekategoriansa. Näiden työkalujen markki-nat alkavat jo osoittaa saturoitumisen merkkejä, ja saatavilla on runsaasti valmiita sekä räätälöityjä tie-don keräykseen ja varastointiin soveltuvia työkaluja. analysointityökalut Termi analytiikka viittaa tilastolliseen sekä teknologia-avusteiseen päätök-sentekoa tukevaan oppimiseen. Sopivan analysoin-tityökalun hankkiminen tai kehittäminen on tällä hetkellä monen yrityksen agendalla. Tiedon ana-lysointiin liittyvien työkalujen haasteena on, ettei ostaja usein osaa määritellä niiltä vaadittuja omi-naisuuksia. Usein haasteita aiheuttavat datan muo-tovaatimukset liittyen sekä lähdedataan, että sovel-luskelpoiseen tietoon.

päätöksentekoa tukevat työkalut Data luo arvoa vain siinä määrin kuin se on hyödynnettävis-sä ja liiketoimintaan sovellettavissa. Tiedon sovelta-miseen sekä päätöksenteon tukemiseen kehitettyjen työkalujen tarve usein aliarvioidaan. Kokemuksem-me mukaan juuri näistä työkaluista on big dataa operoivissa yrityksissä suurin pula. Useimmat yri-tykset hyötyisivät merkittävästi lisäinvestoinneista

näihin työkaluihin, sekä koulutuksesta työkalujen käyttäjille, jotta jo olemassa olevista työkaluista saadaan niitä vastaava hyöty. Huomionarvoista on, että näiden työkalujen käyttäjät eivät ole data-ana-lyytikkoja, vaan aivan toisten liiketoiminta-aluei-den osaajia, sekä yrityksen johtoa. Varmista siis, että työkalut tukevat näiden henkilöiden nykyisiä toi-mintatapoja ja prosesseja.

kun hankit uutta teknologiaa, huoMioi seuraavat seikat:

•Määritätyökalulleasetetutvaatimuksetdatanloppukäyttöönperustuen.

•Varmista,ettätyökalutukeelähdetietojenformaattiajakykeneeyhdistämäändataaerilähteistä,myöskolmansienosapuoliendataa.

•Teedatanpuhdistaminenjaylläpitohelpoksi.Luodunymmärryksenarvoonjuuriniinhyväkuinlähdedatanlaatuon.

•Varmista,ettäyrityksenerityökalujenkäyttöliittymättukevattoisiaan.

•Katso,ettätyökalutvastaavatalkuperäisiinliiketoimintaongelmiinjatukevatniidennykyisiäsekätavoiteltujakäyttötarkoituksia.

•Investoihelppoonkäytettävyyteen,kutenintuitiiviseenkäyttöliittymäänsekähelppoonsisäänkirjautumiseen(single-sign-on).

•Muista,ettäälykäsanalyysityökaluvaatiienemmänmyöskäyttäjältäänjahenkilöinvestointientarvesaattaakasvaa.

•Kehitäuusiatyöskentelytapojavähitellen,rintarinnanteknologiainvestointien kanssa.

11 c ase study – g i lt grou Pe Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

gilt on ’datanatiivi’ vuonna 2007 perustettu big dataa vahvasti hyödyntävä verkkokauppa, jonka erikoisalana on niin kutsuttu tyhjen-nysmyynti (flash sales). sen asiakastarjooma on houkutteleva: designer-tuotteita jopa 70 % alemmalla hinnalla kuin kilpailijoilla. tärkeä osa giltin kasvutarinaa on myös nykyisten asiakkaiden palkitseminen uusien jäsenien kutsumisesta gilt-yhteisöön.

ylivoimainen analytiikkatoimintogilt erilaistaa tarjoamaansa sekä asiakasvies-tintäänsä hyväksikäyttäen big dataa pitkälle kehitetyn analytiikan avulla. heidän kilpailu-valttinsa perustuu reaaliaikaiseen datan kerä-ykseen useista eri lähteistä. analyyseissään he yhdistävät muun muassa käyttäytymis-, osto-, demografista-, sekä inventaaridataa. lisäksi gilt analysoi kuluttajien tuntemuk-sia brändiä kohtaan esimerkiksi tweettien perusteella. Kaikki data prosessoidaan työn-tekijöiden helposti sovellettavaan muotoon; tuloksia voidaan jyvittää jopa asiakasprofiili-en tasolle. toinen esimerkki giltin aktiivises-ta sosiaalisen median soveltamisesta koskee Facebookia, jossa gilt vastaa proaktiivisesti kuluttajien kommentteihin ja palautteisiin, ja jatkaa keskustelua heidän kanssaan kahden kesken muissa kanavissa.

gilt on edistyksellinen myös kehittäes-sään omia kanaviaan tietoperusteisesti, ja

nykyään jo yli 35 % sen myyntituloista tulee älypuhelimista ja tableteista.

Työntekijät valtuutettu tietopohjaiseen päätöksentekoongiltin liikeidea perustuu big datalle, joten päivittäinen tietopohjainen päätöksenteko on sen dna:ssa. giltin työntekijöillä on käytössään päätöksenteon mittaristo, joka on räätälöity eri tuoteryhmille, osastoille sekä organisaation tasoille. ja mikä tärkein-tä, ihmiset on valtuutettu toimimaan tämän neljän tunnin välein päivittyvän tietomassan pohjalta. lisäksi gilt tuottaa satoja ad hoc -raportteja viikoittain.

CASe eSiMerkki

kySe On ykSilölliSeSTä

ASiAkASvuOrOvAikuTukSeSTA.

jOkA päivä kellO 12 läheTäMMe

ASiAkkAilleMMe 3 000 erilAiSTA verSiOTA

MArkkinOinTikirjeeSTäMMe.

a l e x i s m ay b a n k g i lt g ro u p e

T i e T O p O h j A i n e n p ä äT ö k S e n T e k O

lähde: mcKinsey 2012, asterdata 2012,

apparel, 2012, techcrunch, 2012, google analytics,

magenta advisory analyysi.

giltin menestystekijät:• useat tietolähteet• datan tuoreus• järeät, pilvipohjaiset

analytiikkatyökalut• tarvelähtöiset, liiketoimintaa

tukevat analyysit• asiakasprofiiliperusteinen

analytiikka• reaaliaikainen tiedon

hyödyntäminen • työntekijöiden valtuutus

tietopohjaiseen päätöksentekoon• oman kanavakokonaisuuden

kehittäminen tietopohjaisesti


kuvA 2: ASiAkASprOfiilipOhjAiSen MArkkinOinnin TOiMinnOT

pr

Of

ii

li

n

rA

ke

nT

AM

in

en

pr

Of

ii

li

n

hy

öD

yn

Tä

Mi

ne

n

ASiAkASprOfiilin rAkenTAMinenRakenna asiakasymmärrystä | Luo ja hallinnoi liiketoimintasääntöjä

Puhdista ja hallinnoi profiilidataa

liikeTOiMinnAn TAvOiTTeeTOhjaa asiakasdatatyötä liiketoimintatavoitteisiin perustuen

ASiAkASDATAn keräySKerää asiakasdataa (sisäistä, julkista, ostettua dataa) | Kerää markkinointiluvat

Yhdistä ja hallinnoi dataa

SOvelleTTA-viSSA OlevA

ASiAkAS- prOfiili

SuOriTuSkyvyn jOhTAMinenraportoi ja seuraa | Opi ja kehitä jatkuvasti

ASiAkASvuOrOvAikuTuSLuo ja hallinnoi automaattisia markkinoinnin liikkeellepanijoita (behavioral triggers)

Hallinnoi asiakasvuorovaikutusta monikanavassa

MArkkinOinTiSiSällön luOnTiLuo sisällön variantit | Varastoi sisältö mahdollistaen uudelleenkäyttö

MArkkinOinnin SuunniTTeluSuunnittele markkinoinnin konseptit ja sisältö

Kehitä ja hallinnoi kanavia

lähde: Magenta Advisory analyysi


prOSeSSiT

Operatiivinen malli tarkoittaa kuvausta organisaa-tiosta, toiminnoista ja teknologioista, jotka yhdessä mahdollistavat organisaation ydintehtävän toteut-tamisen. Mutta mitä toimintoja löytyy markki-nointifunktiosta, joka lähettää asiakasviestejä rää-tälöidysti asiakkaan käyttäytymiseen perustuen? Kuva 2 kokoaa yrityksen automatisoidun asiakas-profiilipohjaisen markkinoinnin toiminnot. Tällai-nen toimintokuvaus voi toimia pohjana operatiivi-sen mallin kehittämiselle.

Asiakasprofiilipohjaisen, automatisoidun mark-kinoinnin toteuttaminen on monen yrityksen tah-totila. Muutos perinteisesti toimiviin, sisältölähtöi-siin markkinointiosastoihin on valtava.

Ajurina asiakasprofiilipohjaisessa markkinoinnis-sa ovat aina liiketoimintatavoitteet. Ensimmäisenä kerätään tai ostetaan korkealaatuista dataa, sekä pyydetään markkinointiluvat. Datan lopullinen käyttötarkoitus on pidettävä mielessä alusta saakka ja on pyrittävä yhteismitalliseen ja ajan tasalla ole-vaan dataan. Tärkeää on myös datan eheys (integri-ty) liitettäessä yhteen dataa useista lähteistä. Läh-teitä on hurja määrä, datatyypit vanhenevat eri aikatauluissa ja niihin kohdistuu eri lainsäädäntöjä, jotka myös vaihtelevat maittain. Järjestelmien sekä ihmisten lisäksi tämä luo suuret muutospaineet työn tekemisen tavoille. Tarvitaan yhteistyötä muun muassa IT, asiakasymmärrys- ja liiketoimintatiimi-en, sekä myös eri maaorganisaatioiden välille.

Tämän pohjalta luotava asiakasprofiili on tärkeää pitää ajan tasalla systemaattisen putsausprosessin avulla. Liiketoimintasäännöt luovat datalle merki-tyksen; ne antavat tiedolle rakenteen ja mahdollis-tavat sen soveltamisen käytäntöön. Markkinointi-sisällöstä suunnitellaan ja luodaan variantteja eri asiakasryhmien tarpeiden mukaisesti ja niitä hallin-noidaan mahdollistaen niiden automatisoitu käyttö. Asiakasvuorovaikutus toteutuu, kun asiakkaan käy-tös panee liikkeelle siihen sopivan sisällön. Tämän määrittää liiketoimintasääntö. Asiakasvuorovaiku-tusta seurataan ja kehitetään monikanavaisesti.

Kuvattu toimintojen kokonaisuus on tosielä-mässä hyvin monimutkainen. Toimiva käytäntö on aloittaa aina ylätason määrittelyistä. Kuten sanonta kehottaa, ’tee oikeita asioita asioiden oikein teke-misen sijaan’. Vältä tilannetta, jossa määrittelet ja jalkautat ensin yhden alueen kokonaisuudessaan ennen siirtymistä seuraavaan

Puhuttaessa operatiivisesta mallista on hyvä muistaa myös epäviralliset vaikuttamisen tavat. Yri-tyskulttuurin osana erityisesti päätöksenteon kult-

tuuri, toiminnan kellotaajuus, sekä niin kutsuttu testaamisen ja epäonnistumisen salliva kulttuuri ovat tärkeällä sijalla, kun yritykset siirtyvät vahvemmin data-vetoisiksi.

päätöksenteon kulttuuri On mukavaa kun on paljon dataa. Moni johtaja alkaa kuitenkin hikoile-maan kun päätökset pitäisi aidosti tehdä faktapoh-jaisesti. Big datan hyödyt saavutetaan luonnollisesti vain silloin, kun dataa sovelletaan päätöksentekoon. eConsultancyn start-up yrityksille (2013) tekemän kyselytutkimuksen mukaan vain 27 % vastanneista yrityksistä uskoi, että datan käyttäminen päätök-sentekotilanteissa on välttämätöntä.

toiMinnan kellotaajuus Tietopohjainen liiketoi-minta vaatii täysin erilaisen toiminnan kellotaajuu-den kuin mihin monissa yhtiöissä on totuttu. Uusia ismejä ja termejä on monia, kuten esimerkiksi agi-le verkkokauppa, tai reaaliaikainen asiakaspalvelu. Mikä ikinä on termi, näitä kaikkia yhdistää jatku-van testauksen ja kehittämisen mentaliteetti, joka vaatii aina seurakseen ketterän toimintatavan.

testaaMisen ja epäonnistuMisten salliva kulttuuri Kun yritys lähtee kehittämään big dataan vaadittavia kyvykkyyksiä, sen oppiminen vain harvoin etenee suoraviivaisesti. Menestyjät onnistuvat omaksumaan uusia toimintatapoja mui-ta ketterämmin. Seuraavat organisaation piirteet ovat tässä avuksi: yksilöiden itsensä likoon laittami-nen, halukkuus kyseenalaistaa vanhoja toimintata-poja ja valmius rakentaa tiimejä yksilöistä, joilla on hyvinkin toisistaan poikkeavat taustat. Yrityskult-tuurin kehittämisen tulisi olla yhtä systemaattista kuin itse kyvykkyyksienkin rakentamisenkin.

Yrityskulttuurin rakentaminen ja vakiinnut-taminen on siis hyvin keskeisessä asemassa tieto-pohjaista päätöksentekoa korostavassa yrityksessä. Yrityskulttuurin kehittäminen tulisi aloittaa mah-dollisimman aikaisin ja sitä tulisi kehittää samanai-kaisesti kyvykkyyksien rakentamisen kanssa.

ASiAkASvuOrO- vAikuTuSTA SeurATAAn

jA kehiTeTään MOnikAnAvAiSeSTi.


1 investoi datan kerääMiseen

yrityksen iT-osasto käynnistää

hankkeen, jonka tavoitteena on ostaa

ja ottaa käyttöön datan keräyksen

ja varastoinnin työkalu.

2 rakenna analyysejä ja luo yMMärrystä

yritys huomaa, ettei se voi soveltaa

kerättyä dataa ja investoi analytiikan

kehittämiseen.

3 käynnistä dataa hyödyntäviä toiMintoja

viimein yritys käynnistää toimintoja

hyödyntääkseen dataa, mutta huomaa,

ettei luotu analytiikka ole sovelluskel-

poista ja että sillä on puutteita ihmisten

osaamisessa sekä prosesseissa.

perinTeinen läheSTyMiSTApA kyvykkyykSien rAkenTAMiSeen

Perinteinen kyvykkyyksien rakentamisen kulttuuri on kypsynyt eri toimialoilla aikojen saatossa. Mal-lia on otettu esimerkiksi rakennusteollisuudesta. Tätä vanhaa tapaa ei usein kyseenalaisteta vaan sitä sovelletaan myös nykyisen liiketoiminnan kehitys-hankkeisiin, kuten big data –muutoshankkeisiin.

Hieman karrikoitu kuvaus big data hankkees-ta perinteistä kyvykkyyksien rakentamisen tapaa mukaillen voisi olla kuvan 3A kuvauksen mukainen:

Ensin kaikki tarmo pistetään datan keräyksen ja varastoinnin kyvykkyyksiin jolloin analysointiin panostaminen jää vähäiseksi. Tyypillisesti tällöin tehdään mittava investointi, joka mahdollistaa moninaisen lähdedatan keräämisen, mutta ei vält-tämättä täytä kaikkia työkalulle asetettuja liiketoi-mintavaatimuksia. Projekti toteutetaan tyypillisesti IT-osaston toimesta.

Vaiheessa kaksi johto huomaa, ettei yritys pysty soveltamaan raakadataa käytäntöön. Tätä puutetta lähdetään paikkaamaan investoimalla analyysiky-vykkyyksiin, ja tiedon lopullinen käyttötarkoitus jää edelleen epähuomioon.

Lopuksi, yritys alkaa suunnitella ja toteuttaa toimintoja analyysiin perustuen. Tämä osoittautuu haasteelliseksi, sillä analyysin lopputulemat eivät ole sovelluskelpoisia. Lisäksi, organisaation tieto-taito ei ole vielä kehittynyt teknisiä kyvykkyyksiä

vastaavalle tasolle, uusista työtavoista ei ole jaettua näkemystä, ja päätöksentekoa tukevat työkalut ovat puutteellisia tai niitä ei ole.

Lopputulema on, että yritys epäonnistuu saavut-tamaan mitattavia tuloksia. Johdon sitoutuminen hankkeeseen heikkenee ja hanke jää torsoksi.

Etupainotteisilla investoinneilla aloittaminen voi helposti johtaa siihen, ettei yritys opi tunnistamaan datan suurimpia liiketoimintahyötyjä, saati hyö-dyntämään niitä. Monet yritykset myös aliarvioivat oppimiseen vaaditun ajan.

3 . M e n eST ykS e k ä S ky v ykky ykS i e n r Ake nTAM i n e n

perinteisen tavan haasteita:

- suuri kertainvestointi, korkea caPeX

- huono ja jälkijättöinen näkyvyys hankkeen onnistumiseen, heikot mahdollisuudet korjata laivan suuntaa

- Kaikki kerätty raakadata ei luo arvoa- ihmis- ja prosessikyvykkyyksien

rakentaminen alkaa myöhässä- Puutteelliset tietopohjaista

päätöksentekoa tukevat työkalut- ristiriita data- ja liiketoimintatiimien

välillä- hanketta ei mitata liiketoiminnan

mittareilla vain it-mittareilla, joka heikentää näkyvyyttä siihen, missä on epäonnistuttu

kuvA 3A: epäOnniSTunuT kyvykkyykSien rAkenTAMinen


1 käynnistä lisää nykyistä dataa hyödyntäviä toiMintoja

yritys käynnistää uusia toimintoja

hyödyntääkseen nykyistä dataa

ja samalla kasvattaa ymmärtämystään

data, osaamis- ja työkalutarpeistaan

liiketoiminnan näkökulmasta.

2 opi rakentaMaan strategiaa tukevaa yMMärrystä

yritys kasvattaa uutta analytiikka-

osaamista liiketoimintalähtöisesti,

suoraan sovellettavaksi.

3 kasvata datan Määrää & toiMintojen Mittakaavaa

yritys on hiljalleen kehittänyt ihmis-,

prosessi ja työkalukyvykkyyksiään ja

on nyt valmis kasvattamaan kerättävän

datan määrää.

pArAS käyTänTö kyvykkyykSien rAkenTAMiSeen

Ehdottamamme parhaiden käytäntöjen lähestymis-tapa kyvykkyyksien rakentamiseen on lähes kään-teinen perinteiseen malliin nähden. Tämä lähesty-mistapa lähtee liikkeelle jo olemassa olevan datan hyödyntämisestä entistä tehokkaammin.

Tavoitteena on, että pystytään kotiuttamaan ensim-mäiset liiketoimintahyödyt hankkeen varhaisessa vaiheessa ja tunnistamaan ne toiminnot, joissa on suuret tuotto-odotukset ja matala riski- sekä kus-tannustaso. Hankkeita lähdetään toteuttamaan tiimeillä, joissa yhdistyy eri funktioiden ja alueiden asiantuntemus. Vaikka alussa toimenpiteet ovat ver-rattain pieniä, suosittelemme yrityksen aloittavan jo tässä vaiheessa määrätietoisen kyvykkyyksien ja osaamiskeskittymän rakentamisen.

Näin varhaisessa vaiheessa aletaan myös rakentaa yrityksen tahtotilaa big datan kanssa. Tahtotilassa kuvataan, miten data tukee yritystä saavuttamaan sen liiketoiminnan tavoitteet.

Vaiheessa kaksi rakennetaan olemassa olevan osaamisen päälle ja luodaan kyvykkyyksiä teke-mään tarkempaa ja tuloksekkaampaa analytiikkaa nykyisestä datasta. Kun yrityksen osaaminen tällä alueella kasvaa, on tärkeää aloittaa faktapohjaisen päätöksenteon, sekä jatkuvan testaamisen ja opti-moinnin kulttuurin systemaattinen kehittäminen. Edellisessä vaiheessa hahmoteltu tahtotilakuvaus

kuvA 3B: pArAS käyTänTö kyvykkyykSien rAkenTAMiSeen

Tärkein OSATekijä DATAn hyöDynTäMiSeSSä

On Sen vAATiMA AjATuSprOSeSSi.

catalin ciobanu, carlson wagonlit travel


saa nyt vahvistusta kasvaneen ymmärryksen kautta. Kartoitetaan puutteet ja määritellään seuraavat kehityskohteet datan, analytiikan, taitojen, resurs-simäärien ja prosessien osalta.

Kolmannessa vaiheessa kasvatetaan jo testattujen big data -operaatioiden mittakaavaa. Onnistumisen todennäköisyys kasvaa merkittävästi, kun yrityksel-lä on toiminnassa oleva tuloksekas analytiikkatiimi, jolla on olemassa olevat tavat toimia business- ja muiden sidosryhmien kanssa.

Vasta tässä vaiheessa suosittelemme yrityksen tekevän suurempia investointeja datan keräämiseen, analysointiin ja soveltamiseen.

Uuden toimintatavan juurtuminen organisaa-tioon on hyvällä alulla, mutta vaatii paljon aikaa. Oppiminen ei ole lineaarista vaan siihen voi tulla suuriakin viiveitä liittyen toiminnan laajenemiseen, ydinhenkilöiden vaihtumiseen jne.

Tässä yhteydessä on tärkeää painottaa, että kyvykkyyksien rakentamisen kolmevaiheinen kehityspolku ei ole tosielämässä kolmeen vaiheen lineaarinen prosessi. Kyseessä on iteratiivinen oppi-misen ja kehittämisen tapa, jossa suuret iteraatios-yklit pitävät sisällään monia pieniä kokeilemisen ja oppimisen syklejä. Merkityksellistä on, että tieto kulkee avoimesti, ja että monimuotoista osaamista edustavat tiimit valjastetaan ja valtuutetaan jatku-van kehittämisen moottoriksi.

lähestyMistavan hyödyt:

+ tuloksia saavutetaan nopeasti+ hyvä varmuus teknisten investointien onnistumisesta

+ Pitkä investointihorisontti, jota iteroidaan matkan varrella. investoinnit toteutuvat vähitellen

+ ihmiset, prosessit ja yhteistyö kypsyy ja kehittyy vähitellen

+ Vain sovelluskelpoista dataa kerätään ja säilytetään

+ riittävä panostus päätöksentekoa tukeviin työkaluihin

+ data- ja liiketoimintayksiköt työskentelevät yhdessä alusta lähtien

+ Projektin liiketoiminta-arvon mittaus mahdollista

17 Ku inK a magenta adV i sory Voi aut ta a organisa at iotas i ? Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

Magenta Advisory auttaa yrityksissä sekä ylintä johtoa että asiantuntijoita luomaan kilpailuetua sähköisten kanavien avulla. olipa kyse sitten strategian luomisesta tai prosessien kehittämisestä, me sitoudumme tekemään asiakkais-tamme sähköisen maailman markkinajohtajia.

Kuvassa 4 on esillä palveluita, joita tarjoamme yrityksille sähköisissä muutos-hankkeissa.

me uskomme pitkäaikaisten asiakassuhteiden rakentamiseen, jotta voimme työskennellä läpi asiakkaidemme muutosprosessin. asiakkaamme valitsevat meidät yhä uudelleen, koska:

• olemme johtavia asiantuntijoita sähköisessä ja monikanavaisessa liiketoiminnassa

• ymmärrämme, että sähköisiä kanavia pitäisi johtaa liiketoimintaperusteisesti

• meillä on hyviä tuloksia asiakkaidemme auttamisessa menestykseen

• ymmärrämme sekä paikallisten että monikansallisten brändien toimintaa

• toimitamme tuloksia

KuinKa magenta adVisory Voi auttaa organisaatiotasi?

kuvA 4: Magenta Advisoryn tarjoama

STRATEGIA CONCEPT CAPABILITYDEVELOPMENT

JATKUVAKEHITTÄMINEN

VisionjamissionmääritysStrategianmääritysTavoitteenasetantaStrategisenkehityskartanluominenLiiketoimintamallinmääritysInvestointilaskelmatMarkkina-analyysiKilpailija-analyysi

LiiketoimintakonseptinmääritysAsiakasarvolupauksensuunnitteluParhaidenkäytäntöjentunnistaminenLiiketoimintavaatimus-tenmäärittelyTarkennetutinvestointilaskelmatHankesuunnittelu

ToimittajavalinnatHankejohtoHankeauditoinnitKäyttötapaustenmääritysToimintatapojensuunnittelujakäyttöönottoOrganisaationsuunnittelujapystyttäminenKoulutusMuutoksenhallinta

LiiketoiminnanmittaristonmääritysjakäyttöönottoLiiketoiminnantehokkuudenarviointiJatkuvankehityksentoimintamallitJatkokehityksensuunnitteluVuokrajohto

LIIKETOIMINTA-KONSEPTI KYVYKKYYDET

18 K ir jo it ta j i sta Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus

lOTTA kOprAOsakas

lotta on johtava asiantuntija sähköisen asiakkuudehallinnan, - myynnin ja –markkinoinnin alueilla. lotalla on vankka kokemus mm. telekommunikaatio-, vähittäiskauppa-, media-, puunjalostus-, elektroniikka- ja öljyteollisuus toimialoilta.

[email protected]+358 50 444 6000

Anni TupAMäkiKonsultti

anni on sähköisen liiketoiminnan kehittämisen asiantuntija, jonka erikoisalueena on sähköinen markkinointi ja myynti. anni on tehnyt projekteja kuluttajatuoteyhtiöiden ja teleoperaattoreiden parissa.

[email protected]

Kirjoittajista

yhTeySTieDOT

Magenta [email protected] 6 a 1200120 helsinki

3magentaadvisory.com

magenta advisory: tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan?

Business