Kannattavuutta ei johdeta excelillä

Miten parantaa kannattavuutta dataohjautuvasti? Tähän kysymykseen vastasivat eCraftin Niko Tuominen sekä Capacentin Mikko Eriksson jokin aika sitten webinaarissamme. Avaamme tässä kirjoituksessa samaista aihetta tiivistetysti ja jos aihe kiinnostaa syvemmin, suosittelemme kuuntelemaan webinaaritallenteen. Siihen pääset käsiksi täältä.

 

“Muoti on aaltoliikettä, mutta tyyli on ikuista” – myös analytiikan saralla

Analytiikan kentällä megatrendit, kuten koneoppiminen ja tekoäly, ovat olleet jo pitkään tapetilla. Ihmiset luottavat siihen, että erilaiset algoritmit ratkaisevat jos jonkinlaisia ongelmia mm. bottien ohjaamalla tekemisellä. Nämä ovat toki merkittäviä trendejä, mutta myös analytiikan saralla pätee ajatus: “Muoti on aaltoliikettä, mutta tyyli on ikuista”, tyylin viitatessa analytiikan peruspalikoihin.

Ainakin toistaiseksi ihmisen järjenjuoksu tarvitaan tekemään johtopäätökset ja määrittelemään, mitä algoritmin tulisi suorittaa. Innokkaimmatkin futurisit muistuttavat, että ihmisten uniikit taidot kuten luovuus, innovatiivisuus ja empatiakyky tulevat myös jatkossa pitämään pintansa. Koneet tekevät osan työstä ja auttavat monissa tilanteissa, mutta ihmisen luova ja innovatiivinen ajattelu mahdollistaa lukujen syvemmän tulkinnan.

On tietysti olemassa myös yksinkertaisempia tilanteita, joissa algoritmi esimerkiksi suosittelee tuotteita kuluttajien käyttäytymisen perusteella, mutta erintoten B2B ympäristössä analytiikan vaatimukset ovat haastavammat. Analytiikan tulisi pystyä vastaamaan kysymyksiin kuten: mihin keskittää rajattuja resursseja, mihin tuotekehitykseen panostaa ja miten kehittää myyntiä. Tämän tyyppisissä kysymyksissä isoimmat voitot tulevat edelleen analytiikan perustasta: dataa tulkittaessa päädytään vain yhteen totuuteen.


Yritykset halajavat megatrendien kelkkaan, vaikka perusasiat ovat edelleen lähtöruudussa

Dataohjautuvuus pohjautuu yhteen totuuteen, jota käytetään kautta linjan päivittäisessä työskentelyssä ja päätöksenteon tukena. Tämä saattaa kuulostaa kaiken koneoppimispöhinän keskellä yksinkertaiselta asialta, mutta analytiikan perusedelletykset täytyy olla kunnossa ennen kuin yritys on valmis seuraavaan analytiikkaloikkaan.

Yhden totuuden merkitys on itse asiassa vain korostunut nyt pandemia-aikoina. Etäkonttoreille vetäytyminen on paljastanut monissa yrityksissä tehotonta tiedon siiloutumista. Osastoilta löytyy usein se yksi guru, jolta löytyy aina kahvikoneella vastaus kysymykseen kuin kysymykseen, mutta miten käy, kun henkilö siirtyy eläkepäiville tai yhteydenpito muuten hankaloituu? Tällä hetkellä nämä supervoimat pyritään saamaan suuremmalle etätyöjoukkiolle käyttöön kehittämällä ratkaisuja analytiikan avulla, jotta myös muut voivat päästä yhtä hyviin lopputuloksiin kuin superguru.

 

Puolet suomalaisista yrityksistä kamppailee edelleen Excel-viidakossa

Dataohjautuvassa yrityksessä data ohjaa tekemistä: ymmärretään, mitä data kertoo ja pystytään sen avulla tekemään parempia päätöksiä joko ihmisen luovuuden avulla tai yhdistämällä myös koneen älykkyyttä mukaan. Elementtejä dataohjautuvuudesta löytyy varmasti lähes jokaisesta yrityksestä, mutta uskallamme väittää, että yli puolet suomalaisista yrityksistä kamppailee edelleen Excel-viidakossa tai operatiivisen dataohjautuvuuden tasolla. Dataa löytyy, mutta sitä pystytään käyttämään rajallisesti hyödyksi ja pahimmissa tapauksissa pääsy dataan rajoittuu vain tiettyihin ihmisiin. Toisistaan irralliset järjestelmät osaltaan myös ajavat yrityksiä takaisin Excelin maailmaan.

Dataohjautuvuuden tuominen kannattavuuden hallintaan kitetytyy näkyvyyden tuomiseen koko arvoketjun läpi sekä rippuuvuuksien ymmärtämiseen. Kannattavuuden hallinta ylettyy operatiiviselta tasolta aina strategisiin mittareihin, joten dataa tarvitaan laajasti koko arvoketjun matkalta.


Miten lisätä datavetoisuutta kannattavuuden parantamiseen?

Ensimmäinen askel on toki ymmärtää mitä ilmiötä mitataan, jotta saadaan oikeaa tietoa kannattavuuteen vaikuttavista tekijöistä. Kannattavuuden ajureita voi hakea pääomasta ja kassavirrasta eli taseen puolelta arvioimalla, mitkä osa-alueet sitovat tarpeettoman paljon pääomaa. Pääoman tuotto kasvaa, kun pääoman eriä onnistutaan optimoimaan. Kannattavuuttaa ohjaa tietysti myös tulos eli tuotot ja kustannukset.

Alla olevassa kuvassa on tiivistetty esimerkkejä, mitä elementtejä pitäisi lähteä tutkimaan ja mihin osa-alueisiin pitää saada näkyvyys parempaa kannattavuutta tavoitellessa. Esimerkiksi toimittajakentässä ajureita voi etsiä taseen puolelta analysoimalla maksuehtoja ja maksurytmiä. Lisäksi tulokseen vaikuttavat aspektit kuten toimittajaportfolio, volyymit ja hinnat voivat tuoda kipukohtia esille. Vastaavaa näkyvyyttä tarvitaan myös asiakaspuolelle. Operaatioden saralla sen sijaan on tarvetta ymmärtää mm. varastonhallinan eri näkökulmia ja ennustetarkkuutta.

 

Kannattavuuden elementit 1

 

Faktapohjaisesta datapohjaiseen päätöksentekoon

Näkyvyyden lisäksi on äärimmäisen tärkeää ymmärtää, miten eri komponentit vaikuttavat toisiinsa. Voidaan toki lähteä optimoimaan yksittäisiä kannattavuuden osa-alueita esimerkiksi kustannuksia leikkaamalla tai nostamalla hintoja. Toimenpiteillä on kuitenkin aina kerrannaisvaikutus muihin tekijöihin, jonka takia on erityisen tärkeää ymmärtää juurisyyt kannattavuuden taustalla ja kohdentaa toimenpiteet todellisiin kipukohtiin dataan pohjautuen. Samalla siirrytään faktapohjaisesta datapohjaiseen päätöksentekoon. Faktojahan voi olla kaikkialla, myös siellä Excel viidakossa, mutta dataohjautuvuus vaatii laajemman näkyvyyden.

Kannattavuuden eri ajureiden ymmärtäminen on kuitenkin usein harmillisen siiloutunutta. Konkreettisena esimerkkinä tilanne, jossa myyntijohtaja oli innoissaan, kun liikevaihto pysyi tasaisena vaikka etätyön myötä myyjien matkustuskustannukset olivat laskeneet. Myyntijohtaja ehti jo tuulettaa kannattavuuden parantumista, mutta todellisuudessa kannattavuus oli laskenut, koska kauppaa oli käyty lähinnä vanhojen, vähemmän kannattavien asiakkaiden kanssa. Dataohjautuvassa organisaatiossa tämän tyyppisiin harhaluuloihin päästään nopeasti kiinni yhtenäisten datalähteiden ja laajan näkyvyyden antavien analytiikkaratkaisujen avulla.


Lisää Nikon ja Mikon esimerkkejä ja näkemyksiä dataohjautuvuudesta voit kuunnella webinaaritallenteestamme, joka kantaa nimeä Kannattavuuden parantaminen dataohjautuvasti. Katso tallenne klikkaamalla alla olevaa nappia:

Katso webinaaritallenne: Kannattavuuden parantaminen dataohjautuvasti

redline (1)

Kirjoittajat

Mari VesikiviMari Vesikivi työskentelee konsulttina Capacentilla Suomessa. Hänellä on kokemusta hinnoittelu sekä käyttöpääomaprojekteista mm. kuluttajatuotteiden, vuokralaitteiden ja pakkausratkaisujen parista. Vaikka analytiikka on lähellä Marin sydäntä, sopivaa vastapainoa numeroiden pyörittämiseen tuovat tanssitunnit, kokkailu ja koiranpentu.

 

mikko_eriksson-1024x717Mikko Eriksson on työskennellyt analytiikan parissa eri aloilla jo yli 15 vuotta. Hän on faktapohjaisen päätöksenteon intohimoinen sanansaattaja. Capacentin asiakasprojekteissa hän kietoo datan ja teknologian saumattomasti yhteen luoden datalla arvoa ja konkreettista liiketoimintahyötyä.