En käy usein koulutuksissa. Kahdeksan tunnin viettäminen luokkahuoneeseen suljettuna tuntuu nykyään yleensä hukkaan heitetyltä ajalta. Tämä ei kuitenkaan koske erikoistuneita koulutuksia, jotka ratkaisevat jonkin konkreettisen ongelmani. Ja minulla oli yksi sellainen – juuri oikeanlainen koulutus, joka opetti minua lukemaan yrityksen dataa.
Ongelmani: yrityksellämme on paljon dataa, mutta en osaa käyttää sitä tarpeeksi hyvin
nanoSPACEssa koko yritys on koottu monista osittaisista ratkaisuista – meillä ei ole keskitettyä järjestelmää (esim. ERP), joka ohjaisi kaikkea. Palapelimme toimii hyvin, käsittelemme vaivatta kymmeniätuhansia tilauksia kuukaudessa murto-osalla järeiden ratkaisujen hinnasta, mutta siinä on myös haittansa.
Suurin niistä on datan pirstaleisuus. Tilaukset tulevat Shoptetiin, palautukset Retinoon, sähköpostimarkkinoinnin lähetämme Ecomailin kautta, kirjanpitotositteet valuvat Flexibeehen, Amazonia hoidamme Expandon kautta, projektinhallinnan ratkaisemme Freelon avulla, B2B-tilaukset ovat puoliksi Shoptetissa ja puoliksi suoraan kirjanpidossa… näin voisin jatkaa vielä hetken.
Puhumattakaan siitä, että Shoptetissa ei ole yhtään sopivaa moduulia tilaus- tai asiakasdatan syvempään analysointiin – RFM-analyysin voi unohtaa saman tien.
Kaikki tämä vaikeuttaa äärimmäisesti koko yrityksen suorituskyvyn arviointia ja johtaa siihen, että meillä on vähintään sata Excel- ja Google Sheets -taulukkoa, joissa pidämme erikseen kirjaa erilaisista suoritusluvuista, jotka sitten hankalasti yhdistelen.
Viimeisen korona-aallon jälkeen, kun yrityksen arki hieman rauhoittui, minulla oli enemmän aikaa analytiikkaan ja aloin syventyä erilaisiin raportteihin, esimerkiksi:
- Yksittäisten markkinointikanavien liikevaihto / kate puhdistettuna palautuksista ja reklamaatioista
- Katteiden kehityksen seuranta ajan mittaan aina yksittäisten tuotteiden tasolle asti
- Alennuskuponkien automaattinen kohdentaminen ja suorituskyvyn seuranta
- RFM-analyysi, asiakassegmentointi, kohortit
- Traffic builders -tuotteiden määrittely jne.
- Talousanalyysi, kustannusten erittely, kassavirran seuranta ja ennustaminen (esim. toimitettujen mutta vielä maksamattomien postiennakkojen arvon automaattinen laskenta)
Jokainen tällainen raportti tarkoitti minulle valtavaa määrää vientejä ja epäyhtenäisen datan yhdistelyä Excelissä, enkä edes voinut oikein luottaa lopputulokseen. Tiesin tietysti, että on olemassa tapa rakentaa koko järjestelmä pohjalta: yhdistää data kaikista järjestelmistä, puhdistaa se ääriarvoista ja raportoida PowerBI:hin tai Lookeriin. Mutta miten se tehdään?
Business Intelligence: yrityksen johtaminen datan avulla
Juuri silloin eteeni osui kutsu koulutukseen nimeltä Vie data-analyysisi Excelin ulkopuolelle. Koulutus lupasi, että opin viimein saamaan järjestystä yrityksen, markkinoinnin, asiakkaiden ja talouden dataan. Joten lähdin mukaan 😎
Koulutus oli täydellinen juuri minulle! En ole täysin datalukutaidoton, meillä on yrityksessä oma datavarasto ja olemme jo koonneet muutaman räätälöidyn raportin yhdessä Digitaalisten arkkitehtien kanssa – minulta puuttui kuitenkin laajempi näkemys ja yleiskuva siitä, mitä kaikkea järjestelmiemme datalla voi tehdä. Ja juuri sen opin koulutuksessa.
Koulutuksen vetää Přemek Horáček, mielestäni kokenut Business Intelligence -asiantuntija. Hän elättää itsensä yhdistämällä yritysten datalähteitä ja etsimällä niistä yhteyksiä, minkä ansiosta asiakkaat oppivat johtamaan yritystä ei tuntuman vaan kovan datan perusteella.
Keboola: datanpoimija mistä tahansa järjestelmästä
Jos minun pitäisi ottaa koulutuksesta mukaani vain yksi asia, se olisi: perusta Keboola-tili! Keboola on työkalu, jota tarvitsin. Se mahdollistaa datan säännöllisen lataamisen mistä tahansa lähteestä, ja minä liitin siihen seuraavat lähteet:
- Google Analytics
- Google Ads
- Facebook Ads
- Sklik
- Shoptet
- Flexibee
- Marketing Miner
- Google Sheets
Keboola yhdistyy yksittäisiin lähteisiin API:n avulla ja lataa halutun datan.
Dataa voidaan muuntaa Keboolassa (SQL:n tai R:n avulla, peruskomennot Přemek opettaa koulutuksessa) ja sen jälkeen tallentaa tai viedä varastoon – minä vien sen Google BigQueryyn, mutta se onnistuu myös Google Sheetsiin.
Muunnos voi olla esimerkiksi puhdistaminen ääriarvoista (testitilausten poistaminen, poikkeukselliset 20 000 euron tilaukset yms.), eri taulukoiden datan yhdistäminen yhteisen ID:n avulla) tai mikä tahansa muu muokkaus, jonka datalle haluat tehdä.
Mihin sitä voi käyttää?
Datan valmisteluun mihin tahansa raporttiin, jonka voit datastasi koota. Tässä mitä olen tehnyt / aion tehdä:
- Mainosjärjestelmien datan puhdistaminen peruutetuista / palautetuista tilauksista
- Automatisoidun kuponkiraportin luominen, jossa lasketaan annettu todellinen alennus ja saatu kate
- Yksittäisten tilausten katteiden laskeminen ja niiden luokittelu (tilausten jaottelu koon / kannattavuuden mukaan)
- RFM-analyysi Shoptetista ladatulle asiakasdatalle
- Kassavirran dashboard, jota on rikastettu postiennakkodatalla
Koulutuksessa käsitellään myös Google BigQuery, vastaava työkalu datan poimintaan ja muokkaukseen. Tiettyyn käyttöön se on ehkä sopivampi, mutta tavalliselle käyttäjälle se ei ole yhtä intuitiivinen.
Miten dataa muokataan / muunnetaan?
Valitettavasti pientä ohjelmointia ei voi välttää. Big data tarkoittaa suuria taulukoita, joten on tarpeen osata SQL:n tai R:n perusteet. Molemmat käydään koulutuksessa läpi, ja koulutuksen jälkeen saimme “lunttilapun” peruskomennoista. Minulla ei ole tavoitteena opetella näitä kieliä syvällisesti, mutta koulutuksen ansiosta minulla on riittävä yleiskuva siitä, mitä ja missä laajuudessa voin vaatia data-analyytikoiltamme.
Lisäksi Keboola valmistelee malleja datan yksinkertaiseen poimintaan. Tämä toiminto on vielä beta-versiossa, mutta siinä on jo muutamia peruskaavioita mainosjärjestelmien datan yhdistämiseen ja lähettämiseen Google Sheetsiin tai PowerBI:hin. Yleisimpiin käyttötarkoituksiin ohjelmointia ei siis lähitulevaisuudessa enää tarvita ollenkaan.
Miten dataa visualisoidaan?
Kun data on valmisteltu, haluat visualisoida sen jotenkin – sen vuoksihan koko homman teet. Markkinoijat tuntevat varmasti Lookerin (Google Data Studio), jota minäkin käytän runsaasti erilaisiin markkinointiraportteihin.
Enemmän minua kuitenkin kiinnosti PowerBI, jonka olin tähän asti (lähinnä siksi, ettei se toimi Macilla 😎) onnistuneesti sivuuttanut. Koulutuksen jälkeen ymmärsin, että Looker on vain eräänlainen PowerBI:n demoversio, ja vaikka molemmat järjestelmät lähestyvät jatkuvasti toisiaan, PowerBI on edelleen edellä.
Vietin koulutuksessa yhteensä 8 tuntia, jota pidän hyvänä sijoituksena. Sain uuden näkökulman yritysdataan ja sen käsittelyyn. Vapaahetkinäni kokeilen omien raporttien tekemistä ja valmistelen vähitellen uutta toimeksiantoa Digitaalisille arkkitehdeille, koska tunnen, että on aika viedä analytiikkamme seuraavalle tasolle 😎
