Datapääoman hyödyntäminen

Datapääoman hyödyntämisessä tulisi lähteä liikkeelle liiketoiminta- ja asiakastarpeiden hahmottamisesta. Tämä auttaa datapääoman nykytilan ja tavoitetilan analyysissä. Tarpeiden määrittelemisessä hyviä kysymyksiä ovat; Mitä tietoa tarvitsen, jotta voin tehdä parempia päätöksiä? Mitä data kertoo asiakkaista, asiakkaiden käyttäytymisestä sekä niiden syistä? Miten luomme datalla asiakkaille arvoa? Miten voimme nostaa yrityksen digiastetta ja tehostaa toimintaa dataohjautuvan automaation avulla?

 

Datapääoman nykytilan analyysissä kartoitamme nykyiset tietolähteet ja datan tekniset sekä laadulliset ominaisuudet. Pidämme tärkeänä, että datan hyödyntämisen tasoa ja niihin liittyviä taustatekijöitä, kuten teknologiaa, osaamista ja yrityksen kulttuuria arvioidaan osana nykytilan analyysiä.

Tavoitetilaa määriteltäessä on hyvä pitää mielessä, että matka opettaa. Tavoitteet on syytä teemoittaa ja jättää riittävästi tilaa oivalluksille ja uusille näkemyksille kehitystyön aikana. Tähän ketterät menetelmät soveltuvat hyvin. Toinen hyvä tapa lähteä liikkeelle on pilkkoa teemat hallittaviksi, jokapäiväistä tekemistä hyödyntäväksi osakokonaisuuksiksi.

 

Luo datapääomasta kartta

Suurimmalle osalle yrityksistä dataa kertyy merkittävästi joka päivä, asiakas-, osto-, asiointi- ja organisaation aktiviteettitietona.  Tietoa kertyy mm. palveluiden ja tuotteiden käytöstä, reaaliaikaisesta verkkokäyttäytymisestä ja sosiaalisen median tiedoista. Listaa voisi jatkaa loputtomiin.  Oleellista on tunnistaa liiketoiminta- ja asiakasarvoa tuottavat datalähteet ja analysoida niiden tekniset ja laadulliset ominaisuudet. Ulkoisia tietolähteitä ja palveluita on runsaasti ja tyypillisesti niistä saadaan merkittävää hyötyä datapääoman kehittämisessä.

 

Datapääoman hyödyntäminen

Liiketoiminnalliset tarpeet luovat pohjan datapääoman hyödyntämiselle. Hyödyntäminen voidaan jakaa kahteen toiminalliseen osaan:

  1. Miten datalla voidaan parantaa ja tukea päätöksentekoa?
  2. Miten data voidaan kytkeä osaksi toimintaa siten, että se kasvattaa asiakkaan saamaa arvoa, tehostaa toimintaa ja parantaa tuloksia?

Vanha sanonta, ”se mitä ei voi mitata sitä ei voi johtaa”, pitää datapääoman kohdalla erinomaisen hyvin paikkansa. Yllä esitetty kuva vastaa hyvin kysymykseen, mitä data kertoo asiakkaista ja asiakkaiden käyttäytymisestä? Tulosten ja ilmiöiden syyt vaativat tarkempaa porautumista, itse analysointia ja joissakin tapauksissa laadullisen datan keräämistä.

Kehittyneen asiakasanalytiikan avulla dataa voidaan jalostaa asiakasymmärrykseksi. Koneoppimiseen perustuvilla malleilla voidaan ennustaa asiakkaiden potentiaalisuutta, tulevaa ostokäyttäytymistä ja poistumaherkkyyttä. Näin tieto muuttuu lisäarvoa tuottavaksi toiminnaksi.