Kevyitä lähtöjä data-analytiikkaanJukka Huhtamäki @jnkkaTampereen teknillinen yliopisto

Data-analytiikka liiketoiminnan kehittämisessämaanantaina 24. lokakuuta 2016#Data4BizTraining @edutechtut

Kolme näkökulmaa

1. Uutta otetta data-analytiikaan

2. Lean Startup ja datalähtöinen kehitys

3. Välinekimara: kevyesti liikkeelle!

Näkökulma 1:Uutta otetta data-analytiikkaan

ETL DADExtract Transform Load

Data EngineeringData Warehouse

Forever

Discover AccessDistill

Data ScienceWhatever means

Now

Smart data

We need a movement with a quicknessYou are the witness of changeAnd to counteractWe gotta take the power back

De la Rocha et al. (1992)

MAD skillz (Cohen et al. 2009)

Magnetic: Data warehouses should draw data like a magnet, not repel it. Sharing data within organization should be the default

Agile: It should be straightforward for anyone to start analyzing data (analytics democracy)

Deep: Analysis should be as deep as analysts’ skills allow, not as shallow as IT rules

https://en.wiktionary.org/w/index.php?title=juonikas&oldid=31154683

Case Google Analytics• Custom dimensions:

https://developers.google.com/analytics/devguides/collection/analyticsjs/custom-dims-mets

http://bit.ly/gacustom2015

(Parker, 2014)

Näkökulma 2: Lean Startup ja datalähtöinen kehitys

Hyvä mittari etenee oikealle ja ylös?

This is the curse of vanity metrics, numbers which look good on paper but aren't action oriented: website hits, message volume, or "billions and billions served." (Ries, 2010)

“

https://speakerdeck.com/rossi/ls-for-real-sw-day

Askel #1: Sivulatauksista toimintojen mittaamiseen

Avainmittarit (Maurya, 2010)

Prosessit & konversio• Vrt. Nielsenin 1-

9-90 -sääntö (2006)

• Lisää aktiivisia, merkittävästi lisää muita?

(Maurya, 2010)

Kohortit

(Maurya, 2010)

A/B-testaaminen• Hypoteesi >

toteutus > käyttöön, vertailu kontrolli-ryhmään

• Nopea iteraatio, esim. 2 x päivässä (x tiimien määrä)

(Kuva: Widrich, 2012)

Repeat: Overview > DetailsAt a more specific level what I think this comes down to is this: measure everything but focus on one thing at a time. And use an exploratory approach, every so often, to dig into your data to solve the key problems you have. Think of yourself as a detective and problem solver, and you’re using data to find the answers.

“ Ben Yoskovitz,

when interviewed by

Ash Maurya

http://bit.ly/ebd2014leananalytics

Katso myös: https://bitly.com/ebd2014leananalytics+

Big data driven & Lean?

Kuvalähde: Maurya (2013),http://leanstack.com/lean-analytics-the-one-metric-that-matters-and-other-provocations/

Yhteenvetoa• Startup-yrityksen tavoitteena on löytää kestävä

liiketoimintamalli – saman lähestymistavan soveltaminen onnistuu myös yritysjäteissä

• Liiketoimintamallin keskeinen osa on kasvumoottorin valinta: viraali, maksullinen, sitouttava – tätä voi tarkastella esimerkiksi tuotekohtaisesti

• Näinkö: hypoteesien generointi datalähtöisesti (eksploratiivinen visuaalinen analyysi tai koneoppiminen) ja testaaminen lean-mittarein?

Lean Startup haltuun!

• Aleksi Rossi: Lean Startup For Real!?

Aleksi Rossi, @AlekRossi

Ville Kautto, @villekautto

Havaintoja Lean Startupista?

Näkökulma 3: Kevyitä lähtöjä data-analytiikkaan

(Card, Mackinlay & Shneiderman, 1999)

(Pirolli & Card, 2005)(Hansen et al., 2009)

Ohjelmointikirjasto/sovelluskehys: D3.js

Toteutus esimerkiksi

(Card ja muut, 1999)

Web

Reading the Riots on Twitter (Procter, Vis and Voss, 2012):http://www.slideshare.net/Flygirltwo/reading-the-riots-on-twitter-lift12

Konfiguroitava kirjasto: Highcharts

(Card ja muut, 1999)

Web

/ /

Toteutus esimerkiksi

Vuorovaikutteinen laskenta: R & Rstudio (…, Matlab)

Image source: OUseful.Info, the blog…

Toteutus esimerkiksi

(Card ja muut, 1999)

Web

alteryx.com

Visuaalinen analytiikka

(Vismaster)

Yhdisteltävää riittää!

Lopuksi – kiitos!Jukka Huhtamäki

jukka.huhtamaki@tut.fitwitter.com/jnkkafi.linkedin.com/in/jukkahuhtamaki/