Mitä tiedonlouhinta on?
Tiedonlouhinta on prosessi, jossa hyödynnetään kehittyneitä analyysityökaluja, joilla saadaan hyödyllistä tietoa tietojen kertymisestä.
Tiedonlouhinnan yleistiedot
Tiedonlouhinta on prosessi, jossa saadaan hyödyllistä tietoa tiedon kertymisestä, usein tietovarastosta tai linkitettyjen tietojoukkojen keräämisestä. Tiedonlouhintatyökalut sisältävät tehokkaita tilastollisia, matemaattisia ja analytiikkaominaisuuksia, joiden ensisijainen tarkoitus on seuloa suuria tietojoukkoja trendien, mallien ja suhteiden tunnistamiseksi tietoon perustuvan päätöksenteon ja suunnittelun tueksi.
Monet johtajat pitävät usein markkinointiosastokyselyihin liittyvää tiedonlouhintaa keinona auttaa heitä ymmärtämään paremmin kysyntää ja näkemään, miten muutokset tuotteissa, hinnoittelussa tai myynninedistämisessä vaikuttavat myyntiin. Tiedonlouhinnasta on kuitenkin huomattavaa hyötyä myös muille liiketoiminta-alueille. Insinöörit ja suunnittelijat voivat analysoida tuotemuutosten tehokkuutta ja etsiä mahdollisia syitä tuotteen menestykseen tai epäonnistumiseen liittyen siihen, miten, milloin ja missä tuotteita käytetään. Huolto- ja korjaustoiminnoilla voidaan paremmin suunnitella osien varastoa ja henkilöstöä. Ammattitaitoiset palveluorganisaatiot voivat tiedonlouhinnan avulla tunnistaa uusia mahdollisuuksia muuttuvista taloudellisista trendeistä ja väestörakenteen muutoksista.
Tiedonlouhinnasta tulee hyödyllisempää ja arvokkaampaa suurempien tietokokonaisuuksien ja käyttäjäkokemuksen myötä. Loogisesti, mitä enemmän tietoa, sitä enemmän oivalluksia ja älykkyyttä sinne pitäisi haudata. Kun käyttäjät tutustuvat työkaluihin paremmin ja ymmärtävät tietokantaa paremmin, sitä luovempia he voivat olla tutkimuksissaan ja analyyseissaan.
Miksi käyttää tiedonlouhintaa?
Tiedonlouhinnan ensisijaisena etuna on sen kyky tunnistaa kuviot ja suhteet suurista tietomääristä useista lähteistä. Kun käytettävissä on yhä enemmän dataa, joka on peräisin niinkin erilaisista lähteistä kuin sosiaalinen media, etätunnistimet ja yhä yksityiskohtaisemmat raportit tuotteiden liikkumisesta ja markkinoiden toiminnasta, tiedonlouhinta tarjoaa työkaluja Big Datan hyödyntämiseen ja muuttamiseen toimivaksi älykkyydeksi. Lisäksi se voi toimia mekanismina ”ajattelulle laatikon ulkopuolella”.
Tiedonlouhintaprosessi voi havaita yllättäviä ja kiehtovia suhteita ja malleja näennäisesti toisiinsa liittymättömässä informaatiossa. Koska tiedolla on taipumus lokeroitua, sitä on historiallisesti ollut vaikea tai mahdotonta analysoida kokonaisuutena. Ulkoisten tekijöiden – esimerkiksi demografisten tai taloudellisten tekijöiden – ja yrityksen tuotteiden suorituskyvyn välillä voi kuitenkin olla yhteys. Vaikka johtajat tarkastelevat säännöllisesti myyntinumeroita alueen, tuotelinjan, jakelutien ja alueen mukaan, heiltä puuttuu usein näiden tietojen ulkoinen konteksti. Heidän analyysinsa osoittaa ”mitä tapahtui”, mutta ei paljasta ”miksi näin tapahtui”. Tiedonlouhinta voi täyttää tämän aukon.
Tiedonlouhinta voi etsiä korrelaatioita ulkoisten tekijöiden kanssa; vaikka korrelaatio ei aina osoita syy-yhteyttä, nämä suuntaukset voivat olla arvokkaita indikaattoreita tuote-, kanava- ja tuotantopäätösten ohjaamiseksi. Sama analyysi hyödyttää liiketoiminnan muita osa-alueita tuotesuunnittelusta toiminnan tehokkuuteen ja palvelujen toimittamiseen.
Tiedonlouhinnan historia
Ihmiset ovat keränneet ja analysoineet dataa tuhansia vuosia, ja prosessi on pysynyt monella tapaa samana: tunnistamalla tarvittavat tiedot, etsimällä laadukkaita tietolähteitä, keräämällä ja yhdistämällä dataa, käyttämällä tehokkaimpia käytettävissä olevia työkaluja datan analysointiin ja hyödyntämällä oppimaasi. Tietojenkäsittelyn ja datapohjaisten järjestelmien kasvaessa ja kehittyessä on myös työkalut datan hallintaan ja analysointiin. Todellinen taivutuspiste tuli 1960-luvulla, kun kehitettiin relaatiotietokantateknologiaa ja käyttäjälähtöisiä luonnollisen kielen kyselytyökaluja, kuten Structured Query Language (SQL). Tietoja ei enää ollut käytettävissä vain mukautettujen ohjelmien kautta. Tämän läpimurron myötä yrityskäyttäjät voivat vuorovaikutteisesti tutkia dataa ja raivata esiin piilotettuja älykkyyden jalokiviä.
Tiedonlouhinta on perinteisesti ollut datatieteen erikoisosaaminen. Jokaisen uuden sukupolven analyysityökalut alkavat kuitenkin vaatia kehittyneitä teknisiä taitoja, mutta ne kehittyvät nopeasti käyttäjien saataville. Vuorovaikutteisuus – kyky antaa datan puhua sinulle – on keskeinen edistysaskel. Kysy kysymys; katso vastaus. Sen perusteella, mitä opit, kysy toinen kysymys. Tällainen strukturoimaton verkkovierailu datan kautta vie käyttäjän sovelluskohtaisen tietokantasuunnittelun ulkopuolelle ja mahdollistaa toiminnallisia ja organisaatiorajoja ylittävien suhteiden löytämisen.
Tiedonlouhinta on keskeinen osa liiketoimintatietoja. Tiedonlouhintatyökalut on rakennettu johdon kojetauluihin, jotka keräävät tietoa Big Datasta, mukaan lukien tiedot sosiaalisesta mediasta, esineiden internetin (IoT) anturisyötteistä, sijaintitietoisista laitteista, strukturoimattomasta tekstistä, videosta jne. Nykyaikainen tiedonlouhinta nojaa pilvi- ja virtuaalilaskentaan sekä in-memory-tietokantoihin, monesta lähteestä saatavan tiedon kustannustehokkaaseen hallintaan ja tarpeen mukaan skaalautumiseen.
Miten tiedonlouhinta toimii?
Tiedonlouhintaan on suunnilleen yhtä paljon lähestymistapoja kuin tiedonlouhintaan. Lähestymistapa riippuu siitä, millaisia kysymyksiä esitetään, sekä tietokannan tai aineistojen sisällöstä ja organisaatiosta, jotka tarjoavat raaka-ainetta hakua ja analyysia varten. On kuitenkin olemassa joitakin organisatorisia ja valmistelevia vaiheita, jotka on suoritettava tietojen, työkalujen ja käyttäjien valmistelemiseksi:
- Ymmärrä ongelma – tai ainakin tutkimusalue. Liike-elämän päätöksentekijä, jonka pitäisi olla tämän tiedonlouhintaseikkailun kuljettajan paikalla, tarvitsee yleisen käsityksen toimialasta, jolla hän tulee työskentelemään – sisäisen ja ulkoisen datan tyypeistä, jotka ovat osa tätä tutkimusta. Oletetaan, että heillä on intiimi tietämys liiketoiminnasta ja siihen liittyvistä toiminnallisista alueista.
- Tietojen koonti. Aloita sisäisillä järjestelmillä ja tietokannoilla. Yhdistää ne tietomalleilla ja erilaisilla relaatiotyökaluilla tai kerää tiedot yhteen tietovarastoon. Tämä sisältää kaikki tiedot ulkoisista lähteistä, jotka ovat osa toimintojasi, kuten kenttämyynti- ja/tai palvelutiedot, IoT-tiedot tai sosiaalisen median tiedot. Hae ja hanki oikeuksia ulkoisiin tietoihin, kuten demografisiin tietoihin, taloudellisiin tietoihin ja markkinatietoihin, kuten toimialan trendeihin ja rahoitusalan vertailuarvoihin, toimialajärjestöiltä ja valtioilta. Tuo ne työkalusarjan purview-osioon (tuo ne tietovarastoosi tai yhdistä ne tiedonlouhintaympäristöön).
- Tietojen valmistelu ja ymmärtäminen. Käytä liiketoimintasi aiheiden asiantuntijoita tietojen määrittämiseen, luokitteluun ja järjestämiseen. Tätä prosessin osaa kutsutaan joskus tietojen muunnokseksi tai muonitukseksi. Osa tiedoista saattaa vaatia puhdistusta tai ”puhdistusta” päällekkäisyyksien, epäjohdonmukaisuuksien, puutteellisten tietueiden tai vanhentuneiden muotojen poistamiseksi. Tietojen valmistelu ja puhdistus voi olla jatkuva tehtävä, kun uusista hankkeista tai uusien tutkimusalojen tiedoista tulee kiinnostavia.
- Käyttäjäkoulutus. Et antaisi teini-ikäiselle avaimia Ferrari-perheeseen ilman, että he käyvät läpi kuljettajakoulutusta, maantiekoulutusta ja joitakin valvottuja harjoituksia lisenssillä varustetun kuljettajan kanssa. Varmista siis, että tarjoat muodollista koulutusta tuleville tiedonlouhijoille sekä joitakin valvottuja harjoituksia, kun he alkavat tutustua näihin tehokkaisiin työkaluihin. Jatkokoulutus on myös hyvä idea, kun he ovat oppineet perusasiat ja voivat siirtyä kehittyneempiin tekniikoihin.
Tiedonlouhintatekniikat
Muista, että tiedonlouhinta perustuu pikemminkin työkalusarjaan kuin kiinteään rutiiniin tai prosessiin. Tässä mainitut erityiset tiedonlouhintatekniikat ovat vain esimerkkejä siitä, miten organisaatiot käyttävät työkaluja tutkiessaan tietojaan trendien, korrelaatioiden, älykkyyden ja liiketoimintatiedon etsinnässä.
Yleisesti ottaen tiedonlouhinnan lähestymistavat voidaan luokitella suuntaa-antaviksi – keskittyen tiettyyn haluttuun tulokseen – tai suuntaamattomina löytöprosessiksi. Muilla tutkimuksilla saatetaan pyrkiä lajittelemaan tai luokittelemaan tietoja, kuten ryhmittelemään potentiaalisia asiakkaita liiketoimintamääritteiden, kuten toimialan, tuotteiden, koon ja sijainnin, mukaan. Samanlainen tavoite, poikkeama tai poikkeavuuksien havaitseminen on automatisoitu menetelmä todellisten poikkeamien tunnistamiseksi (yksinkertaisen vaihtelun sijaan) tietojoukossa, joka näyttää tunnistettavissa olevia kuvioita.
Yhteenkuuluvuus
Toinen mielenkiintoinen tavoite on yhdistyminen – kahden näennäisesti toisiinsa liittymättömän tapahtuman tai toiminnan yhdistäminen. Analytiikan ja tiedonlouhinnan alkuaikojen klassikkotarinassa, ehkä kuvitteellisessa, lähikauppaketjussa on löydetty korrelaatio oluen ja vaipan myynnin välillä. Keinottelemalla, että karaistuneet uudet isät, jotka loppuvat myöhään illalla saadakseen vaippoja, voivat tarttua pariin kuuden pakkauksen pakkaukseen ollessaan siellä. Myymälät asettavat oluen ja vaipat lähelle ja lisäävät sen seurauksena oluen myyntiä.
Klusterointi
Tämän lähestymistavan tarkoituksena on ryhmitellä tiedot samankaltaisuuksien eikä ennalta määriteltyjen oletusten mukaan. Kun esimerkiksi keräät asiakasmyyntitietosi yhdistettynä ulkoisiin kulutusluottotietoihin ja demografisiin tietoihin, saatat huomata, että kannattavimmat asiakkaasi ovat keskikokoisista kaupungeista. Suurella osalla ajasta tiedonlouhintaa jatketaan ennustamisen tai ennustamisen tueksi. Mitä paremmin ymmärrät malleja ja käyttäytymisiä, sitä paremmin voit ennustaa syitä tai korrelaatioita koskevia tulevia toimia.
Regressio
Yksi tiedonlouhinnan työkalupaketeissa tarjottavista matemaattisista tekniikoista, regressioanalyysi ennustaa luvun, joka perustuu tulevaisuuteen ennustettuihin historiallisiin malleihin. Erilaiset muut kuviontunnistus- ja seurantaalgoritmit tarjoavat joustavia työkaluja, jotka auttavat käyttäjiä ymmärtämään paremmin tietoja ja niiden edustamaa käyttäytymistä. Nämä ovat vain muutamia tiedonlouhintatyökalujen tekniikoista ja työkaluista. Työkalun tai tekniikan valinta on jokseenkin automatisoitu siinä mielessä, että tekniikoita sovelletaan sen mukaan, miten kysymys esitetään. Aikaisemmin tiedonlouhintaa kutsuttiin tietokannan viipaloinniksi, mutta käytäntö on nyt kehittyneempi ja termit kuten yhteenkuuluvuus, klusterointi ja regressio ovat arkipäivää.
Käyttötapaukset ja esimerkit
Tiedonlouhinta on avain asenneanalyysiin, hintojen optimointiin, tietokantamarkkinointiin, luottoriskien hallintaan, koulutukseen ja tukeen, petosten havaitsemiseen, terveydenhuoltoon ja lääketieteellisiin diagnooseihin, riskien arviointiin, suositusjärjestelmiin (”asiakkaat, jotka ostivat tämän myös...”), ja paljon muuta. Se voi olla tehokas työkalu lähes millä tahansa alalla, mukaan lukien vähittäiskauppa, tukkukauppa, palvelualat, televiestintä, viestintä, vakuutus, koulutus, valmistus, terveydenhuolto, pankkitoiminta, tiede, tekniikka ja online-markkinointi tai sosiaalinen media.
Tuotekehitys: Yritykset, jotka suunnittelevat, valmistavat tai jakelevat fyysisiä tuotteita, voivat löytää mahdollisuuksia kohdentaa tuotteitaan paremmin analysoimalla ostomalleja yhdessä taloudellisten ja demografisten tietojen kanssa. Niiden suunnittelijat ja insinöörit voivat myös ristiviittauksia asiakkaiden ja käyttäjien palautteeseen, korjaustietueisiin ja muihin tietoihin tuotteen parannusmahdollisuuksien tunnistamiseksi.
Valmistus: Valmistajat voivat seurata laadun trendejä, korjaustietoja, tuotantonopeuksia ja tuotteen suorituskykytietoja kentältä tuotannon ongelmien tunnistamiseksi. He voivat myös tunnistaa mahdolliset prosessipäivitykset, jotka parantaisivat laatua, säästäisivät aikaa ja kustannuksia, parantaisivat tuotteen suorituskykyä ja/tai osoittavat uusien tai parempien tehdaslaitteiden tarpeen.
Palvelutoimialat: Palvelualoilla käyttäjät voivat löytää vastaavia tuoteparannusmahdollisuuksia ristiviittaamalla asiakaspalautteeseen (suoraan tai sosiaalisesta mediasta tai muista lähteistä) erityisillä palveluilla, kanavilla, vertaissuoritustiedoilla, alueella, hinnoittelussa, demografiassa, taloudellisissa tiedoissa jne.
Lopuksi, kaikki nämä havainnot tulisi syöttää takaisin ennustamiseen ja suunnitteluun, jotta koko organisaatio on sopeutunut ennakoituihin kysynnän muutoksiin, jotka perustuvat asiakkaan intiimimpään tuntemukseen – ja ovat paremmin valmiita hyödyntämään juuri tunnistettuja mahdollisuuksia.
Tiedonlouhinnan haasteet
Big Data: dataa tuotetaan nopeasti kiihtyvällä vauhdilla, mikä tarjoaa yhä enemmän mahdollisuuksia tiedonlouhintaan. Nykyaikaiset tiedonlouhintatyökalut ovat kuitenkin tarpeen, jotta merkitys saadaan selville Big Datasta, kun otetaan huomioon suuri volyymi, suuri nopeus ja erilaiset tietorakenteet sekä strukturoimattoman datan määrän kasvu. Monien olemassa olevien järjestelmien on vaikea käsitellä, tallentaa ja hyödyntää tätä panosten tulvaa.
Käyttäjäkompetenssi: Tiedonlouhinta- ja analyysityökalut on suunniteltu auttamaan käyttäjiä ja päätöksentekijöitä tekemään mielekästä ja yhdistämään merkityksen ja näkemyksen massoista dataa. Vaikka nämä tehokkaat työkalut ovat erittäin teknisiä, ne on nyt pakattu erinomaiseen käyttäjäkokemussuunnitteluun, joten lähes kuka tahansa voi käyttää näitä työkaluja minimaalisella koulutuksella. Saadakseen täyden hyödyn käyttäjän on kuitenkin ymmärrettävä saatavilla olevat tiedot ja heidän etsimänsä tiedon liiketoimintakonteksti. Heidän on myös tiedettävä ainakin yleisesti, miten työkalut toimivat ja mitä he voivat tehdä. Tämä ei ole tavallisen esimiehen tai johtajan ulottuvilla, mutta se on oppimisprosessi, ja käyttäjien on panostettava tämän uuden taidon kehittämiseen.
Tietojen laatu ja saatavuus: Uusien tietomassojen myötä on myös paljon epätäydellistä, virheellistä, harhaanjohtavaa, vilpillistä, vahingoittunutta tai pelkkää hyödytöntä dataa. Työkalut voivat auttaa tämän selvittämisessä, mutta käyttäjien on oltava jatkuvasti tietoisia tiedon lähteestä ja sen uskottavuudesta ja luotettavuudesta. Yksityisyyttä koskevat huolenaiheet ovat myös tärkeitä sekä tietojen hankinnan että hoidon ja käsittelyn kannalta, kun ne ovat hallussasi.
Tiedonlouhinnan usein kysytyt kysymykset
Ideoita, joita et löydä mistään muualta
Saat käyttöösi annoksen Business Intelligence -tietoja suoraan saapuneiden kansioosi.