Magenta advisory: Tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan?

MAGENTA ADVISORYN TUTKIMUS
Tietopohjainen päätöksenteko
– Onko organisaatiosi valmis Big Dataan?
Magenta advisoryN julk aisu
04 / 2013

Kumppanisi sähköisen liiketoiminnan MUUTOKSESSA
Magenta Advisory luo asiakkailleen kilpailuetua sähköisessä maailmassa.
Ainutlaatuinen toimintamallimme yhdistää perinteisen liikkeenjohdon
konsultoinnin analyyttisen ongelmanratkaisun vahvaan sähköisen
liiketoiminnan ymmärrykseen. Autamme niin Suomen johtavia yrityksiä
kuin maailman suurimpia kansainvälisiä toimijoita kasvamaan
sähköisiksi markkinajohtajiksi.

03 johdanto
Tietopohjainen päätöksenteko – Onko organisaatiosi valmis Big Dataan? | Magenta Advisoryn tutkimus
maailmassa on tänään enemmän tietoa kuin kos-
kaan aiemmin. Big datan tuleminen mullistaa yri-
tysten koko dna:n. Kun ennen data oli vain kou-
rallisen ihmisiä käsissä yrityksissä, nyt yrityksen
ylimmän johdon tulee ymmärtää muutos ja valjas-
taa se oman kasvunsa tueksi.
Usein debatoidaan siitä,jyrääkö faktapohjainen yri-
tyskulttuuri allensa innovatiivisuuden ja luovuuden.
Mielestämme tulevaisuudessa nämä elävät rinnak-
kain. Parempi data ja siitä johdettu ymmärrys voi-
vat merkittävästi parantaa yrityksen päätöksentekoa.
Samanaikaisesti yrityksellä voi olla luova prosessi,
jossa data voi toimia uusien ideoiden lähteenä.
Data on hyvä renki mutta huono isäntä. Se on
meille juuri niin arvokasta kuin sen pohjalta tehdyt
päätökset ovat. Tässä tutkimuksessa pureudumme
ydinkysymyksiin, joita liikkeenjohdon tulisi huo-
mioida suunnitellessaan ja johtaessaan liiketoimin-
toja datakylläisessä maailmassa.
Se, onko yrityksellä parhaat data-analyytikot käytössään,
ei ole merkityksellistä, jos kukaan organisaatiosta ei tiedä,
miten dataa sovelletaan. Data on liiketoiminta-asia, ei IT -asia.
micheline casey,
coloradon osavaltion tietojohtaja
2012
Magenta Advisoryn tutkimus
Tietopohjainen päätöksenteko –
Onko organisaatiosi valmis Big Dataan?
I
II
III
Big datan
mahdollisuudet
Tyypilliset haasteet
big datan
hyödyntämisessä
Tietopohjaisten
operaatioiden
rakentaminen
otsikot

04 Big datan mahdollisuudet
Mitä on big data
Perinteisesti big dataa luonnehditaan kolmen omi-
naisuuden kautta: datan määrä (volume), moninai-
suus (variety) ja nopeus (velocity).
MääräTietolähteiden määrä kasvaa eksponentiaalisesti,
ja IBM:n tutkimuksen (2011) mukaan maailmanlaajuises-
ta datasta 90 % on luotu edellisten kahden vuoden aika-
na.Tämä tosiasia kertoo meneillään olevan muutoksen
voimakkuudesta. Big datalla tarkoitetaan suurta ja jär-
jestämätöntä sähköisen tiedon määrää, jota perinteiset
tiedonkäsittelyyn tarkoitetut työkalut eivät pysty käsit-
telemään. Tällaiset teratavuiset tietomäärät luovatkin
tarpeen siihen tarkoitetuille hajautetuille ja usein pilvi-
pohjaiselle tiedonhallinnan työkaluille.
Moninaisuus Ei ole kauaa ajasta, kun yritysten
data koostui pääasiassa yrityksen sisäisistä lähteistä
kerätystä datasta, joka oli jäsennetty sen omille
palvelimille esimerkiksi asiakaskannan tai yrityksen
tarjooman mukaan. Nykyään data voi olla hyvinkin
moninaista ja peräisin myös kolmansien osapuolien
lähteistä. Kolmansien osapuolten tietolähteet voivat
vaihdella julkisesta tai ostetusta datasta kumppaneiden
tai isännöityjen sovellusten dataan, esimerkiksi
avainsanahakuun tai kamppaniadataan.
Nopeus Datan dynaaminen mallintaminen on
syrjäyttämässä staattiset tietokannat. Esimerkiksi Tesco
integroi lähipäivien säätiedot ostotoiminnan optimoinnin
tueksi. Automatisoitujen algoritmien ansiosta yritykset
voivat reagoida kuluttajien käyttäytymiseen ja
optimoida tarjoomansa reaaliaikaisesti kunkin kuluttajan
preferensseihin sopivaksi.
Kohdeyleisön määrittäminen tietylle tuotteelle
perustuen kuluttajien twiittauksiin, tykkäyksiin ja
jakamisiin sosiaalisissa medioissa eroaa suuresti
yritysten palvelimilla olevan perinteisesti järjestetyn
datan analysoinnista. Tulevaisuuden kilpailukykyä
luodaan yhdistämällä dataa useista eri tietolähteistä sekä
analysoimalla ja hyödyntämällä sitä liiketoiminnassa.
Mitä big data tarkoittaa
liiketoiminnan näkökulmasta
mit:n tutkimus ”Miten tietopohjainen päätöksenteko
vaikuttaa yrityksen suorituskykyyn?” (2012) kertoo,
että big dataa ja analytiikkaa liiketoiminnassaan
hyödyntävät yritykset ovat keskimäärin 5–6 % kan-
nattavampia kuin kilpailijansa.
Kun konsulttiyhtiö McKinsey vertasi big dataa
hyödyntävien yritysten tuloksentekokykyä kilpaili-
joihinsa, se löysi yhdenmukaisia tuloksia. Kuvion 1
Big datan mahdollisuudet
Maailmanlaajuisen datan määrä kasvaa räjähdysmäisesti. Valtavien
datamäärien ansiosta yritykset tietävät tänä päivänä asiakkaistaan enemmän
kuin koskaan aiemmin. Kaikkia datan käyttömahdollisuuksia ja hyötyjä ei
kuitenkaan vielä tunneta, koska vain murto-osaa datasta analysoidaan
ja hyödynnetään käytännössä.
I

05 Big datan mahdollisuudet
Päivittäistavarakauppiaat
Verkkokauppiaat
Perinteiset jälleenmyyjät
Kasinot
Luottokorttiyhtiöt
Vakuutusyhtiöt
12 11
14
12
3
2
1
11
14
6
5
5
-1
-1
-15
24 22
9 10
9
5
9
9
8
Kuvio 1: Big dataa hyödyntävien yritysten tuloskyky
verrattuna kilpailuun | Percent, 10-year CAGR (1999 – 2009)
Big dataa hyödyntävä yritys kilpailija
Myyntitulot Käyttökate (ebitda)
Lähde: Bloomberg and Datastream, yritysten vuosikertomukset, McKinsey 2011.
mukaan yritykset, jotka hyödyntävät big dataa lii-
ketoimissaan yltävät 7.8 % korkeampiin myyntitu-
loihin sekä 13.8 % parempaan käyttökatteeseen kuin
kilpailijansa.
Big dataa sovelletaan laajasti asiakkuudenhallin-
taan (crm). Ennen digitaalista läpimurtoa tehok-
kainta myyntiä oli jalkatyö. Se oli yksi harvoista
keinoista ylipäätään tavoittaa asiakas, ja siinä asia-
kasviestit pystyttiin räätälöimään reaaliaikaisesti.
Big data mullistaa tämän toimintakentän, sillä se
tarjoaa tavan kohdennettuun, kustannustehokkaa-
seen viestintään massoille monikanavaisesti.
Asiakkuudenhallinta koostuu toimista,
joilla yritys hallinnoi asiakassuhteitaan.
Asiakkuudenhallinnan tavoitteena on maksimoida
asiakkaan elinkaaren arvo tarjoamalla oikeita vies-
tejä oikeaan aikaan oikeissa kanavissa. Asiakkaan
elinkaari voidaan karkeasti jakaa neljään vai-
heeseen: tietoisuus, sitoutuminen, ostaminen ja
säilyttäminen.
Data on asiakkuudenhallinnan polttoaine. Sen
avulla yrityksen tarjooma, myynti, markkinointi ja
asiakaspalvelu voidaan erilaistaa kunkin asiakkaan
preferensseihin sekä potentiaaliin sopivaksi.Lisäksi
data ohjaa investointipäätöksiä kohdistamalla
budjetti niihin myynnin, markkinoinnin ja asia-
kaspalvelun aktiviteetteihin, joissa on suurimmat
tuotto-odotukset.
Markkinointiautomaatio on yksi tärkeimmistä
tavoista hyödyntää big dataa. Markkinointiauto-
maatiolla tarkoitetaan prosessia, jossa kunkin asi-
akkaan kiinnostuksen ja potentiaalin perusteella
räätälöidyt markkinointiviestit lähetetään vastakai-
kuna hänen käyttäytymiselleen (bahavior triggers).
Markkinointiautomaation päähyödyt ovat parantu-
nut konversio, paremmin linjatut myynti- ja mark-
kinointiosastot sekä paremman kohdistettavuuden
myötä lisääntynyt markkinoinnin tehokkuus.
Sen lisäksi, että asiakkaat luovat kassavirtaa yri-
tykselle,he luovat yritykselle referenssiarvoa esimer-
kiksi suositellessaan yrityksen tuotteita ja palveluja
muille asiakkaille ja prospekteille tai osallistuessaan
yrityksen tuotekehitykseen. Referenssiarvon merki-
tys kasvaa jatkuvasti, koska se on merkittävä ajuri
tulevaisuuden kassavirtojen ennustajana.

06 T y ypillisiä big datan hyödyntämisen ha asteita
II Tyypillisiä big datan
hyödyntämisen haasteita
picasson on todennut: ”Tietokoneet ovat turhia. Ne
voivat antaa vain vastauksia”. Lausahduksessa pii-
lee viisaus; mikään teknologia ei pysty yksin ratkai-
semaan käytännön haasteita.Usein juuri niin kutsu-
tut ’pehmeät’ asiat erottavat menestyksekkäästi big
dataa soveltavat yritykset muista. Pehmeillä asioilla
viittaamme yrityksen kykyyn suunnitella, rakentaa
ja hyödyntää työntekijöistä, prosesseista sekä työka-
luista syntyviä kokonaisuuksia.
Työskennellessämme asiakkaidemme kans-
sa aiheen tiimoilta, olemme huomanneet monen
yrityksen kohtaavan seuraavat haasteet big datan
hyödyntämisessä.
Nopeasti kehittynyt teknologia on tuonut ulottuvillemme laajan kirjon
erilaisia tietojärjestelmiä tukemaan yrityksiä big datan hyödyntämisessä.
Miksi silti vain harvat yritykset onnistuvat hyödyntämään big dataa
menestyksekkäästi?
01
Epäselvä visio ja
lähestymistapa big dataan
Yksi yleisimmistä haasteista big datan hyödyntämi-
sessä on organisaatiossa vallitsevat eriävät käsitykset
yrityksen visiosta, tavoitteista ja datan roolista näiden
toteuttamisessa.Tuloksena saattaa olla ristiriitaisia
näkemyksiä big data -hankkeen päämääristä ja niiden
saavuttamiseen vaadittavista investoinneista sekä siitä,
miten vastuut tulisi jakaa.Tällaiset epäsuhdat organi
saatiossa tekevät big data -hankkeista tehottomia
ja hajanaisia.
02
Muutoksen näkeminen
vain teknisenä haasteena
Toinen tyypillinen haaste on liiallinen keskittyminen
tiedonkeruun ja -taltiointijärjestelmien rakentamiseen.
Myös eConsultancy (2013) on tunnistanut tämän
yhdeksi suurimmista haasteista datakeskeisen kulttuurin
luomisessa. Pelkillä työkaluilla ei siis voida saavuttaa big
datan hyötyjä, sillä lähes aina ihmiset ovat pääosassa
sovellettavissa olevien johtopäätösten vetämisessä ja
niiden pohjalta toimimisessa.

07 T y ypillisiä big datan hyödyntämisen ha asteita
Tietokoneet ovat turhia.
Ne voivat antaa vain vastauksia
pablo picasso
03
Resurssi- ja osaamistarpeiden
aliarviointi
Forresterin (2013) tutkimuksen
mukaan vain 17 % sähköistä liiketoi-
mintaa harjoittavista yrityksistä sanoo
henkilöstömääränsä olevan riittävä
tavoitteiden toteuttamiseen. Data-
analyytikoiden kohdalla ilmiö elää vielä
voimakkaampana. Laajoja tietomääriä
sekä liiketoiminnan lainalaisuuksia hyvin
hallitsevia analyytikkoja on harvassa, ja
heidän palkkaamisensa saattaa maksaa
yritykselle maltaita.
Yritykset kompastuvat usein seuraa-
viin ansoihin palkatessaan osaajia big
datan hyödyntämistä varten:
· Riittämätön ymmärrys roolissa
menestymiseen tarvittavista taidoista.
· Toimialakokemuksen asettaminen
etusijalle data- ja analytiikkako-
kemukseen nähden.
· Uskomus, jonka mukaan uusi,
kehittynyt teknologia vähentää
osaamistarvetta.
04
Operatiivisten vaikutusten
aliarviointi
Muuttuminen big dataa menestyksekkäästi hyödyntäväksi yritykseksi
edellyttää usein suuria muutoksia yrityksen prosesseissa.Valitettavasti
operatiiviset vaikutukset usein aliarvioidaan, eikä tarvittavan muutok-
sen laajuutta täysin ymmärretä.Tällainen aliarviointi johtaa helposti
siihen, ettei yritys pysty toimimaan tuloksekkaasti tuottamiensa ana-
lyysien pohjalta – edes silloin kun yritys on jo onnistunut palkkaamaan
osaavat ihmiset ja ottamaan käyttöön toimivat työkalut. Näin big data
-hanke ei kykene osoittamaan tuottamaansa arvoa, ja yrityksen johto
saattaa evätä tukensa siltä. Sen seurauksena muutoin kannattava hanke
saatetaan supistaa tai lopettaa kokonaan.
05
Etupainotteiset investoinnit
Yritykset, jotka ovat asettaneet hyvin kunnianhimoisia tavoitteita, jäävät
usein puolitiehen niitä tavoitellessaan. Ei olekaan yllättävää, että yrityk-
set, jotka ovat asettaneet hyvin kunnianhimoisia tavoitteita, jäävät usein
puolitiehen niitä tavoitellessaan. Siinä missä kunnianhimoiset tavoitteet
ovat vain positiivinen asia, usein vahvasti etupainotteiset investoinnit ja
hanakka liikkeellelähtö johtavat siihen, etteivät yritykset ehdi tunnis-
taa tärkeimpiä arvoa tuottavia tekijöitään tai keinoja saavuttaa niitä.
Organisaation oppiminen vie aikaa ja suuret harppaukset kehityspolun
alkuvaiheessa saattavat johtaa koko hankkeen väärään suuntaan.

08 Tietopohjaisten oper a atioiden r akentaminen
Tietopohjaisten operaatioiden
rakentaminen
III
Kokemuksiimme perustuen olemme tunnistaneet käytäntöjä, jotka
johtavat onnistuneeseen tietopohjaiseen päätöksentekoon organisaatiossa.
Esittelemme teille nämä käytännöt kolmessa seuraavassa kappaleessa:
Visio ja suunnitelma, Kyvykkyystarpeiden määrittely, sekä Menestyksekäs
kyvykkyyksien rakentaminen.
Onnistuneen tietopohjaisen toiminnan perustana
on, että organisaatiossa on jaettu ymmärrys toimin-
nan tahtotilasta ja tavoitteista. Jotta johto voi var-
mistaa tärkeimpien sidosryhmien yhtenäisen toimi-
misen valitun suunnan mukaisesti tulee heillä olla
kirkas visio big datan käytöstä, mitattavissa olevat
tavoitteet, sitoutuminen datan käyttöön ja tahto-
tila valtuuttaa avainhenkilöitä toimimaan dataan
pohjautuen.
Jaettu visio Kun yritykset aloittavat big datan hyö-
dyntämisen, monet aloittavat virheellisesti jo ole-
massa olevasta datasta; he alkavat analysoida, mitä
dataa heillä jo on ja, miten he voisivat sitä käyt-
tää. Tämä on tärkeää, mutta ennen tätä tulee sel-
vittää halutut päämäärät ja lopputulemat, muuten
nykyinen data ohjaa ajattelua liiaksi.Yritysten tulee
miettiä,onko big datan esimerkiksi tarkoitus nostaa
asiakaspalvelun tasoa tai vahvistaa kuluttajien kans-
sa käytävää vuoropuhelua? Vai tuleeko big datan
tuottaa suoria myyntiliidejä?
Selkeästi muotoiltu visio ja strategia vastaa kaik-
kiin näihin kysymyksiin ja kristalloi tavoitteet,jotka
yrityksellä on big datan suhteen. Kun visio ja tavoit-
teet jalkautetaan keskeisille työntekijöille, yritys
saa vankan pohjan big datan menestyksekkääseen
käyttöön.
Mitattavat tavoitteet Sen jälkeen kun visio on
selvä, tulisi johdon asettaa selkeästi mitattavat
tavoitteet big data -aloitteelle. Tavoitteiden tulisi
ohjata yritystä valittuun suuntaan ja mahdollistaa
tulosten seurannan. Olennaista on, että tavoittei-
den saavuttamista seurataan muutamilla tärkeim-
millä liiketoiminnan tulosmittareilla (kuten kasva-
nut myynti ja kannattavuus tai asiakastyytyväisyys).
Mittaamisen painopiste ei saa olla käyttöönoton
toteutuksen seurannassa – esimerkiksi siinä, toteu-
tuiko käyttöönotto ajallaan tai pysyikö se budjetis-
saan. Liiketoiminnan tulosmittareihin keskittymi-
nen auttaa yritystä edistämään big datan käyttöä ja
etsimään ratkaisuja, jotka tuottavat yritykselle kor-
keimman sijoitetun pääoman tuoton.
Johdon tuki ja valtuutus Sen jälkeen kun visio
ja mitattavat tavoitteet on luotu, tulee johdon jal-
kauttaa ne organisaatioon ja varmistaa sitoutumi-
nen niihin. Samalla allokoidaan tarvittavat resurs-
sit ja valtuutetaan ydinhenkilöt ja tiimit toimimaan
tavoitteita vasten. Koska edessä on pitkä ja haasta-
va muutoshanke kohti tietopohjaista päätöksente-
koa, on ratkaisevaa, että johto on aidosti sitoutunut
hankkeeseen.
1 . V i s i o j a s u u n n i t e l ma

Kokemuksemme kertoo, että kun yritys on menes-
tyksekkäästi lanseerannut uuden teknologian, se
usein odottaa operaatioiden soljuvan kuin itsestään.
Yrityksen operaatiot ovat kuitenkin vain yhtä vah-
vat kuin niiden heikoin lenkki on. Seuraavassa kap-
paleessa pohdimme, miten rakentaa tasapainoinen
kokoonpano ihmisiä, prosesseja sekä työkaluja lii-
ketoiminnan tueksi, jotta big dataan liittyvät tavoit-
teet voidaan saavuttaa.
Ihmiset
Menestyksekkään organisaation luominen koostuu
kolmesta alueesta: ihmisten taidoista, lukumäärästä,
sekä organisoitumisesta.
Taidot Tarvittavien taitojen määrittely tulisi aina
alkaa työtehtävään tarvittavan roolin määrittelystä,
jonka jälkeen kartoitetaan, mitkä taidot ovat edel-
lytys roolissa menestymiselle. Arvokasta on löytää
niitä osaajia, joilla on laaja kokemuspohja analytii-
kan alueella, mutta jotka samaan aikaan ymmärtä-
vät, mistä yrityksen arvo syntyy. Oikea koulutus ei
usein riitä, vaan erityisesti yrityksessä, jossa data-
pohjainen operointi on uutta, korostuu kokemuk-
sen merkitys.
Jotta big datan käyttöönotossa onnistutaan,tulee
yritysten varata tarpeeksi aikaa osaajien etsimiselle.
Koska digitaaliset operaatiot ovat yksi nopeimmin
kasvavista liiketoiminnan alueista, oikeiden ihmis-
ten löytäminen ei välttämättä ole helppoa.
Tilapäisten osaajien käyttäminen voi olla järke-
vää, jos sopivia osaajia rooleihin ei löydy heti. Eri-
tyisesti, jos dataoperaatiot ovat yritykselle alueena
uusi, on kannattavaa käyttää ulkopuolista osaajaa
apuna uuden liiketoiminta-alueen pystyttämiseen.
Tyypillisesti apua kannattaa ottaa määrittelemään
tarvittavaa kyvykkyyksien kokonaisuutta tai palka-
ta tilapäinen liiketoiminnan käynnistäjä (niin kut-
suttu ramp-up manager), joka rakentaa osaamista
ja pystyttää alueelle toimivat ja mitattavat proses-
sit. Liiketoiminnan käynnistäjä toimii tehtävässään
kunnes lopullinen liiketoimintajohto on löydetty
ja koulutettu. Ulkopuolisen avun käyttö voi auttaa
yritystä välttämään tyypillisimpiä sudenkuoppia ja
kiihdyttämään uusien toimintatapojen juurrutta-
mista organisaatioon.
Ihmisten lukumäärä Yritykset usein aliarvioivat
henkilöstömäärätarpeen liittyen big datan menes-
tyksekkääseen hyödyntämiseen.
Tarvittavien resurssien määrä tulisi perustua sekä
operaatioiden laajuuteen että tavoitteisiin sekä toi-
mintojen luonteeseen, kuten automatisaation astee-
seen. Esimerkiksi, markkinoinnissa tämä voisi tar-
koittaa räätälöinnin määrää ja monimutkaisuutta,
sekä automoinnin astetta eri markkinointikanavissa.
Tietopohjaiseen liiketoimintaan siirryttäessä
uusia osaajia tarvitaan eri puolilla organisaatiota.
Itsestään selvää on tarve datan keräyksen, mallin-
nuksen, ja analysoinnin alueella sekä näitä tukevis-
sa funktioissa, kuten infrastruktuuri sekä tietoturva.
Toinen alue on liiketoiminnan puoli,jossa tarvitaan
osaajia pyörittämään päivittäistä liiketoiminnan
optimointia (myös niin sanotus automoidun opti-
moinnin tapauksessa), sekä tietopohjaisiin kanava-
kehitystehtäviin.
Yritykset, joille kohdennettu markkinointi on
uutta, yllättyvät usein sisällön luonnin työmäärän
voimakkaasta kasvusta. Esimerkkinä tästä toimii
case yhtiömme Gilt, joka lähettää asiakkailleen
3 000 erilaista versiota päivittäisestä markkinoin-
tikirjeestään. Koska sisällön luonti on usein koko-
naan tai osittain ulkoistettu, saattaa monien eri
tekstiversioiden ja visuaalisten sisältöjen luonti
tulla yritykselle kalliiksi. Vaikka implementoinnin
kanssa edettäisiin pienin askelin, tulee tämä pitää
mielessä pitkän aikajänteen budjetoinnissa.
Organisoituminen Ei ole yhtä ainoaa oikeaa tapaa
organisoida big data operaatiot. Kun määritte-
lemme digitaalisia organisaatioita asiakkaillemme,
paneudumme muun muassa seuraaviin asioihin:
liiketoiminnan luonteeseen lyhyen ja pitkän aika-
välin tavoitteisiin sekä strategiaan, joka määrittää,
miten liiketoiminnan tavoitteisiin päästään. Lisäk-
2 . K y v y k k y y sta r p e i d e n m ä ä r i tt e ly

si pureudumme nykyoperaatioiden maturiteettiin,
sekä nykyisen organisaation vahvuuksiin, heikko-
uksiin ja yrityskulttuuriin.
Klassiset vaihtoehdot organisoida yrityksen
toiminto on, joko keskittää se yhdeksi osaamisen
keskukseksi, hajauttaa se eri liiketoimintayksiköi-
den alle, tai, organisoida osaaminen matriisiin lii-
ketoimintayksiköihin nähden. Usein on tarkoituk-
senmukaista organisoitua mahdollisimman lähelle
liiketoimintaa. Big datan käyttö kuitenkin vaatii
syvää erityisosaamista, jolloin on edullisinta toimia
yhtenä tiiviinä yksikkönä.Tämä tarve korostuu kun
osaamisen alue on yritykselle uusi.
TYÖKALUT
Työkalut voidaan jakaa kolmeen erilaiseen ryh-
mään niiden käytön mukaisesti: tiedonkeräykseen
ja -varastointiin, analysointiin sekä päätöksentekoa
tukeviin työkaluihin.
Tiedonkeräys ja -varastointityökalut on selkeä
oma tuotekategoriansa. Näiden työkalujen markki-
nat alkavat jo osoittaa saturoitumisen merkkejä, ja
saatavilla on runsaasti valmiita sekä räätälöityjä tie-
don keräykseen ja varastointiin soveltuvia työkaluja.
Analysointityökalut Termi analytiikka viittaa
tilastolliseen sekä teknologia-avusteiseen päätök-
sentekoa tukevaan oppimiseen. Sopivan analysoin-
tityökalun hankkiminen tai kehittäminen on tällä
hetkellä monen yrityksen agendalla. Tiedon ana-
lysointiin liittyvien työkalujen haasteena on, ettei
ostaja usein osaa määritellä niiltä vaadittuja omi-
naisuuksia. Usein haasteita aiheuttavat datan muo-
tovaatimukset liittyen sekä lähdedataan, että sovel-
luskelpoiseen tietoon.
Päätöksentekoa tukevat työkalut Data luo
arvoa vain siinä määrin kuin se on hyödynnettävis-
sä ja liiketoimintaan sovellettavissa.Tiedon sovelta-
miseen sekä päätöksenteon tukemiseen kehitettyjen
työkalujen tarve usein aliarvioidaan. Kokemuksem-
me mukaan juuri näistä työkaluista on big dataa
operoivissa yrityksissä suurin pula. Useimmat yri-
tykset hyötyisivät merkittävästi lisäinvestoinneista
näihin työkaluihin, sekä koulutuksesta työkalujen
käyttäjille, jotta jo olemassa olevista työkaluista
saadaan niitä vastaava hyöty. Huomionarvoista on,
että näiden työkalujen käyttäjät eivät ole data-ana-
lyytikkoja, vaan aivan toisten liiketoiminta-aluei-
den osaajia,sekä yrityksen johtoa.Varmista siis,että
työkalut tukevat näiden henkilöiden nykyisiä toi-
mintatapoja ja prosesseja.
Kun hankit uutta teknologiaa,
huomioi seuraavat seikat:
• Määritä työkalulle asetetut
vaatimukset datan loppukäyttöön
perustuen.
• Varmista, että työkalu tukee
lähdetietojen formaattia ja kykenee
yhdistämään dataa eri lähteistä, myös
kolmansien osapuolien dataa.
• Tee datan puhdistaminen ja ylläpito
helpoksi. Luodun ymmärryksen arvo
on juuri niin hyvä kuin lähdedatan
laatu on.
• Varmista, että yrityksen eri
työkalujen käyttöliittymät tukevat
toisiaan.
• Katso, että työkalut vastaavat
alkuperäisiin liiketoimintaongelmiin
ja tukevat niiden nykyisiä sekä
tavoiteltuja käyttötarkoituksia.
• Investoi helppoon käytettävyyteen,
kuten intuitiiviseen käyttöliittymään
sekä helppoon sisäänkirjautumiseen
(single-sign-on).
• Muista, että älykäs analyysityökalu
vaatii enemmän myös käyttäjältään
ja henkilöinvestointien tarve
saattaa kasvaa.
• Kehitä uusia työskentelytapoja
vähitellen, rinta rinnan
teknologiainvestointien kanssa.

11 case study – gilt groupe
Gilt on ’datanatiivi’ vuonna 2007 perustettu
big dataa vahvasti hyödyntävä verkkokauppa,
jonka erikoisalana on niin kutsuttu tyhjen-
nysmyynti (flash sales). Sen asiakastarjooma
on houkutteleva: designer-tuotteita jopa
70 % alemmalla hinnalla kuin kilpailijoilla.
Tärkeä osa Giltin kasvutarinaa on myös
nykyisten asiakkaiden palkitseminen uusien
jäsenien kutsumisesta Gilt-yhteisöön.
Ylivoimainen analytiikkatoiminto
Gilt erilaistaa tarjoamaansa sekä asiakasvies-
tintäänsä hyväksikäyttäen big dataa pitkälle
kehitetyn analytiikan avulla. Heidän kilpailu-
valttinsa perustuu reaaliaikaiseen datan kerä-
ykseen useista eri lähteistä. Analyyseissään
he yhdistävät muun muassa käyttäytymis-,
osto-, demografista-, sekä inventaaridataa.
Lisäksi Gilt analysoi kuluttajien tuntemuk-
sia brändiä kohtaan esimerkiksi tweettien
perusteella. Kaikki data prosessoidaan työn-
tekijöiden helposti sovellettavaan muotoon;
tuloksia voidaan jyvittää jopa asiakasprofiili-
en tasolle.Toinen esimerkki Giltin aktiivises-
ta sosiaalisen median soveltamisesta koskee
Facebookia, jossa Gilt vastaa proaktiivisesti
kuluttajien kommentteihin ja palautteisiin, ja
jatkaa keskustelua heidän kanssaan kahden
kesken muissa kanavissa.
Gilt on edistyksellinen myös kehittäes-
sään omia kanaviaan tietoperusteisesti, ja
nykyään jo yli 35 % sen myyntituloista tulee
älypuhelimista ja tableteista.
Työntekijät valtuutettu
tietopohjaiseen päätöksentekoon
Giltin liikeidea perustuu big datalle, joten
päivittäinen tietopohjainen päätöksenteko
on sen DNA:ssa. Giltin työntekijöillä on
käytössään päätöksenteon mittaristo, joka
on räätälöity eri tuoteryhmille, osastoille
sekä organisaation tasoille. Ja mikä tärkein-
tä, ihmiset on valtuutettu toimimaan tämän
neljän tunnin välein päivittyvän tietomassan
pohjalta. Lisäksi Gilt tuottaa satoja ad hoc
-raportteja viikoittain.
Case esimerkki
Kyse onyksilöllisestä
asiakasvuorovaikutuksesta.
Joka päivä kello 12 lähetämme
asiakkaillemme 3 000 erilaistaversiota
markkinointikirjeestämme.
alexis maybank
gilt groupe
T IE T O P O HJ A INEN PÄÄT ÖK S EN T EKO
Lähde: McKinsey 2012,Asterdata 2012,
Apparel, 2012,Techcrunch, 2012, Google Analytics,
Magenta Advisory analyysi.
Giltin menestystekijät:
• Useat tietolähteet
• Datan tuoreus
• Järeät, pilvipohjaiset
analytiikkatyökalut
• Tarvelähtöiset, liiketoimintaa
tukevat analyysit
• Asiakasprofiiliperusteinen
analytiikka
• Reaaliaikainen tiedon
hyödyntäminen
• Työntekijöiden valtuutus
tietopohjaiseen päätöksentekoon
• Oman kanavakokonaisuuden
kehittäminen tietopohjaisesti

Kuva 2: Asiakasprofiilipohjaisen markkinoinnin toiminnot
Profiilinrakentaminen
Profiilinhyödyntäminen
Asiakasprofiilin rakentaminen
Rakenna asiakasymmärrystä | Luo ja hallinnoi liiketoimintasääntöjä
Puhdista ja hallinnoi profiilidataa
Liiketoiminnan tavoitteet
Ohjaa asiakasdatatyötä liiketoimintatavoitteisiin perustuen
Asiakasdatan keräys
Kerää asiakasdataa (sisäistä, julkista, ostettua dataa) | Kerää markkinointiluvat
Yhdistä ja hallinnoi dataa
Sovelletta-
vissa oleva
asiakas-
profiili
Suorituskyvyn johtaminen
Raportoi ja seuraa | Opi ja kehitä jatkuvasti
asiakasvuorovaikutus
Luo ja hallinnoi automaattisia markkinoinnin liikkeellepanijoita (behavioral triggers)
Hallinnoi asiakasvuorovaikutusta monikanavassa
Markkinointisisällön luonti
Luo sisällön variantit | Varastoi sisältö mahdollistaen uudelleenkäyttö
Markkinoinnin suunnittelu
Suunnittele markkinoinnin konseptit ja sisältö
Kehitä ja hallinnoi kanavia
Lähde: Magenta Advisory analyysi

Prosessit
Operatiivinen malli tarkoittaa kuvausta organisaa-
tiosta, toiminnoista ja teknologioista, jotka yhdessä
mahdollistavat organisaation ydintehtävän toteut-
tamisen. Mutta mitä toimintoja löytyy markki-
nointifunktiosta, joka lähettää asiakasviestejä rää-
tälöidysti asiakkaan käyttäytymiseen perustuen?
Kuva 2 kokoaa yrityksen automatisoidun asiakas-
profiilipohjaisen markkinoinnin toiminnot. Tällai-
nen toimintokuvaus voi toimia pohjana operatiivi-
sen mallin kehittämiselle.
Asiakasprofiilipohjaisen, automatisoidun mark-
kinoinnin toteuttaminen on monen yrityksen tah-
totila. Muutos perinteisesti toimiviin, sisältölähtöi-
siin markkinointiosastoihin on valtava.
Ajurina asiakasprofiilipohjaisessa markkinoinnis-
sa ovat aina liiketoimintatavoitteet. Ensimmäisenä
kerätään tai ostetaan korkealaatuista dataa, sekä
pyydetään markkinointiluvat. Datan lopullinen
käyttötarkoitus on pidettävä mielessä alusta saakka
ja on pyrittävä yhteismitalliseen ja ajan tasalla ole-
vaan dataan. Tärkeää on myös datan eheys (integri-
ty) liitettäessä yhteen dataa useista lähteistä. Läh-
teitä on hurja määrä, datatyypit vanhenevat eri
aikatauluissa ja niihin kohdistuu eri lainsäädäntöjä,
jotka myös vaihtelevat maittain. Järjestelmien sekä
ihmisten lisäksi tämä luo suuret muutospaineet
työn tekemisen tavoille.Tarvitaan yhteistyötä muun
muassa IT, asiakasymmärrys- ja liiketoimintatiimi-
en, sekä myös eri maaorganisaatioiden välille.
Tämän pohjalta luotava asiakasprofiili on tärkeää
pitää ajan tasalla systemaattisen putsausprosessin
avulla. Liiketoimintasäännöt luovat datalle merki-
tyksen; ne antavat tiedolle rakenteen ja mahdollis-
tavat sen soveltamisen käytäntöön. Markkinointi-
sisällöstä suunnitellaan ja luodaan variantteja eri
asiakasryhmien tarpeiden mukaisesti ja niitä hallin-
noidaan mahdollistaen niiden automatisoitu käyttö.
Asiakasvuorovaikutus toteutuu, kun asiakkaan käy-
tös panee liikkeelle siihen sopivan sisällön. Tämän
määrittää liiketoimintasääntö. Asiakasvuorovaiku-
tusta seurataan ja kehitetään monikanavaisesti.
Kuvattu toimintojen kokonaisuus on tosielä-
mässä hyvin monimutkainen.Toimiva käytäntö on
aloittaa aina ylätason määrittelyistä. Kuten sanonta
kehottaa, ’tee oikeita asioita asioiden oikein teke-
misen sijaan’. Vältä tilannetta, jossa määrittelet ja
jalkautat ensin yhden alueen kokonaisuudessaan
ennen siirtymistä seuraavaan
Puhuttaessa operatiivisesta mallista on hyvä
muistaa myös epäviralliset vaikuttamisen tavat. Yri-
tyskulttuurin osana erityisesti päätöksenteon kult-
tuuri, toiminnan kellotaajuus, sekä niin kutsuttu
testaamisen ja epäonnistumisen salliva kulttuuri ovat
tärkeällä sijalla, kun yritykset siirtyvät vahvemmin
data-vetoisiksi.
Päätöksenteon kulttuuri On mukavaa kun on
paljon dataa. Moni johtaja alkaa kuitenkin hikoile-
maan kun päätökset pitäisi aidosti tehdä faktapoh-
jaisesti.Big datan hyödyt saavutetaan luonnollisesti
vain silloin, kun dataa sovelletaan päätöksentekoon.
eConsultancyn start-up yrityksille (2013) tekemän
kyselytutkimuksen mukaan vain 27 % vastanneista
yrityksistä uskoi, että datan käyttäminen päätök-
sentekotilanteissa on välttämätöntä.
Toiminnan kellotaajuus Tietopohjainen liiketoi-
minta vaatii täysin erilaisen toiminnan kellotaajuu-
den kuin mihin monissa yhtiöissä on totuttu.Uusia
ismejä ja termejä on monia, kuten esimerkiksi agi-
le verkkokauppa, tai reaaliaikainen asiakaspalvelu.
Mikä ikinä on termi, näitä kaikkia yhdistää jatku-
van testauksen ja kehittämisen mentaliteetti, joka
vaatii aina seurakseen ketterän toimintatavan.
Testaamisen ja epäonnistumisten salliva
kulttuuri Kun yritys lähtee kehittämään big
dataan vaadittavia kyvykkyyksiä, sen oppiminen
vain harvoin etenee suoraviivaisesti. Menestyjät
onnistuvat omaksumaan uusia toimintatapoja mui-
ta ketterämmin. Seuraavat organisaation piirteet
ovat tässä avuksi: yksilöiden itsensä likoon laittami-
nen, halukkuus kyseenalaistaa vanhoja toimintata-
poja ja valmius rakentaa tiimejä yksilöistä, joilla on
hyvinkin toisistaan poikkeavat taustat. Yrityskult-
tuurin kehittämisen tulisi olla yhtä systemaattista
kuin itse kyvykkyyksienkin rakentamisenkin.
Yrityskulttuurin rakentaminen ja vakiinnut-
taminen on siis hyvin keskeisessä asemassa tieto-
pohjaista päätöksentekoa korostavassa yrityksessä.
Yrityskulttuurin kehittäminen tulisi aloittaa mah-
dollisimman aikaisin ja sitä tulisi kehittää samanai-
kaisesti kyvykkyyksien rakentamisen kanssa.
Asiakasvuoro-
vaikutusta seurataan
ja kehitetään
monikanavaisesti.

1
Investoi datan
keräämiseen
Yrityksen IT-osasto käynnistää
hankkeen, jonka tavoitteena on ostaa
ja ottaa käyttöön datan keräyksen
ja varastoinnin työkalu.
2
Rakenna analyysejä
ja luo ymmärrystä
Yritys huomaa, ettei se voi soveltaa
kerättyä dataa ja investoi analytiikan
kehittämiseen.
3
Käynnistä dataa
hyödyntäviä toimintoja
Viimein yritys käynnistää toimintoja
hyödyntääkseen dataa, mutta huomaa,
ettei luotu analytiikka ole sovelluskel-
poista ja että sillä on puutteita ihmisten
osaamisessa sekä prosesseissa.
Perinteinen lähestymistapa
kyvykkyyksien rakentamiseen
Perinteinen kyvykkyyksien rakentamisen kulttuuri
on kypsynyt eri toimialoilla aikojen saatossa. Mal-
lia on otettu esimerkiksi rakennusteollisuudesta.
Tätä vanhaa tapaa ei usein kyseenalaisteta vaan sitä
sovelletaan myös nykyisen liiketoiminnan kehitys-
hankkeisiin, kuten big data –muutoshankkeisiin.
Hieman karrikoitu kuvaus big data hankkees-
ta perinteistä kyvykkyyksien rakentamisen tapaa
mukaillen voisi olla kuvan 3A kuvauksen mukainen:
Ensin kaikki tarmo pistetään datan keräyksen
ja varastoinnin kyvykkyyksiin jolloin analysointiin
panostaminen jää vähäiseksi. Tyypillisesti tällöin
tehdään mittava investointi, joka mahdollistaa
moninaisen lähdedatan keräämisen, mutta ei vält-
tämättä täytä kaikkia työkalulle asetettuja liiketoi-
mintavaatimuksia. Projekti toteutetaan tyypillisesti
IT-osaston toimesta.
Vaiheessa kaksi johto huomaa, ettei yritys pysty
soveltamaan raakadataa käytäntöön. Tätä puutetta
lähdetään paikkaamaan investoimalla analyysiky-
vykkyyksiin,ja tiedon lopullinen käyttötarkoitus jää
edelleen epähuomioon.
Lopuksi, yritys alkaa suunnitella ja toteuttaa
toimintoja analyysiin perustuen. Tämä osoittautuu
haasteelliseksi, sillä analyysin lopputulemat eivät
ole sovelluskelpoisia. Lisäksi, organisaation tieto-
taito ei ole vielä kehittynyt teknisiä kyvykkyyksiä
vastaavalle tasolle, uusista työtavoista ei ole jaettua
näkemystä, ja päätöksentekoa tukevat työkalut ovat
puutteellisia tai niitä ei ole.
Lopputulema on, että yritys epäonnistuu saavut-
tamaan mitattavia tuloksia. Johdon sitoutuminen
hankkeeseen heikkenee ja hanke jää torsoksi.
Etupainotteisilla investoinneilla aloittaminen voi
helposti johtaa siihen, ettei yritys opi tunnistamaan
datan suurimpia liiketoimintahyötyjä, saati hyö-
dyntämään niitä. Monet yritykset myös aliarvioivat
oppimiseen vaaditun ajan.
3. Menest yksek äs ky v ykky yksien r akentaminen
Perinteisen tavan haasteita:
- Suuri kertainvestointi, korkea
CAPEX
- Huono ja jälkijättöinen näkyvyys
hankkeen onnistumiseen, heikot
mahdollisuudet korjata laivan
suuntaa
- Kaikki kerätty raakadata ei luo arvoa
- Ihmis- ja prosessikyvykkyyksien
rakentaminen alkaa myöhässä
- Puutteelliset tietopohjaista
päätöksentekoa tukevat työkalut
- Ristiriita data- ja liiketoimintatiimien
välillä
- Hanketta ei mitata liiketoiminnan
mittareilla vain IT-mittareilla, joka
heikentää näkyvyyttä siihen, missä on
epäonnistuttu
Kuva 3A: Epäonnistunut kyvykkyyksien rakentaminen

1
Käynnistä lisää nykyistä dataa
hyödyntäviä toimintoja
Yritys käynnistää uusia toimintoja
hyödyntääkseen nykyistä dataa
ja samalla kasvattaa ymmärtämystään
data, osaamis- ja työkalutarpeistaan
liiketoiminnan näkökulmasta.
2
Opi rakentamaan strategiaa
tukevaa ymmärrystä
Yritys kasvattaa uutta analytiikka
osaamista liiketoimintalähtöisesti,
suoraan sovellettavaksi.
3
Kasvata datan määrää
& toimintojen mittakaavaa
Yritys on hiljalleen kehittänyt ihmis-,
prosessi ja työkalukyvykkyyksiään ja
on nyt valmis kasvattamaan kerättävän
datan määrää.
Paras käytäntö
kyvykkyyksien rakentamiseen
Ehdottamamme parhaiden käytäntöjen lähestymis-
tapa kyvykkyyksien rakentamiseen on lähes kään-
teinen perinteiseen malliin nähden. Tämä lähesty-
mistapa lähtee liikkeelle jo olemassa olevan datan
hyödyntämisestä entistä tehokkaammin.
Tavoitteena on, että pystytään kotiuttamaan ensim-
mäiset liiketoimintahyödyt hankkeen varhaisessa
vaiheessa ja tunnistamaan ne toiminnot, joissa on
suuret tuotto-odotukset ja matala riski- sekä kus-
tannustaso. Hankkeita lähdetään toteuttamaan
tiimeillä, joissa yhdistyy eri funktioiden ja alueiden
asiantuntemus.Vaikka alussa toimenpiteet ovat ver-
rattain pieniä, suosittelemme yrityksen aloittavan
jo tässä vaiheessa määrätietoisen kyvykkyyksien ja
osaamiskeskittymän rakentamisen.
Näin varhaisessa vaiheessa aletaan myös rakentaa
yrityksen tahtotilaa big datan kanssa. Tahtotilassa
kuvataan, miten data tukee yritystä saavuttamaan
sen liiketoiminnan tavoitteet.
Vaiheessa kaksi rakennetaan olemassa olevan
osaamisen päälle ja luodaan kyvykkyyksiä teke-
mään tarkempaa ja tuloksekkaampaa analytiikkaa
nykyisestä datasta. Kun yrityksen osaaminen tällä
alueella kasvaa, on tärkeää aloittaa faktapohjaisen
päätöksenteon, sekä jatkuvan testaamisen ja opti-
moinnin kulttuurin systemaattinen kehittäminen.
Edellisessä vaiheessa hahmoteltu tahtotilakuvaus
Kuva 3B: Paras käytäntö kyvykkyyksien rakentamiseen
Tärkein osatekijä
datan hyödyntämisessä
on sen vaatima
ajatusprosessi.
catalin ciobanu,
carlson wagonlit travel

saa nyt vahvistusta kasvaneen ymmärryksen kautta.
Kartoitetaan puutteet ja määritellään seuraavat
kehityskohteet datan, analytiikan, taitojen, resurs-
simäärien ja prosessien osalta.
Kolmannessa vaiheessa kasvatetaan jo testattujen
big data -operaatioiden mittakaavaa.Onnistumisen
todennäköisyys kasvaa merkittävästi, kun yrityksel-
lä on toiminnassa oleva tuloksekas analytiikkatiimi,
jolla on olemassa olevat tavat toimia business- ja
muiden sidosryhmien kanssa.
Vasta tässä vaiheessa suosittelemme yrityksen
tekevän suurempia investointeja datan keräämiseen,
analysointiin ja soveltamiseen.
Uuden toimintatavan juurtuminen organisaa-
tioon on hyvällä alulla, mutta vaatii paljon aikaa.
Oppiminen ei ole lineaarista vaan siihen voi tulla
suuriakin viiveitä liittyen toiminnan laajenemiseen,
ydinhenkilöiden vaihtumiseen jne.
Tässä yhteydessä on tärkeää painottaa, että
kyvykkyyksien rakentamisen kolmevaiheinen
kehityspolku ei ole tosielämässä kolmeen vaiheen
lineaarinen prosessi. Kyseessä on iteratiivinen oppi-
misen ja kehittämisen tapa, jossa suuret iteraatios-
yklit pitävät sisällään monia pieniä kokeilemisen ja
oppimisen syklejä. Merkityksellistä on, että tieto
kulkee avoimesti, ja että monimuotoista osaamista
edustavat tiimit valjastetaan ja valtuutetaan jatku-
van kehittämisen moottoriksi.
Lähestymistavan hyödyt:
+ Tuloksia saavutetaan nopeasti
+ Hyvä varmuus teknisten
investointien onnistumisesta
+ Pitkä investointihorisontti, jota
iteroidaan matkan varrella.
Investoinnit toteutuvat vähitellen
+ Ihmiset, prosessit ja yhteistyö kypsyy
ja kehittyy vähitellen
+ Vain sovelluskelpoista dataa kerätään
ja säilytetään
+ Riittävä panostus päätöksentekoa
tukeviin työkaluihin
+ Data- ja liiketoimintayksiköt
työskentelevät yhdessä alusta lähtien
+ Projektin liiketoiminta-arvon
mittaus mahdollista

17 Kuink a Magenta Advisory voi aut ta a organisa atiotasi?
Magenta Advisory auttaa yrityksissä sekä ylintä johtoa että asiantuntijoita
luomaan kilpailuetua sähköisten kanavien avulla. Olipa kyse sitten strategian
luomisesta tai prosessien kehittämisestä, me sitoudumme tekemään asiakkais-
tamme sähköisen maailman markkinajohtajia.
Kuvassa 4 on esillä palveluita, joita tarjoamme yrityksille sähköisissä muutos-
hankkeissa.
Me uskomme pitkäaikaisten asiakassuhteiden rakentamiseen, jotta voimme
työskennellä läpi asiakkaidemme muutosprosessin.Asiakkaamme valitsevat
meidät yhä uudelleen, koska:
• Olemme johtavia asiantuntijoita sähköisessä
ja monikanavaisessa liiketoiminnassa
• Ymmärrämme, että sähköisiä kanavia
pitäisi johtaa liiketoimintaperusteisesti
• Meillä on hyviä tuloksia asiakkaidemme
auttamisessa menestykseen
• Ymmärrämme sekä paikallisten
että monikansallisten brändien toimintaa
• Toimitamme tuloksia
Kuinka Magenta Advisory
voi auttaa organisaatiotasi?
KUVA 4:
Magenta Advisoryn
tarjoama
STRATEGIA CONCEPT
CAPABILITY
DEVELOPMENT
JATKUVA
KEHITTÄMINEN
Vision ja mission
määritys
Strategian määritys
Tavoitteenasetanta
Strategisen
kehityskartan
luominen
Liiketoimintamallin
määritys
Investointilaskelmat
Markkina-analyysi
Kilpailija-analyysi
Liiketoimintakonseptin
määritys
Asiakasarvolupauksen
suunnittelu
Parhaiden käytäntöjen
tunnistaminen
Liiketoimintavaatimus-
ten määrittely
Tarkennetut
investointilaskelmat
Hankesuunnittelu
Toimittajavalinnat
Hankejohto
Hankeauditoinnit
Käyttötapausten
määritys
Toimintatapojen
suunnittelu ja
käyttöönotto
Organisaation
suunnittelu ja
pystyttäminen
Koulutus
Muutoksen hallinta
Liiketoiminnan
mittariston määritys ja
käyttöönotto
Liiketoiminnan
tehokkuuden arviointi
Jatkuvan kehityksen
toimintamallit
Jatkokehityksen
suunnittelu
Vuokrajohto
LIIKETOIMINTA-
KONSEPTI
KYVYKKYYDET

18 Kirjoit tajista
Lotta Kopra
Osakas
Lotta on johtava asiantuntija sähköisen
asiakkuudehallinnan, - myynnin ja –
markkinoinnin alueilla. Lotalla on vankka
kokemus mm. telekommunikaatio-,
vähittäiskauppa-, media-, puunjalostus-,
elektroniikka- ja öljyteollisuus toimialoilta.
lotta.kopra@magentaadvisory.com
+358 50 444 6000
Anni Tupamäki
Konsultti
Anni on sähköisen liiketoiminnan
kehittämisen asiantuntija, jonka
erikoisalueena on sähköinen
markkinointi ja myynti.Anni on tehnyt
projekteja kuluttajatuoteyhtiöiden ja
teleoperaattoreiden parissa.
anni.tupamaki@magentaadvisory.com
Kirjoittajista
yhteystiedot
Magenta Advisory
info@magentaadvisory.com
Bulevardi 6 A 12
00120 Helsinki

Magenta advisory: Tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan?

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (20)

Semelhante a Magenta advisory: Tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan?

Semelhante a Magenta advisory: Tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan? (20)

Mais de BearingPoint Finland

Mais de BearingPoint Finland (6)

Magenta advisory: Tietopohjainen päätöksenteko - onko organisaatiosi valmis big dataan?