Mitä jokaisen tulisi tietää analytiikasta? – Havaintoja koulutuksista

Vaikka jokainen ei voi olla ”data scientist”, yhä useampi meistä pääsee tavalla tai toisella olemaan tekemisissä analytiikan ja tekoälyn kanssa. Hyödynnämme tuloksia, vedämme projekteja, tarjoamme asiantuntemusta tai lähtötietoja ja niin edelleen. Niinpä modernin työntekijän yleissivistykseen kuuluu nykyään perustietämys siitä, mitä analytiikka ja tekoäly ovat ja mitä ne käytännössä pitävät sisällään.

Me digialaiset olemme jo vuosia pitäneet analytiikan koulutuksia eri yhteistyökumppaneiden kanssa. Ennen kaikkea tarvetta on nähty peruskoulutukselle niille, jotka eivät ole varsinaisen analyytikon tai data scientistin roolissa tekemässä analyyseja, vaan jotka tavalla tai toisella välillisesti työskentelevät analytiikan parissa. Ja näitä roolejahan riittää: projektipäälliköt, kehityspäälliköt, liiketoiminta-alueiden vetäjät ja monet roolit IT:ssä.

Alle on koottu asioita, jotka olemme nähneet tärkeäksi perustaksi kelle tahansa analytiikan parissa toimivalle. Analytiikka on myös alue, joka elää jatkuvassa muutoksessa, joten koulutustenkin on pysyttävä ajan hermolla.

Termit tutuiksi

Analytiikka, koneoppiminen, tekoäly, Big Data, IoT… Jos joku ala vilisee termejä, niin tämä. Erityisesti hype-ilmaisut on hyvä avata selkokielelle ja puhua asioista asioina. Koulutuksessa lähdemme liikkeelle perusasioista, tiedon eri tasoista: miten datasta jalostetaan informaatiota, joka edelleen omaksutaan tietämykseksi. Ymmärrettävä kieli on oleellista, jotta eri osapuolet voivat kommunikoida sujuvasti ja välttää väärinkäsityksiä.

Data – priimaa sisään, priimaa ulos

Datan saatavuuden ja laadun merkitystä analytiikan perustana ei voi liikaa korostaa. Analytiikka ei ole mahdollista ilman laadukasta dataa, joka kuvaa tarkasteltavaa ilmiötä tarvittavista näkökulmista ja riittävän tarkasti. Datan lähteet voivat olla niin organisaation sisäisiä järjestelmiä kuin myös ulkoisia lähteitä. Ajan myötä koulutuksissa on herättänyt enemmän ja enemmän kiinnostusta myös teksti-, puhe-, kuva- ja videomuotoinen data. Väistämättä yhä enemmän on myös painotettava vastuullisuusnäkökulmaa – GDPR etunenässä: millaista dataa saamme ylipäänsä kerätä ja käyttää.

Oikea menetelmä oikeaan ongelmaan

Analytiikka ja tekoäly perustuvat tilastollisiin ja matemaattisiin menetelmiin. Täsmälliset kaavat ovat harvalle tarpeen, mutta on hyvä ymmärtää, millaisiin kysymyksiin erilaiset menetelmät vastaavat. Onko mallinnuksen kohteena esimerkiksi määrä (tuotteen myynti hetkellä T), todennäköisyys (asiakkaan poistuman todennäköisyys) tai ryhmittely (asiakkaan segmentti)? Ymmärrys menetelmistä riisuu mystiikkaa analytiikan ympäriltä, ja auttaa hahmottamaan sen mahdollisuuksia ja rajoitteita. Astetta merkittävämmäksi menetelmäymmärrys muodostuu välineissä, joissa analytiikkaa on ”piilotettu” helppokäyttöisten käyttöliittymien taakse. Tällöin on syytä tuntea tarkemmin, mitä esimerkiksi menetelmän parametrit tarkoittavat tai miten tulosten luotettavuutta mitataan.

Teknologiat työkaluista pilvialustoihin

Teknologia on analytiikkaan liittyvistä teemoista kenties voimakkaimmin ajassa elävä. Siinä missä jokunen vuosi sitten puhuimme koulutuksissa lähinnä yksittäisistä työkaluista tai ohjelmointikielistä (R, Python, SAS, SPSS), nykyisin on väistämättä otettava kantaa kokonaisiin alustoihin (Microsoft Azure, Amazon AWS), jotka ovat nykyisin useimmiten pilvipohjaisia. Jokaisen analytiikan kanssa tekemisissä olevan onkin hyvä ymmärtää, että varsinainen analytiikka on vain osa alustalla pyörivää järjestelmää, johon oleellisesti liittyy myös datan integrointi, varastointi ja visualisointi. Toki myös analytiikan työkalupakkiin on syytä tutustua, ja ymmärtää, millaista osaamista vaatii ja millaisia kustannuksia aiheuttaa esimerkiksi avoimen lähdekoodin ohjelmisto verrattuna kaupalliseen, graafiseen työkaluun.

Tukea prosesseihin, hyötyjä liiketoimintaan

Analytiikkaa ei tehdä analytiikan vuoksi, vaan sillä tavoitellaan hyötyjä: lisätuottoja, pienempiä kustannuksia, tyytyväisempiä asiakkaita, säästettyä aikaa. Käytännössä tämä tapahtuu useimmiten tukemalla analytiikan avulla tuotetulla informaatiolla toimintaprosesseihin liittyvää päätöksentekoa. Prosessit ja hyödyt ovat alueita, joilla koulutettavat ovat kotikentällään ja ryhtyvät poikkeuksetta pohtimaan, miten analytiikasta opittua voisi hyödyntää omassa toiminnassa. Moni sovelluskohde on ollut pinnalla jo vuosia, kun taas esimerkiksi IoT-alueella laitteista kerättävän datan hyödyntäminen on monella toimialalla vasta alkumetreillä. Esimerkit herättävät usein ajatuksia – tulivat ne sitten omalta toimialalta tai sen ulkopuolelta.

Miten se tehdään – ja ylläpidetään?

Analytiikkaan sisältyy hankkeena usein poikkeuksellisen paljon epävarmuutta. Siksi korostamme koulutuksissa esiselvitysten merkitystä ja vaiheittaista etenemistä. Suhteellisen lyhyillä ”proof-of-value” -harjoituksilla pystytään arvioimaan onnistumisen edellytyksiä niin datan saatavuuden ja laadun, analytiikan tulosten tarkkuuden kuin toteutuksen työläydenkin näkökulmasta. Erityisesti yrityskoon kasvaessa ja hankkeiden määrän lisääntyessä toimintamalli analytiikkahankkeiden systemaattiseen arviointiin ja priorisointiin muodostuu oleelliseksi. Toimintamallin on syytä ottaa kantaa myös hankkeiden ja jatkuvan ylläpidon edellytyksiin osaamisista teknologioihin.

Miksi kouluttautumaan?

Miksi myös välillisesti analytiikan parissa työskentelevien on syytä tuntea aihepiirin perusteet? Vastausta voi hakea esimerkiksi koulutusten päätteeksi saaduista kommenteista: ”Tässä oli hyvä tarkistuslista asioista, jotka pitää ottaa huomioon.”, ”Nyt tiedän, kenen kanssa on mentävä keskustelemaan.”, ”Tuli paljon ajatuksia, missä muualla analytiikkaa voisi meillä hyödyntää.”

Datan ja analytiikan hyödyntäminen on poikkeuksellisen monitahoinen teema, ja siksi konkreettinen liikkeellelähtö voi tuntua haastavalta. Digian datan ja analytiikan hyödyntämisen Fast Track on nopea ja tehokas työpajojen sarja, jonka aikana muodostetaan tilannekuva ja toteutuskelpoinen suunnitelma konkreettista toteutustyötä varten.