case-tarinaa eri sektoreilta
10
Big Data Mitä se on?
Asiakkuusmarkkinointiliitto - SAS Institute n Big Data – 10 case-tarinaa n 2014
MITÄ ON BIG DATA? Yritysten ja organisaa.oiden järjestelmät sisältävät tonnei4ain .etoa historiasta sekä nyky.lanteesta. Tämä .eto on palvellut toimintaa siiloperusteises. jo vuosikymmeniä. Ajan saatossa teknologioiden, prosessiosaamisen sekä .edolla johtamisen kyvykkyyksien kehi4yminen ovat mahdollistaneet tehokkaamman informaa.on käytön. On muodostunut yhä hienompia .etovarastoja, joita on kuitenkin usein käyte4y suppeas. ja toimintokohtaises.. Esimerkiksi taloussuunnitelma kuluvan vuoden loppuun on ollut talousyksikön muodostama kuva ja vastaavas. myyn.ennuste loppuosalle vuo4a taas myynnin näkemys. On yhä tärkeämpää ymmärtää mitä detaljitasoinen talous-‐ ja myyn.ennusteiden synteesi mahdollistaa toiminnan opera.ivisessa ohjauksessa. Ja miten suunni4elutarkkuu4a voidaan kehi4ää eri .etovirtojen avulla, joita ovat mm. erilaiset indeksit, sosiaalisen median keskustelut, kilpailija.eto, 360°-‐asiakaspalaute/keskustelu, sijain..edot sekä laite-‐, käy4ö-‐ ja käy4äytymisdatan jatkuva virta. Siiloutuneista ja suppeista toimintaympäristöistä siirrytään kokonaisvaltaisempaan dataan hyödyntämiseen. Uudet usein strukturoima4omat datavirrat tulevat täydentämään ja samalla monimutkaistamaan .edolla johtamista. Big Data tuo välineet löytää datavirrasta olennainen ja tehdä se näkyväksi ja hyödynne4äväksi. Big Data ei ole 4etovarastohanke -‐ infrastruktuuri ja välineet ovat vain mahdollistajia. Big Data on palvelualusta joka mahdollistaa dataan sisältyvän arvon realisoinnin käytännön hyötyinä. Big Data on toimintakul?uuri, jossa uusin keinon haetaan jatkuvas. maksimaalista .edollista ymmärrystä. Big Data on parhaimmillaan edullista .edon hallintaa, uusien sovellusalueiden hyödyntämistä eli hyötynäkökulmasta tärkeiden asioiden ratkomista. Tämä on esimerkiksi verkkokaupan klikkivirran keräämistä yksityiskohtaisessa muodossa ja tämän .edon jalostamista muotoon, jonka pohjalta asiakkaille on mahdollista tarjota op.moituja ja relevan4eja sisältöjä. Toiselle toimijalle tämä tarkoi4aa sensori.etovirtojen analyysia jo4a tuotantolaitoksen viat ja häiriöt olisi ennakoitavissa ja mahdollinen tuotantoseisokki este4ävissä. Kolmannelle toimijalle Big Data taas tarjoaa keinon integroida toiminnan siilot yhteen ja tukea pitkän ketjun (tuotanto, asiakaskokemus, kanna4avuus, yhteistyö ulkoisten toimijoiden kanssa) rakentumista sisäises. sekä toimialan ketjuna.
“Primary value from big data comes not from the data in its raw form, but from the processing and analysis of it and the insights, products, and services that emerge from analysis.” Thomas H. Davenport & Jill Dyché, IIA report/Big Data in Big Companies
BIG DATASTA SANOTTUA “We want to apply data to every decision. We want to be a very data-‐driven company.”
Mike Cur.s, AirBnB, Vice President of Engineering ”We wanna marry big data with some of GE's biggest businesses.”
Bill Ruh, GE, Head of R&D center “Big data analyBcs has helped to boost our store sales by 10 percent.” Karem Tomak, , Macy’s, VP of analy.cs "Don't have enough data? Get more.”
Spo.fy "It is an incredibly fast growing area for us."
Ann Cairns, Mastercard ”The data informs what we do, it doesn’t rule what we do.”
Lewis D’Vorkin, Forbes
POTILASTURVA
Potilasturvallisuuden vaarantumiset aiheuttavat Suomen terveydenhuollossa yli miljardin kustannukset vuodessa. Jopa 30 prosenttia terveydenhoidon menoista liittyy komplikaatioihin, virheisiin ja epätäy-dellisiin diagnooseihin. Pirkanmaan sairaanhoitopiirissä on aktiivisesti puututtu potilasturvaan uusin keinon. Vapaamuotoisissa potilaskertomuksissa hajallaan olevaa tärkeää tietoa ei voitu hyödyntää tehokkaasti. Aluksi koottiin eri maista viitelistaus potilasturvaa vaarantaneista tekijöistä kuten infektioista, haavaongelmista ja ylimääräisistä tutkimustarpeista. Tällä hetkellä teksti-massaa seulotaan SAS Instituten ja CGI:n avulla koneellisesti jotta potilasturvan vaarantumisesta kertovat tekijät ja niiden yhdistelmät löytyisivät ajoissa. Löydökset parantavat henkilökunnan valmiuksia sekä lyhentävät hoitojaksoja.
POISTUMAHALLINTA Teleoperaattori T-Mobilella oli yli 30 miljoonaa asiakasta, joten dataa kertyi valtavasti. Samaan aikaan yksi operaattoreiden suurimmista haasteista oli myös T-Mobilen murheena, poistuman halllinta. T-Mobile yhdisti big data-teknologialla monia eri massiivisia datalähteitä, laskutusdataa, sentimentti-dataa, puheludataa, verkkodataa jne. Rakennettiin uusi Customer Lifetime Value –mallinnus sekä luotiin järjestelmä, jossa big datan löydökset olivat asiakaspalvelun ja myyjien käytössä suoraan ja erilaisten hälytysmekanismien kautta. Tämän järjestelmän käyttöönoton myötä T-Mobile onnistui pienentämään asiakaspoistu-maansa 50% yhden kvartaalin aikana.
VERKKOKAUPPA Ebayllä on 100 miljoonaa asiakasta ja 30 000 tuotekategoriaa. Se taltioi verkkosivuillaan kuukaudessa 100 miljoonaa tuntia tapahtumia sivustollaan. Noin valtavilla volyymeillä jo peruskysymyksiin vastauksen löytäminen vaatii big data-työkaluja. Työkalut antavat vastauksia mm. käytettävyyden ja löydettävyyden parantamiseen. Ja myös siihen minkälaiset kuvat, mitä palautusvaihtoehdot ja mitkä lisätuote-ehdotukset toimivat parhaiten missäkin tilanteessa. Ebay käyttää big dataa myös perustellakseen kauppiaille miksi tulla Ebayhin mukaan. Kauppiaille tehdään datan perusteella ennuste tulevasta myynnistä ja ennusteen toimivuutta seurataan. Ennusteen vahva toteutumisaste tuo kauppiaita Ebayhin ja pitää heitä siellä.
VEROTUS – BIG DATAA TYÖKALUPAKKIIN? Verotuksessakaan asiat eivät etene kuin Strömsössä. Väärinkäytökset ja harmaa talous syövät yhteisestä kuormasta. Usein manuaaliset valvontaprosessit eivät tunnista ja tavoita tehokkaas. väärinkäytöksiä.
Suomella julkinen sektori on Euroopan toiseksi suurin. Big Data -‐ratkaisut tarjoavat julkisen sektorin kustannus-‐ ja tehokkuusvaa4muksiin ratkaisuja hopeatarjoXmella kaikille sektoreille. “You get elected with Big Data, but you govern without it. How much sense does that make?” Reed Hunt, Federal Trade Commission (sitaa] keskustelusta jota käy.in USA:ssa Obaman eri4äin datavetoisen kampanjoinnin jälkeen)
BELGIA -‐ Vero4ajan tavoi4eena on tehostaa arvonlisäveron kantoa ja puhdistaa markkina keino4elijoista. Keino4elijat myyvät ilman arvonlisäveroa tavaraa ulkomaille verovapaisiin maihin. Tuo4eet myydään verollisena, mu4a verot jätetään .li4ämä4ä val.olle. Viimeisin toimija myy tuo4eet edelleen verovapaaseen maahan. Keino4elijat pyrkivät olemaan nopealiikkeisiä ja toimimaan siten e4ä tapahtumaketju on vaikeas. tunniste4ava. Problema.ikkaa lähde]in lähestymään verkostojen analysoinnilla sekä teks.analy.ikalla. Avuksi ote]in SAS Ins.tuten big data –sovellukset. Niiden avulla alv-‐verokeino4elu on pysty4y supistamaan 2 %:iin sen alkuperäisestä tasosta. Käytännössä tuo4o on ollut noin 1 miljardi euroa takaisin belgialaisten hyvinvoin.in.
RUOTSI -‐ Vero4aja on myös Ruotsissa lähtenyt big datan .elle varmistaakseen verosaatavien tehokkaan ko.u4amisen. Veronkierron valvontaa on hankaloi4anut valvo4avien .etomassojen valtava määrä ja vaikeus tunnistaa datavirrasta väärinkäytöksien tunnusmerkkien yhdistelmiä. Ruotsissa on nyt ote4u käy4öön SAS Ins.tuten järjestelmä, joka tunnistaa .edonlouhinnan sekä .lastollisien menetelmien avulla kohteita, joissa on korkea riski vero-‐järjestelmän väärinkäytölle. Mallit on automa.soitu etsimään väärinkäytöksen tunnusmerkkejä massiivista .etoaineistoa vasten. Viranomaiset saavat itselleen järjestelmän avulla tarkan ja nopean listauksen korkean väärinkäytösriskin kohteista sekä tapahtumaketjuista, joita selvitetään tarkemmin kohdennetuin valvontatoimenpitein.
MAINOSRAHOITTEINEN
Big Data mahdollistaa uutta liiketoimintaa. Eurooppalainen (Belgia, Hollanti, Ranska, Italia, Saksa, UK, Luxenburg) Zapfi tarjoaa asiakkailleen käyttöön maksuttoman langattoman verkkoyhteyden tukiasemiensa avulla. Tukiasemia on asennettu yleisiin tiloihin mm. myymälöihin, kauppakeskuksiin ja henkilöliikenteen solmukohtiin (mm. lentokentät). Zapfi mahdollistaa maksuttoman langattoman verkon käytön mainosrahoituksella. Asiakkaat ovat kirjautuneita eli tunnistettuja. Näin ollen Zapfi voi tarkasti analysoida asiakkaiden internet-käyttäytymistä sekä sijaintitietojen virtaa ja muita tietoparametreja. Hyödyntäen Big Data -aineistoja Zapfi optimoi rajallista mainostilaansa detaljitasoisen personoinnin avulla. Zapfin käyttäjä saa paikkaan sekä asiointiinsa tarkasti peilattuja relevantteja sisältöjä ja vastaavasti Zapfi saa optimoinnin avulla mainostilastaan merkittävästi enemmän hyötyä.
NEW EBIZ - AIRBNB AirBnB tarjoaa kuluttajien asuntoihin perustuvia majoituspalveluita 192 maassa, 34 000 kaupungissa. Verkkosivuilla on 10 miljoonaa hakua päivässä. AirBnB hakee massiivisesta datavirrasta tuloksellisia korrelaatioita. Mitkä listauksen parametrit, minkälaiset kuvat yms. aikaansaavat minkäkinlaisia tuloksia hauissa. Jo ensimmäinen pienimuotoinen data-analyysi oli aikoinaan käänteentekevä: sen tuloksena AirBnB alkoi tarjota asuntojen haltijoille ammattikuvaajia. Ja myynti räjähti. Yritys tekee myös prediktiivistä analytiikkaa ennustaakseen alueellisia kehitystrendejä. Tekemiseen on monipuolisen infran lisäksi investoitu henkilötasolla. 50 henkilöä optimoi AirBnB:ssä päivittäin palvelualustaa big datan avulla.
ASIAKASKOKEMUS Monikanavainen Macy’s keskittyy asiakaskokemuksen parantamiseen. Se on yksi USA:n suurimmista kauppaketjuista: 70% amerikkalaisista vierailee sen liikkeissä vuosittain. Macy’s kerää valtavan määrän tietoa mm. tuotteiden menekistä, kierrosta, läpimenoajoista, promootioista, erilaisia aktiviteettitietoja ja yhdistää nämä monikanavaiseen ja monipuoliseen asiakasdataan sekä aika- ja paikkatietoon luoden valtavan määrän vertailtavia yhdistelmiä ja tarjoaa tämän avulla yhä personoidumpaa asiakaskokemusta ja viestintää. Yhdestä postituksesta voi olla jopa yli 500 000 erilaista variaatiota. Data-analyysin myötä parantuneen sähköposti-markkinoinnin poistumaluku on pienentynyt 20%.
CASE VOLVO – TEHOT, PALVELU JA TURVALLISUUS YLÖS! Auton sensori.etoa voidaan hyödyntää auton eri osien tarkkailussa tarkkailussa ja kehityksessä. Mikäli automalliin vaihdetaan esimerkiksi sähköjärjestelmän osa, voidaan seurata minkälaisen vaikutuksen se aiheu4aa auton moo4orille, pol4oaineen kulutukselle tai huoltotarpeille. Tämä au4aa suunni4elemaan auton tulevat huollot paremmin ja tuo4aa myös tärkeää .etoa tuotekehitykselle esimerkiksi energiatehokkuuden parantamiseksi. Myös varaosien saatavuus ja varastoin. on tarkas. op.moitavissa, enää ei tarvitse summamu.kassa arvioida osien menekkiä globaalilla tasolla. Volvo hyödyntää yli 100 .etoparametria analysoivaa ennakoivaa huollon järjestelmää vähentääkseen huoltoaikoja ja op.moidakseen auton kokonaistoimintaa. Järjestelmää hyödyntää päivi4äin työssään jo yli 500 asiantun.jaa Volvolla.
“In cases of proacIve prevenIon acIons, QRAFT allows us to quickly target the vehicles concerned. It opImizes the cost for us and for our customers.” Eric Bélot, Volvo, Head of StaBsBcal Analysis of Product Quality Data for EMEA
Volvo on analy.ikan avulla mukana myös liikenneturvallisuuden parantamisessa. EU-‐hankkeessa 80 Volvon rekkaa, jotka ovat käytössä 40-‐50 tun.a viikossa, keräävät tonnei4ain dataa. Tes.jakson aikana nuo 80 rekkaa keräävät yli 70 000 000 mb dataa, jota käytetään liikenneturvallisuuden parantamiseen.
IOT (Internet of Things) tuo mukanaan valtavat datavirrat erilaista käy?ö-‐, 4lanne-‐ ja poikkeama4etoa. Raaka-‐aine?a Big Data –sovelluksille. Autoteollisuus hyödyntää jo tänä päivänä IOT-‐kehityksen ensimmäisiä aaltoja. Nykyisellä kehitysvauhdilla kaikki uudet henkilöautot suoltavat tehtaalle ja tuotekehitykselle jatkuvaa, hyödyllistä datavirtaa jo parin vuoden kuluessa. Autoteollisuudelle tämä mahdollistaa täysin uusia palvelumahdollisuuksia ja kykyä ymmärtää käy4äjien asiakaskokemusta.
Kanta-asiakkuus SM Marketing Convergence tehostaa asiakashankintaa, ehkäisee asiakaspoistumaa, lisää myyntimahdollisuuksia ja auttaa ymmärtämään asiakkaita entistäkin paremmin suurien tietoaineistojen visualisoinnin avulla. Yrityksellä on hallittavana noin 800 miljoonaa transaktiota ja 10 miljoonaa kanta-asiakaskorttia analysoitavana – kuin etsisi neulaa heinäsuovasta. Big Data -tiedon visualisointi auttaa ymmärtämään asiakasryhmiä nopeammin ja paremmin. Analyytikot toimivat tehostetusti, sillä heillä on laadullisesti tehokkaampi keino lähestyä isoa data aineistoa. Tämä auttaa heitä ymmärtämään vaikuttavia tekijöitä eri toimenpiteiden suunnittelussa ja mittaamisessa. Kokonaisuudessaan loppuasiakkaan kokemus on parempi ja näin ollen auttaa toimimaan paremmin kilpaillulla markkina-alueella.
Finanssi Pitkän tiedolla johtamisen kulttuurin jatkumona finanssiala hyödyntää tehokkaasti eri sovellusalueita Big Data -palvelualustoilla. Ne tekevät erilaisia riskiluokituksia ja ennusteita lainasopimuksista sekä asiakkaistaan.. Toimialalla hyödynnetään myös väärinkäytösten (fraud) sekä rahanpesun ehkäisyyn liittyviä sovelluksia, joissa analysoidaan lähes reaaliajassa valtavia määriä yksityiskohtaista tapahtumatieto. Big Data -palvelualustoilla toimii myös sovelluksia joissa muunnetaan esim. asiakaspalautteiden sekä sosiaalisen median tekstejä rakenteettomasta tiedosta rakenteelliseksi tiedoksi, jota hyödynnetään tehokkaasti mm. asiakaspoistuman hallinnassa.
Terveydenhuolto Terveydenhuoltosektori on yksi suurimpia Big datan hyödyntämisen alueita. Kymmenien miljoonien tutkimusartikkeleiden ja potilaskertomusten strukturoimatonta sisältöä analysoidaan erilaisten hoitotoimenpiteiden ja resurssien optimoimiseksi ja uusien hoitokeinojen löytämiseksi. Australiassa tutkitaan parhaillaan löytyisikö big datan avulla henkilökohtaisia hoitomalleja mm. lasten leukemiaan.
Maatalous Maatalous on isojen datamäärien maisema. Samaan aikaan globaalit haasteet ruuan riittävyydessä ovat valtavat. Big Data -analytiikalla on jo nyt saatu selkeitä hyötyjä: soijaviljelijät saivat nopeasti 15%:n säästön siemenissä ja lannoiteaineissa. Muissa kasvilajeissa on saatu esimerkiksi 16:n% sadon kasvu ja vähennetty veden käyttöä yli 50%. Analytiikan avulla on hehtaarilta saatu lähes 500$:n lisätuotto.
Kaikille sektoreille Big Datan hyödyntäminen on vasta alussa. Jokainen sektori tai toimiala voi löytää sen avulla merkittäviä hyötyjä. Big Datasta ei pidä humaltua. Hyödyntäminen ja käyttö vaatii monenlaisia kyvykkyyksiä. Oikeita työkaluja ja kumppanuuksia. Ja pitkäjänteisyyttä. Yksityisyyden suojaan liittyvät turvamekanismit tulee olla kunnossa. Löydösten laatua tulee validoida jatkuvasti.
87 PROFESSORIA VS. BIG DATA Yksi datan hyödyntämiseen merki?ävimmistä osa-‐alueista on erilaiset ennustemallit, joita voidaan hyödyntää kaikilla sektoreilla. Kevin Quinn, Harvardin professori kokosi 87 lakiprofessorin ryhmän ennustamaan korkeimman oikeuden (Supreme Court) päätöksiä. Professorit olivat alansa huippuja, tunsivat pykälät, tulkinnat, argumen.t, case-‐tradi.on ja historian. Professorit ryhtyivät tuumasta toimeen, käy]vät kaiken asiantuntemuksensa ja laa.vat ennusteet eri tapausten lopputuloksista. Toiseen .imiin Quinn kokosi Andrew Mar.nin kanssa dataa aikaisemmista caseista ja he loivat ennustemallin. He keski4yivät kuuteen erilaiseen muu4ujan. Mallin avulla he synny]vät jokaiseen caseen lopputulosennusteen. Aikanaan kokoonnu]in vertaleimaan ennusteita päätöksiä vasten. Lopputulos oli selvä. Professorit poistuvat häntä koipien välissä yliopiston kuppilaan poh.maan tapahtunu4a. Andrew Mar.n .ivis. tapahtuneen: ”Whenever sufficient informaIon can be quanIfied, modern staIsIcal methods will outperform an individual or small group of people every Ime. Big data ei kuitenkaan ole mikään automaaXnen ratkaisuja suoltava kone vaan taito-‐ ja ymmärryslaji, jossa laaja-‐alainen ymmärrys on tarpeen tulosten tulkinnassa: ”1 out of 20 instances you will get results that are staIsIcally significant purely by chance. So you have to remember that.” Willy Zik, Professor of management prac.ce, Harvard Business School PS. Lainvalvonnan puolella ennustavat menetelmät ovat jo tehokkaassa käytössä: Los Angelesin ja Santa Cruzin poliisivoimat käy4ävät niitä menestyksellä. Käytön tuloksena alueilla, jossa ennustavaa menetelmää on hyödynne4y on tapahtunut murroissa 33%:n vähentyminen, 21% vähentyminen väkivaltarikoksissa ja omaisuusrikokset ovat laskeneet 12%. Ennustemallin luomisessa hyödynne]in 13 miljoonan rikoksen .etoja 80 vuoden ajalta.
“A li?le knowledge is a dangerous thing.”
Albert Einstein Tekijät Lähteet: forbes.com, cnbc.com, sas.com, bigdata-‐startups.com, atkearney.com, ny.mes.com, techrepublic.com, harvardmagazine.com, Kuvat: Pixhill
Jari Perko, tj, ASML [email protected] @asiakkuus
Jaakko Virkki, SAS Ins.tute Myyn.johtaja [email protected] @JaskaV
Recommended