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      jari@asml.fi      @asiakkuus  

Jaakko  Virkki,  SAS  Ins.tute  Myyn.johtaja  jaakko.virkki@sas.com  @JaskaV