Data-analytiikka tarkoittaa olemassa olevan datan tutkimista ja tulkintaa, jotta siitä saadaan vastauksia tai tukea päätöksenteolle. Tuoreimman tilaston mukaan data-analytiikkaa teki 41 % suomalaisista yrityksistä – joko omalla henkilöstöllä tai ulkopuolisen avulla.
| Vaihe | Mitä tehdään | Esimerkki |
|---|---|---|
| Kerääminen | Datan hakeminen sen lähteistä (tietokannat, lokit, kyselyt) | Verkkokaupan tilaustietojen vienti tietokannasta |
| Puhdistus | Virheiden, puuttuvien arvojen ja päällekkäisyyksien korjaaminen | Kaksi kertaa tallentunut asiakasrivi poistetaan |
| Analysointi | Kuvioiden, trendien ja syy-seuraussuhteiden etsiminen datasta | Mitkä tuotteet myyvät yhdessä useimmin |
| Visualisointi | Tulosten esittäminen taulukkoina tai kaavioina | Kuukausittainen myynnin kehitys kaaviona |
| Tulkinta ja päätös | Tulosten kääntäminen konkreettiseksi toimenpiteeksi | Varaston täydennysajankohdan muuttaminen tulosten perusteella |
Ero pelkkään “datan katsomiseen” on siinä, että analytiikka etsii systemaattisesti syitä ja kuvioita, ei vain esitä lukuja. Kaksi yritystä voi kerätä täsmälleen saman datan, mutta vain toinen niistä osaa kääntää sen toimenpiteiksi – ero syntyy juuri analysointi- ja tulkintavaiheessa, ei datan keräämisessä itsessään.
Mitä data-analyytikko tekee?
Data-analyytikko käy läpi yllä olevan taulukon vaiheet käytännössä: hän hakee tarvittavan datan, siivoaa sen käyttökelpoiseksi, etsii siitä säännönmukaisuuksia ja esittää löydökset niin, että joku muu voi tehdä niiden pohjalta päätöksen. Työ ei ole vain lukujen pyörittelyä – suuri osa ajasta kuluu sen selvittämiseen, mistä data ylipäätään löytyy ja miksi se on osittain puutteellista tai ristiriitaista.
Käytännön esimerkkejä työstä: kausivaihtelun tunnistaminen myyntiluvuista, asiakaspoistuman (asiakkaiden menettämisen) syiden jäljittäminen, tai sen selvittäminen, mikä markkinointikanava tuo eniten toistuvia asiakkaita eikä vain kertaostajia. Yhteistä näille on, että vastaus ei ole valmiina missään – se pitää löytää datasta itse.
Työ ei rajoitu suuriin yrityksiin. Pienemmässä organisaatiossa samaa työtä voi tehdä yksi henkilö osana muuta työtään, muutaman tunnin viikossa – esimerkiksi kauppias, joka käy kerran kuukaudessa läpi myyntidatan nähdäkseen, mikä tuoteryhmä kasvaa ja mikä hiipuu. Isommassa organisaatiossa vastaava työ voi olla kokonaisen tiimin päätoimi, ja tulokset syötetään suoraan johdon viikkopalaveriin päätöksenteon pohjaksi.
Analytiikkaa jaotellaan usein neljään tasoon sen mukaan, mihin kysymykseen se vastaa:
- Kuvaileva analytiikka vastaa kysymykseen “mitä tapahtui?” – esimerkiksi viime kuukauden myyntiraportti.
- Diagnostinen analytiikka vastaa kysymykseen “miksi näin tapahtui?” – esimerkiksi miksi myynti laski juuri tietyllä alueella.
- Ennustava analytiikka vastaa kysymykseen “mitä todennäköisesti tapahtuu seuraavaksi?” – esimerkiksi ensi kuukauden kysynnän arviointi historiadatan perusteella.
- Ohjaava analytiikka vastaa kysymykseen “mitä pitäisi tehdä?” – esimerkiksi suositus siitä, kuinka paljon tiettyä tuotetta kannattaa tilata seuraavaksi.
Suurin osa yritysten arkipäivän analytiikasta on ensimmäistä kahta tasoa – ennustava ja ohjaava analytiikka vaativat yleensä enemmän dataa ja pidemmälle vietyjä menetelmiä, usein koneoppimista.
Millä työkaluilla analytiikkaa tehdään?
Työkalu riippuu siitä, kuinka pitkälle analytiikka menee:
- Taulukkolaskentaohjelma riittää pieneen datamäärään ja yksinkertaisiin yhteenvetoihin, mutta muuttuu hitaaksi ja virhealttiiksi, kun rivejä on paljon tai laskukaavoja ylläpitää useampi henkilö.
- Valmiit liiketoimintatiedon hallinnan (BI) -työkalut kokoavat dataa useasta järjestelmästä yhteen näkymään ja päivittävät raportit automaattisesti. Tuoreimman tilaston mukaan BI-ohjelmistoa käytti 43 % suomalaisista yrityksistä.
- Ohjelmointiin perustuva analytiikka antaa vapaammat kädet mutta vaatii enemmän osaamista – tähän siirrytään yleensä vasta, kun valmiit työkalut eivät enää riitä.
Analytiikkatyö nojaa usein myös yrityksen muihin järjestelmiin: tuoreimman tilaston mukaan toiminnanohjausjärjestelmää (ERP) käytti 58 % ja asiakkuudenhallinnan järjestelmää (CRM) 56 % suomalaisista yrityksistä – molemmat ovat tyypillisiä paikkoja, josta analysoitava data haetaan.
Mistä data-analytiikkaa voi opiskella?
Verkosta, ilman että täytyy hakea erilliseen tutkinto-ohjelmaan ensin. Yliopistojen avoimet yliopistot ja ammattikorkeakoulut tarjoavat data-analytiikan tai liiketoiminta-analytiikan opintojaksoja, joita voi usein suorittaa itsenäisesti verkossa. Yksi tunnettu, ilmainen väylä on Helsingin yliopiston ylläpitämä mooc.fi-alusta, joka on tuttu jo Elements of AI -kurssista (katso koneoppiminen) ja jonka kautta voi aloittaa milloin tahansa.
Ennen kuin valitsee kurssin, kannattaa miettiä, kumpi kiinnostaa enemmän: valmiiden raportointityökalujen käyttäminen (usein nopein tie hyödylliseen osaamiseen), vai datan käsittely ohjelmoinnilla itse rakennetuilla laskuilla (hitaampi alku, mutta joustavampi lopputulos). Moni aloittaa ensimmäisestä ja siirtyy jälkimmäiseen tarpeen kasvaessa.
Muodollisempi väylä löytyy ammattikorkeakoulujen ja yliopistojen tutkinto-ohjelmista, joissa data-analytiikka tai liiketoiminta-analytiikka on usein oma opintokokonaisuutensa tietojenkäsittelytieteen, kauppatieteen tai tekniikan tutkinnon sisällä. Tutkinto-ohjelma sopii, kun tavoitteena on laaja-alainen, todistettava osaaminen; verkkokurssi sopii, kun tarve on täsmäosaaminen johonkin tiettyyn työtehtävään nopeasti.
Jos etsit nimenomaan tekoälyyn liittyvää koulutusta, se on käsitelty erikseen sivulla tekoälykurssit – tämä sivu keskittyy dataan liittyvään analytiikkaosaamiseen yleisemmin.
Tarvitseeko oma yrityksesi data-analytiikkaa?
- Kertyykö toiminnasta säännöllisesti dataa (myynti, verkkosivukäyttäytyminen, asiakaspalaute), jota ei tällä hetkellä käydä läpi systemaattisesti?
- Tehdäänkö tärkeitä päätöksiä (hinnoittelu, varastotaso, markkinointi) pääasiassa fiiliksen perusteella, vaikka mittaustietoa olisi olemassa?
- Onko samaa kysymystä jouduttu selvittämään käsin, taulukoita pyörittämällä, useammin kuin kerran?
Jos vastasit kyllä useampaan kuin yhteen, data-analytiikan aloittaminen kannattaa harkita – pienimuotoisena, olemassa olevalla datalla, ei suurena kertaprojektina. Pieni, rajattu kokeilu yhdellä selkeällä kysymyksellä paljastaa nopeasti, kannattaako analytiikkaan panostaa laajemmin, ennen kuin siihen sitoutuu isommalla budjetilla tai henkilöstöllä. Onnistunut ensimmäinen kokeilu on paras tapa saada muukin organisaatio vakuuttuneeksi analytiikan hyödyistä – konkreettinen esimerkki toimii paremmin kuin yleinen puhe datan tärkeydestä.
Mikä ero on datatieteellä ja analytiikalla?
Termejä käytetään usein ristiin, mutta ero on painotuksessa. Data-analytiikka keskittyy olemassa olevan datan tulkintaan käytännön päätöksenteon tueksi – kysymys on tyypillisesti “mitä tästä datasta voi päätellä juuri nyt”. Datatiede on laajempi ala, joka yhdistää tilastotiedettä, ohjelmointia ja usein koneoppimista, ja jonka lopputuloksena voi olla myös kokonaan uusi malli tai automatisoitu järjestelmä, ei vain yksittäinen raportti.
Käytännössä raja on liukuva: moni analyytikon työtehtävä sisältää piirteitä molemmista, ja nimikkeet vaihtelevat yrityksestä toiseen enemmän kuin varsinainen työn sisältö. Jos työtehtävässä rakennetaan toistuvasti käytettäviä ennustemalleja, nimike on useammin “datatieteilijä”; jos työ on olemassa olevan datan tulkintaa ja raportointia, nimike on useammin “data-analyytikko”.
Yksinkertaistettuna: jos työn tulos on yksi raportti tai yksi vastaus johdolle, kyse on tyypillisesti analytiikasta. Jos työn tulos on ohjelmisto tai malli, joka jää pyörimään ja tuottamaan uusia ennusteita automaattisesti jatkossa, kyse on tyypillisesti datatieteestä. Kumpikaan nimike ei ole suojattu, eikä niiden käytöllä ole virallista, yhtenäistä määritelmää – siksi rekrytointi-ilmoituksissa kannattaa lukea tehtävän kuvaus nimikkeen lisäksi.
Mistä dataa yritykset käytännössä analysoivat?
Tuoreimman tilaston mukaan yritysten oma henkilöstö käyttää analytiikassa useimmin yrityksen omaa liiketoimintadataa: sitä hyödynsi 28 % yrityksistä omassa analytiikassaan. Julkisen sektorin avoin data (9 %), älylaitteiden ja antureiden data (8 %), ajoneuvojen tai laitteiden sijaintitieto (6 %) ja satelliittidata (2 %) ovat käytössä selvästi harvemmin – näiden hyödyntäminen on vielä alkuvaiheessa suurimmassa osassa yrityksiä.
Toimialojen välillä ero on suuri. Tuoreimman tilaston mukaan oman henkilöstön tekemä data-analytiikka on yleisintä informaation ja viestinnän toimialalla ja harvinaisinta rakentamisessa:
| Toimiala | Oman henkilöstön tekemä analytiikka |
|---|---|
| Informaatio ja viestintä | 66 % |
| Ammatillinen, tieteellinen ja tekninen toiminta | 52 % |
| Tukkukauppa | 47 % |
| Teollisuus | 39 % |
| Vähittäiskauppa | 28 % |
| Rakentaminen | 18 % |
Ero ei selity pelkästään sillä, että joillain toimialoilla olisi enemmän dataa saatavilla – tietotekniikka-, asiantuntija- ja tukkukauppa-alat ovat myös tottuneempia käsittelemään dataa järjestelmällisesti osana ydinliiketoimintaansa, kun taas rakentamisessa suuri osa työstä tapahtuu yhä paikan päällä ilman, että siitä syntyy valmiiksi analysoitavaa, rakenteista dataa.
Data-analytiikan pohjana on lähes aina jokin tietokanta, josta analysoitava data haetaan, ja usein myös laajempi tietovarasto, johon eri järjestelmien data on ensin koottu yhteen. Kun datamäärä kasvaa erityisen suureksi, nopeasti kertyväksi ja muodoltaan vaihtelevaksi, puhutaan big datasta – silloin myös analyysimenetelmät ja työkalut muuttuvat vaativammiksi.
Analytiikan laatu riippuu suoraan siitä, missä kunnossa lähdedata on: jos asiakastiedot ovat vuosien varrella tallentuneet epäjohdonmukaisesti eri järjestelmiin, analyysin ensimmäinen ja usein työläin vaihe on datan siivoaminen käyttökelpoiseksi, ei itse analysointi. Kokemuksen mukaan tämä puhdistusvaihe voi helposti viedä suuremman osan analyytikon ajasta kuin varsinainen analysointi ja tulosten esittäminen yhteen. Tämän vuoksi organisaation laajempi tiedonhallinta – se, miten tietoa kerätään ja pidetään järjestyksessä jo ennen analysointia – vaikuttaa suoraan siihen, kuinka nopeasti ja luotettavasti analytiikkaa voidaan ylipäätään tehdä.
Lähteet
Usein kysyttyä
Tarvitseeko data-analytiikan osaaja osata ohjelmoida?
Perusanalytiikkaan pärjää usein valmiilla taulukko- tai raportointityökaluilla ilman ohjelmointia. Syvemmälle menevä analytiikka – esimerkiksi omien mallien rakentaminen – vaatii yleensä jonkin verran ohjelmointitaitoa, tyypillisesti kyselykieltä ja jotain tilastolliseen laskentaan sopivaa ohjelmointikieltä.
Onko data-analytiikka sama asia kuin tekoäly?
Ei. Data-analytiikka tarkoittaa olemassa olevan datan tulkintaa – kuvioiden, trendien ja syiden etsimistä. Tekoäly, esimerkiksi koneoppiminen, voi olla yksi analytiikan työkalu, mutta suuri osa analytiikasta tehdään ilman tekoälyä, esimerkiksi tilastollisin menetelmin tai raportointityökaluilla.
Voiko data-analytiikkaa opiskella ilman matematiikan tai tilastotieteen taustaa?
Perusteet kyllä, mutta tilastollinen ajattelu tulee vastaan väistämättä jossain vaiheessa – esimerkiksi sen ymmärtäminen, milloin havaittu ero on todellinen ja milloin se voi johtua sattumasta. Moni verkkokurssi on suunniteltu niin, ettei vahvaa matemaattista pohjaa tarvita aloittaakseen.