Tasan vuosi sitten (9.11.2017) Nokian hallituksen puheenjohtaja Risto Siilasmaa julkaisi kuuluisan bloginsa, jossa hän kertoo Machine Learning -tematiikkaan perehtymisestään ja kuinka tärkeä on ymmärtää mistä asiassa on kyse.
Loistavaa! Vihdoin high-profile yritysjohtaja puhuu datojen potentiaalista
Blogin lopussa on kohta ”Call to action for all organisations”, jossa Siilasmaa kehotti yrityksiä laatimaan datastrategian, panostamaan osaamiseen (competence center) sekä ymmärtämään mitä Machine Learning (ML) tarkoittaa kullakin liiketoiminta-alueella ja kuinka ML toiminnallistetaan sisäiseen tekemisiin sekä palveluihin.
Loistavaa! Vihdoin high-profile yritysjohtaja puhuu datojen potentiaalista ja vaatii panostuksia massadatojen systemaattisen hallintaan, jalostamiseen ja hyödyntämiseen – juhlapuheita konkreettisemmalla tasolla!
Pitkänlinjan data-analytiikan kehittäjät ovat vuosikausia peräänkuuluttaneet datan lisäarvopotentiaalia ja systemaattisen jalostamisen tarvetta. Tämä on kuitenkin ollut hieman sellaista ”naruilla työntämistä”.
Siilasmaan jutussa minua kuitenkin häiritsi eräs seikka: Risto puhuu vain Machine Learning:sta ja kuinka datastrategia tulisi laatia ”koska Machine Learning”. Joissakin esityksissä [kts.video blogin sisällä], Risto melko seikkaperäisestikin esittelee neuroverkkomallinnusta tavalla, jollaista toivon tilastotieteen koulutuksen olevan. Mutta antaako neuroverkkomallinnuksesta puhuminen oikeaa kuvaa datojen ja analytiikan tai edes koneoppimisen tekemisestä ja lisäarvomahdollisuuksista?
Miksi koneoppiminen, miksi neuroverkko?
Miksi?
Itselleni on ehkä syntynyt vinoutunut ymmärrys siitä, kuinka paljon [lue: ”vähän”] liiketoiminnanjohdolle voi analytiikasta, lukujen takana, puhua. Informaatiokulttuuri on kyllä kehittynyt, mutta ehkä kuitenkin vielä pätee vanha viisaus: ”You need to learn walk, before try to run”. Yrityksissä on data-analytiikan perusasioissakin vielä paljon ”low-hanging fruits” poimimatta.
Menetelmälähtöinen keskustelu on kuitenkin ”MITÄ” -tasoa, kun pitäisi kysyä ja tietää ensisijaisesti ”MIKSI” [tätä Ristokin peräänkuuluttaa uudessa kirjassaan].
Datastrategia mahdollistaa nykyaikaisen (DataDriven) strategisen johtamisen.
Data-analytiikan sovellusmahdollisuudet kattavat kaikki liiketoiminnan osa-alueet, mutta otan esimerkin lempiaiheeni, asiakasymmärryksen, kautta.
Organisaatioiden on varmasti hyvä kehittää asiakasrajapintojen digikohtaamisia ML:n tai AI:n avulla. Myös ylemmän johdon, jopa hallituksen, olisi syytä tuntea ML:n periaatteet, jotta esimerkiksi automatisoituun päätöksentekoon liittyvät säännökset ja eettiset keskustelut eivät tule yllätyksenä.
Pyytäisin kuitenkin organisaatioita kysymään tuntevatko he asiakaskantansa laadun ja rakenteen peruselementit tyyliin:
- ”paljonko meillä on asiakkaita”,
- ”kuinka määrittelemme hyvän asiakassuhteen”,
- ”millaisia asiakassuhteita meillä on” ja
- ”kuinka kasvatamme asiakaskannan arvoa” jne.
Hiemankaan monimuotoisempaa tarjoamapakettia hallinnoivilla organisaatioilla nämä yllä kuvatut peruskysymykset eivät todellakaan ole niin yksinkertaisia kuin yht’äkkiä kuulostavat.
Nämä peruskysymykset johtavat tietenkin perinteiseen segmentointiin ja sitä kautta MIKSI -kysymyksiin … mutta lisäksi ne johtavat kysymään kuinka data valjastetaan tähän tekemiseen ja millaisia osaamisia & resursseja datan valjastaminen vaatii?
Ilman systemaattista datojen käsittelyä ja analytiikkaa, nykypäivän (data-driven) strategista johtamista on hankala tehdä systemaattisesti ja organisaation kulttuuria kehittävästi.
kuinka data valjastetaan tähän tekemiseen ja millaisia osaamisia & resursseja datan valjastaminen vaatii?
Tällä taustoituksella kannustan kuuntelemaan Riston viestiä liiketoimintalähtöisen datastrategian tarpeesta. Ei kuitenkaan jumituta uusiin hype-termeihin, vaan tehdään tämä LIIKETOIMINNAN ja KOKONAISVALTAISEN ANALYTIIKAN näkökulmasta, eli
- Ymmärrä. Määritä mitä data-analytiikka teidän organisaatiossa on ja millaisiin haasteisiin se voi tuoda lisäarvoa tai ratkaisuja.
- Hanki osaamista. Analytiikan osaamiskeskus (analytics competence center).
- Laadi data- tai analytiikkastrategia / -toimintasuunnitelma.
- Toiminnallista jalostettu data sisäiseen toimintaan ja sen johtamiseen.
- Integroi jalostettu data asiakasrajapintaan, tuotteisiin ja palveluihin.
- Lisäksi: Mieti millaista lisätehoa Big Data, Machine Learning, Deep Learning voivat tuoda tekemiseen. Tunnista Quick Wins.
Katso myös lisää Arvotiedon tarjoama datastrategian teemaan: ValueManager -konsepti on datakonkretiaan perustuva asiakkuusstrategian innovonintimenetelmä.
