Data, tuo aiemmin harmaa ja harmiton insinöörien hoivan kohde, elää parhaillaan näyttävää renessanssia. Sen seksikkäämpi isosisko Big Data poseeraa säännöllisesti kansainvälisten bisneslehtien kansissa, milloin mihinkin aiheriepuun kääriytyneenä, ja aivan tavallisissakin sanomalehdissä kerrotaan tämän tästä, miten kuluttajadataa kerätään ja käytetään ennen näkemättömissä mitoissa.

Analytiikkaan liittyvät lupaukset ovat kaikille tuttuja: yhdistämällä operatiivisten järjestelmien datavirrat muualta saataviin tietoihin ja leipomalla saatua seosta osaavien analyytikoiden toimesta tuotetaan lisä- ja ristiinmyyntimahdollisuuksia, parempaa asiakastyytyväisyyttä, toiminnallista tehokkuutta ja velat saataviksi muuttavaa liiketoiminnallista menestystä.

Käytännössä data-analytiikan toteutus ei kuitenkaan ole niin yksinkertaista. Seuraavassa tarkastelen analytiikan mielestäni kolmea tärkeintä menestystekijää nimenomaisesti asiakastietojen analysoinnin näkökulmista.

1. Osaaminen

Webropolin ja vastaavien tee-se-itse-kyselytyökalujen markkinoille tulo on tehnyt meistä kaikista oman alamme pikku analyytikoita. Asiakastyytyväisyysmittauksen maailmalle liipaisu onnistuu muutaman tunnin työllä, ja tuloksia saa sen jälkeen tulkita kuten parhaaksi näkee. En väitä, että Webropol ja sen kumppanit olisivat huonoja välineitä. Varsinkin kevyessä deskriptiivisessä eli menneisyyttä kuvaavassa analytiikassa tee-se-itse-kyselytyökalujen avulla voidaan analytiikkaprosessiin tuoda miellyttävän helposti asiakkaan ääntä mukaan. Lisäksi luulen, että itse tehdyillä tyytyväisyys- ja muilla kyselyillä on saatu enemmän suodattamatonta asiakasnäkökulmaa mukaan yritysten toimintaan kuin koskaan aiemmin liiketoiminnan historiassa.

Kyselytyökalujen haasteeksi näen, että ne luovat helposti illuusion todellisuutta suuremmasta analyyttisestä osaamisesta ja todellisuutta pienemmästä analyyttisten mahdollisuuksien avaruudesta. ”Kun se asiakastyytyväisyyden mittauskin meni niin hienosti, niin eiköhän samalla menetelmällä tutkita lisämyynnin mahdollisuudetkin. Tästä samasta datastahan ne löytyy.” Niihin tilanteisiin, joihin on aiemmin käytetty alan ammattilaista, saatetaan nyt käyttää enemmän tai vähemmän valistunutta harrastajaa. Joissain tilanteissa tuo on riittävä panostus, mutta ei aina.

Prediktiivinen eli ennustava analytiikka, jonka tavoitteena on ennakoida asiakkaan tulevia liikkeitä, on taitolaji, joka tarjoaa paljon mahdollisuuksia. Kukapa meistä ei haluaisi tietää, ketkä asiakkaistamme ovat jättämässä meidät tai millä koukuilla saisimme heidät ostamaan lisää. Tämän artikkelin alussa olevista linkeistä jälkimmäisessä kuvataan erinomaisella tavalla, mihin prediktiivisellä analytiikalla päästään, jos se tehdään oikein.

Kuinka moni meistä on halukas tekemään putkiremontin omin nokkinemme tai diagnosoimaan ja lääkitsemään keuhkokuumeemme kotikonstein? Pääsääntöisesti asiantuntijoita käytetään silloin, kun heistä on selvää lisäarvoa. Analytiikka on liiketoiminnan osa, jossa rautaisesta asiantuntemuksesta kannattaa maksaa. Jo pelkkä asiakasanalytiikan kysymyksenasettelu voi sellainen, johon maallikon osaaminen ja näkemys eivät riitä mielekkäällä tasolla – saati sitten sen toteutus.

2. Laatu

Thomas Redman muistuttaa HBR:n blogiartikkelissaan How to Repair Your Data ilmaisusta ”roskaa sisään, roskaa ulos,” joka on tuttu sähköisen datan kanssa toimiville. Big Datan kanssa vastaava lause hänen mukaansa on, ”isosti roskaa sisään, myrkyllistä jätettä ulos.”

Asiakastietojen laadun helpoin ulottuvuus on tiedon eheys, eikä sekään elävässä elämässä ole alkuunkaan helppo. Tein taannoin eräälle asiakkaalleni toimeksiantoa, jossa tarvittiin tietoa kuluttaja-asiakkaiden sukupuolesta. Koska järjestelmässä ei aikanaan ollut löytynyt valmista kenttää sukupuolitiedolle, oli eräs toinen tekstimuotoinen kenttä kierrätetty tähän tarkoitukseen. Pikainen Excel-pivot osoitti sukupuolitiedon surkean tilan:

• reilulla 65 %:lla asiakkaista kenttä täyttämättä
• noin 25 %:lla kenttä täytetty niin, että sukupuoli on pääteltävissä tekstistä (”mies”, ”Mies”, ”nies”, ”miea”, ”m”, ”M”, ”nainen”, ”Nainen”, ”N”, ”n” jne.)
• lopuilla kentässä roskaa (”Klaukkala”, ”1”, ”2”, ”0”, ”kiinnostunut”, ”ei markkinointipostia!!!” jne.).

Tässä tapauksessa virhe oli tapahtunut aiemmin, kun oli menty siitä missä aita on matalin. Kun tietotarve tunnistetaan yrityksessä, on pohdittava miten tuo tarve tyydytetään kaikkein turvallisimmin ja kestävimmällä mahdollisella ratkaisulla.

Toinen periaatteessa yksinkertainen laadun näkökulma on tiedon paikkansapitävyys, eli se, kuinka moni edellisessä esimerkissä mieheksi merkityistä todellisuudessa on miehiä. Verrattain yksiselitteisessä tiedossa, kuten juuri sukupuolessa, tiedot on suht’ helppo saada merkittyä oikein, ainakin jos tietojen lähde on mielekäs. Automatisoimattomista prosesseista, kuten vaikka B2B-yritysmyynnin asiakaskohtaamisista, kertyvän datan paikkansapitävyys on jo hankalampaa. Voidaan toki olettaa, että kaikki asiakaskohtaamiset kirjataan ylös, mutta entäpä jos myyntiedustajat eivät pidäkään kaikkia kontakteja olennaisina, eivätkä kirjaa niitä mihinkään. Miten käytettävissä olevaan kontaktidataan pitäisi tällöin suhtautua?

Laadun näkökulmia löytyy vielä kymmenkunta lisää, mutta ajatukseni tausta lienee jo ilmeinen. Jos käytettävissä olevaan dataan ei voida luottaa, ei lopputuloskaan voi olla hohdokas.

3. Johtajuus

Johtajuus on välttämätöntä, kun asiakastiedosta halutaan hyötyä. Harva organisaatio on niin itseohjautuva, että se löytää omin neuvoin toimintatavat ja tukirakenteet menestyksekkääseen toimintaan asiakasanalytiikassa. Analytiikkaprojektissa johtamista kaipaavat erityisesti tietoihin, niiden keräämiseen ja niiden käsittelyyn liittyvät kulttuuriasiat. Ei riitä, että juhlapuhetasolla puhutaan tiedosta arvokkaana – asia on osoitettava käytännön tekoina.

Ensimmäinen osa kulttuurin rakentamista on tunnustaa tiedon tärkeys ja siihen liittyvän osaamisen välttämättömyys. Käytännössä tämä tarkoittaa esimerkiksi asiakastiedon omistajuuden määrittelemistä, tarvittavan erikoisosaamisen hankkimista ja tuon osaamisen hyödyntämistä silloin, kun tietoja halutaan käsitellä tai kun niihin liittyy muutostarpeita.

Toinen osa kulttuuria on arkipäiväistää tiedon käsittely ja hyödyntäminen. Vielä 2010-luvulla monessa organisaatiossa asiakastietojen käsittely on sihteerien vastuulle sysättyä tekemistä sen sijaan, että kaikki asiakkaiden ja heidän tietojen kanssa tekemisissä olevat huolehtisivat itsenäisesti tarvittavista toimenpiteistä. Tuskinpa kukaan voi väittää, että tämän päivän asiakastietojärjestelmissä asiakkaan yhteystietojen päivitys on niin monimutkainen operaatio, että se on jätettävä dedikoitujen toimijoiden huolehdittavaksi? Yhtä lailla tietojen hyödyntämismahdollisuus on tuotava kaikkien sitä tarvitsevien ulottuville: asiakasrajapintaan, esimiehille, johtoon jne.

Myös tietojen laatua on johdettava. Huomiota on kiinnitettävä käsittelytoimintatapojen ohella säännöllisiin siivouksiin ja päivitysprojekteihin – tietojen laatu ei siis ole hetkellinen toimenpide vaan jatkuva prosessi.

Johtamisasioihin kuuluu lisäksi tietojen rakenteen ja säilytyksen valvonta. Edellä mainittu Webropol tuntuu tänä päivänä olevan tyypillinen siilo, johon asiakkailta kerätty tieto jää makaamaan täysin erillään muusta operatiivisesta asiakastiedosta. On todennäköistä, ettei saatuja tietoja koskaan yhdistetä CRM- tai muiden järjestelmien kanssa, eikä tiedoista ehkä jaeta muuta kuin PDF- tai Excel-muotoisia koosteita. ”Älä rakenna siiloja” voisi olla jokaisen asiakastietoja kunnioittavan johtajan ensimmäinen käsky.

Lopuksi

Osaaminen höystettynä laadulla ja toimivalla datakulttuurilla antaa siis edellytykset menestyksekkääseen analytiikkaprojektiin. Toki muitakin asioita tarvitaan, kuten esimerkiksi riittävä määrä dataa ja oikeita työvälineitä, mutta ne ovat todennäköisesti jo yksinkertaisempia käytännön asioita.

Kuten alussa totesin, analytiikka-asiat ovat kovasti tapetilla alan lehdissä. Syksyn uunituoreessa MIT Sloan Management Review’ssä David Kiron ja kumppanit esittelevät tutkimusta, jossa selviteltiin analyyttisten edelläkävijöiden eroja muihin yrityksiin. Jos aihe kiinnostaa, kannattaa artikkeli lukaista. Työryhmän täysi tutkimusraportti on luvassa marraskuussa.