Hyppää sisältöön

Monitahoisesta data-analyysistä testattaviin toimenpiteisiin

kesäkuu 28, 2021
ID BBN Vieraskynä

Asiakas jättää jälkeensä dataa, joka kertoo hänen käyttäytymisestään ja kiinnostuksen kohteista. Kun tuota dataa lähdetään tarkastelemaan, tulee nopeasti eteen muutamia haasteita. Yksi näistä haasteista on datan hajanaisuus.

Elämme maailmassa, jossa tietokoneita käytetään taukoamatta. Tästä huolimatta datan kerääminen ja yhdistäminen on muuttunut monimutkaisemmaksi, koska usein data on hajallaan siellä täällä – Excel-tiedostoissa, CRM:ssä, somekanavissa tai vaikkapa messuilta kerätyissä kyselytiedostoissa.

Nykyään tarvitaan oikea-aikaista ja paikkansa pitävää informaatiota. Jos potentiaalinen asiakkaasi osallistui webinaariisi viime vuoden puolella, enää ei kannata perään soitella. Asiakkaan kiinnostus on nimittäin jo lopahtanut. Informaation valtava määrä ja sen helppo saatavuus sammuttavat liekkeihin roihahtaneen kiinnostuksen nopeasti – asiakas vastaanottaa jatkuvasti uusia viestejä, ja samalla ne aikaisemmin vastaanotetut viestit hautautuvat ”pinon” pohjalle.

Algoritmi ei osaa ajatella

Dataa analysoidessa täytyy osata tulkita, mitä datasta saatu tieto oikeasti tarkoittaa. Jos asiakastietomäärä on valtava, kuten esimerkiksi Googlella, Facebookilla tai Twitterillä on, tarvitaan datan analysointiin tekoälyä eli algoritmia. Algoritmin heikkous on, että se ei osaa ajatella. Algoritmilla ei ole käsitystä moraalista, saati etiikasta.

Kerron Yhdysvaltojen presidentinvaaleihin liittyvän esimerkin. Facebookissa käytiin varsin raivoisasti vaalien jälkipyykkiä, ja halusin tietää minkälaisia juttuja ja kommentteja siellä kiertää. Klikkailin muun muassa QAnon-linkkejä, ja sen seurauksena minulle ehdotettiin yhä enemmän vastaavaa informaatiota sisältäviä päivityksiä. Olinhan osoittanut ”kiinnostusta” QAnonia kohtaan klikkaamalla aiheeseen liittyvää sisältöä. QAnon-ajatukset eivät kuitenkaan kuulu maailmaani, enkä ole liikkeestä kiinnostunut. Klikkasin, koska olin utelias. Minulle kyseisellä sisällöllä oli lähinnä viihdearvoa. En ole amerikkalainen, eikä minulla ole mitään mahdollisuuksia vaikuttaa Yhdysvaltojen presidentinvaaleihin. Silti algoritmi analysoi minut QAnonista kiinnostuneeksi henkilöksi.

Sama kävi rokotevastaisen informaation kohdalla. Kävin lukemassa Facebookissa rokotevastaisen ryhmän kommentteja ja tutkimuksia – ja hetken päästä fiidissäni alkoi näkyä saman sävyisiä kirjoituksia yhä enemmän.

Datan analysoinnin tulee olla monitahoista

Big Data ei muuta ihmisen käyttäytymistä – se ainoastaan luo kohderyhmän käyttäytymisen perusteella ja yhdistää asiakkaan ja tuotteen tai asiakkaan ja palvelun. Yksi asiakas tykkää kalasta, toinen lihasta. Kalasta tykkäävälle kannattaa tarjota kuhareseptiä. Liharuoan ystävä puolestaan ilahtuu gruusialaisen lihapadan reseptistä. Ja niin edelleen. Olemassa olevan tiedon avulla viestin voi muotoilla viestin vastaanottajan tarpeiden ja kiinnostuksen mukaiseksi.

Suosimme vaimon kanssa luomutuotteita. Jos kaupan hyllyssä on luomuversio haluamastamme tuotteesta, valitsemme sen. Meillä on molempien keskusliikkeiden kanta-asiakaskortit. Molemmat siis saavat dataa ostokäyttäytymisestämme, ja siinä datassa perheemme luomusuopeus näkyy selkeästi. Miksi siis yhä saamme bulkkimainontaa molemmilta kaupoilta?

Datan analysoinnin pitää olla monitahoista, eli monet asiat huomioon ottavaa. On ymmärrettävä ihmisen käyttäytymistä ja toimintaa ohjaavia juurisyitä.

Valitettavasti datan analysoinnissa huomioon otetaan usein vain data. Ajatellaan, että ihminen käyttäytyy pikemminkin ”joko tai” kuin ”sekä että”. Data siis luo ihmisestä bipolaarisen kuvan.

Tosiasiassa ihminen toimii monitahoisesti. Hänellä on erilaisia rooleja eri tilanteissa. Joku kuvaa tätä ihmisen pään sisäiseksi ”väenpaljoudeksi”. Freud jakoi ihmisen mielen kolmeen kerrokseen: minä, yliminä (ego tai superego) ja viettipohja. Monitahoisuutta lisää se, että ihminen käyttäytyy ympärillään olevan kulttuurin mukaisesti.

Ajattelipa ihmisen monitahoisuutta eri koulukuntien oppien mukaisesti tai ilman niitä, ihmisen käyttäytymistä täytyy aina analysoida datasta monitahoisesti – toiminnan juurisyyt huomioon ottaen.

Osaatko kysyä oikeita kysymyksiä oikeassa järjestyksessä?

Nykyään etsitään vastauksia samoihin kysymyksiin kuin aina ennekin, mutta kysymykset esitetään eri järjestyksessä kuin ennen.

Ennen kysymykset esitettiin seuraavassa järjestyksessä: Mitä tehdään? Miten tehdään? Milloin tehdään? Kuka tekee? (Kuka on vastuussa?) Miksi tätä tehdään? Ja viimeisenä­: Mitä jos? Mitä jos suunnitelma ei toimikaan? Miten otetaan huomioon poikkeamat – vaikkapa epätodennäköisyydet?

Nykyään kysymyssarja aloitetaan kysymyksellä: Kuka? Kenen kanssa voisin toimia? Keitä ovat ne merkitykselliset ihmiset, hyvät tyypit, joiden kanssa haluan liittoutua?

Seuraavaksi kysytään: Miksi? Liittyykö asiaan jokin korkeampi ajatus? Olemmeko samojen arvojen äärellä?

Koko kysymyssarja kuuluu seuraavasti: Kuka? Miksi? Milloin? Miten? Mitä? Mitä jos?

Mitä?” on viimeisenä ennen poikkeamien huomioimista, koska lopputulokseen pääsee nykyään niin monin eri tavoin. Siksi kysytään ”miten?” ennen ”mitä?”.

Aika on kriittisempi tekijä kuin ennen. Maailma toimii entistä nopeammassa syklissä. Aikaa kuvaava kysymys milloin? kysytään ennen kuin kysytään miten? Näitä kysymyksiä ennen kysytään miksi? (syy toimintaan) ja ensimmäiseksi kysytään kuka? Tai kenen kanssa?

Kun data on analysoitu, on toimenpiteiden aika. Toiminta on lopulta ”joko tai”. Klassinen markkinoinnin A/B-testaus on tästä johdettu toimintamalli. Minulle esimerkiksi voisi lähettää joko saman mainoksen, kuin kaikille muillekin – tai sitten mainoksen, jossa on otettu huomioon luomupainotteinen kulutustottumukseni.

Onko tämä moraalisesti ja eettisesti oikein – kyllä. Ihmisiä on lupa auttaa. Auttaa heitä valinnan tekemisessä. Minä ainakin haluaisin apua luomutuotteiden valinnassa. Kaipaan asiantuntijan lausuntoja tai ohjeita, jottasaan ruokaa, joka on mahdollisimman ravintorikasta ja mahdollisimman vähän prosessoitua. Minulle saa lähettää kohdennettua markkinointia ja mainontaa. Päätän sitten itse, ostanko vai en.

Hyödynnä Big Dataa

  1. Kerää ja yhdistä dataa järkevästi
  2. Analysoi monitahoisesti – juurisyyt huomioiden
  3. Toimi ”joko tai” – testaa todennäköisyyksien mukaan
  4. Auta asiantuntijuudellasi asiakkaita valitsemaan

Timo Risku

Olen toiminut liiketoiminnan vetäjänä ja kehitystehtävissä koko työurani ajan. Urani alussa kohtasin huipputalousjohtajia, jotka juurruttivat mieleeni kassavirran ja kassavirtabudjetin tärkeyden. Onneksi. Olen nimittäin huomannut, että turhan moni yrittäjä pitää vasemmassa taskussa omia rahojaan ja oikeassa taskussa firman rahoja. Sekaantumisen vaara on ilmeinen. Olen oppinut, että liiketoimintaa kannattaa aina seurata kannattavuuden ja kassavirran näkökulmasta. Excelit ovat siis tulleet minulle vuosien varrella tutuiksi. Silloin kun en seuraa Exceleitä, minut löytää veneilemästä, luonnosta tai lentopallokentältä.

Timo Risku, toimitusjohtaja
10times Oy – Ihminen ensin
Osaa – Kasva – Jaksa – Vaurastu

 

 

 

ID BBN Vieraskynä
Vieraskynäosiossa ID BBN:n valitsema asiantuntija tuo esille omia näkemyksiään kiinnostavista ja ajankohtaisista ilmiöistä.

Search