Blogi

Tietojen oikeellisuus on kaiken A&O

Yhä useammin prosessien toimivuus tai vaikka markkinoinnin tehokkuus perustuu datan hyödyntämiseen.  Jotta yksilöllinen asiakasdialogi todella toimisi tai vaikkapa tuotantolaitoksen yksittäisten kulutusosien elinkaaren ennustaminen onnistuisi, datan oikeellisuuden varmistaminen on paitsi tärkeää myös vaativaa.

Vaikka prosessien ohjauksessa analytiikkaan pohjautuvia ennustemalleja tai keinoälyratkaisuja hyödynnettäisiin sinänsä oikein, virheelliseen dataan perustuvat analyysit ovat lähtökohtaisesti väärin. Todellisuus ei onneksi ole täysin mustavalkoinen. Virheellisen datan oikeellisuutta voidaan jossain määrin parantaa analytiikan keinoin.

Perinteisesti keskeisintä valvonnassa on ollut lähetettyjen ja vastaanotettujen sanomien määrän ja sanomien sisältöjen koon vastaavuuden seuranta. Tällä tavalla tarkastellen yksittäisten tapahtumien seuranta jää prosessin ulkopuolelle, jolloin osa virheistä menee väistämättä läpi. Pienissä organisaatioissa virheen mahdollisuus on luonnollisesti pienempi, koska tulosvastuulliset havaitsevat merkittävimmät virheet ilman erityistä oikeellisuuden valvontaakin. Suuremmissa organisaatioissa, joissa tapahtumia ja toimipisteitä on paljon, virheitä jää helposti huomaamatta. Joskus virheet voivat myös kumota toisiaan, jolloin tieto on keskimäärin oikeaa virheistä huolimatta.

Jos käytössä ei ole analytiikkaa ja automatisoitua tarkistusprosessia, asiakastasoisten tietojen oikeellisuuden seuranta tehdään yleisesti manuaalisesti poimimalla tapahtumia tarkistettavaksi esimerkiksi euromääräisten rajojen perusteella. Joissakin yrityksissä tietoja tarkistetaan vieläkin tulostamalla tapahtumalistoja paperille ja vertaamalla mm. lähde- ja kohdetietoja toisiinsa paperi paperilta. Tämä on työlästä, kallista ja virhealtista!

Siirryttäessä analytiikan ja tiedolla johtamisen aikakaudelle tiedon oikeellisuuden merkitys kasvaa. Ensimmäinen askel datan laadun varmistamisen tiellä on yhteinen ymmärrys asian tärkeydestä. Ensi vaiheessa olennaisinta on varmistaa tietosisältöön, sen taltiointiin ja käsittelyyn tarvittava osaaminen, mikä vaatii mm. normaali-ilmiöiden ja karkeiden virherajojen ymmärtämistä. Tämä on lähtökohta analytiikkaa hyödyntävien tarkastusprosessien luomiselle. Valitsemalla oikeat ja tehokkaat välineet päästään ensimmäisiin, tuloksiltaan luotettaviin prosesseihin. Seuraavassa vaiheessa prosessit voidaan automatisoida ja käyttää näin vapautuva energia tarkastusprosessin edelleen kehittämiseen.

Kun dataa päätetään taltioida tarkalla tasolla, oikeellisuuden seuranta voidaan ulottaa kokonaan uudelle tasolle. Seurannassa voidaan katsoa yksittäisten tapahtumien sisään ja hakea virheitä analyyttisten mallien avulla automatisoidusti. Mallit löytävät mahdolliset tunnistetut virhetilanteet huomioimalla yksilötason, ajan ja paikan historioineen, mutta auttavat myös ennalta tunnistamattomien virhetilanteiden löytämisessä. Algoritmien avulla voidaan löytää virheitä, jotka jäisivät harjaantuneimmiltakin ihmissilmiltä huomaamatta.

Siirryttäessa tiedolla johtamisen aikakaudelle kannattaa jo alkumetreillä selvittää datan tarkistusprosessien automatisoinnin mahdollisuudet. 

http://blogi.houston-analytics.com/blogi/analytiikkamatka-kirja-kesatarjouksessa-15-euros