Blog | Knowit

Analyyttisten metodien vertailu, osa 1: Visuaalinen analytiikka

Kirjoittanut Knowit | Nov 29, 2021 11:00:00 PM

Tämä on ensimmäinen osa sarjassa, jonka tarkoitus on käsitellä analytiikan eri alalajeja ja niiden toteuttamista liikemaailmassa. Sarjan tarkoitus on vastata erilaisiin kysymyksiin: mitä tarkoittaa vaikkapa kontekstuaalinen analytiikkaa, onko analytiikka vain kokeneille koodaajille ja matemaatikoille, sekä ennen kaikkea, millaista analytiikkaa tarvitaan nyt ja tulevaisuudessa. Tämän kertainen blogiteksti keskittyy visuaaliseen analytiikkaan.


Visuaalinen analytiikka

Kuten nimi kertoo, visuaalisen analytiikan tarkoitus on välittää tietoa datasta kuvien voimalla. Visuaalisen analytiikan idea ei kuitenkaan ole vain piirtää palkkeja tai piirakoita, vaan nimensä mukaisesti analysoida dataa. Monissa työkaluissa (Tableau, PowerBI…) onkin myös interaktiivisia mahdollisuuksia käyttäjille: erilaisia filttereitä ja syvempää porautumista dataan. Ihmiset ovat hyviä tunnistamaan säännönmukaisuuksia ja poikkeuksia, mihin visuaalinen analytiikka sopii hyvin yhteen.

 

Visuaalisen datan analysoiminen on siis ihmisille luontaista, jos visualisointi on hyvin ja selkeästi tehty. Entä visualisoinnin tekeminen? Millaisia vaatimuksia visuaaliselle analytiikalle on, onko sen hyödyntämisessä rajoituksia, ja mitä hyötyjä visuaalinen analytiikka tarjoaa? Käymme näitä kysymyksiä läpi alempana löytyvässä visuaalisen analytiikan dimensiovertailussa, mutta selvennetään ensin, miten dimensiovertailu on rakennettu.

Dimensiovertailut

Dimensiovertailun avulla pyrimme kiteyttämään analyysimenetelmän vaatimuksia ja hyötyjä sekä hyötyjen laajuutta, jotta analyysimenetelmiä voidaan verrata helposti. Vertailudimensiot ovat: analyysimenetelmän maturiteetti, helppokäyttöisyys, laajuus, impakti, sekä hinta.

Maturiteettia vertaillessa tukena käytetään Gartnerin mallia organisaatioiden analyyttiselle maturiteetille (”Maturity Model for Data and Analytics”) [1]. Analyyttinen maturiteetti jaetaan viidelle portaalle. Alimmilla tasoilla analyyttiset toimintatavat ovat alkeellisia, tunnusmerkkejä tälle ovat esimerkiksi yrityksen virheellinen ja siiloutunut data, analytiikan puute päätöksenteossa, kun taas ylimmillä tasoilla data ohjaa liiketoimintaa.

Helppokäyttöisyys kuvastaa sananmukaisesti menetelmän helppoutta. Dimensiossa tarkastellaan, vaatiiko menetelmä aiempaa perehtyneisyyttä käytettävään työkaluun, tai muuta syvällistä osaamista. Toisessa ääripäässä vaadittavat taidot ovat yksinkertaisia, esimerkiksi drag-and-drop, eli raahaamalla erilaisia valintoja oikeille paikoille.

Laajuus kertoo menetelmän käyttökohdetta yrityksessä, ts. käytetäänkö sitä osana päivittäistä toimintaa (operatiivinen) vaiko pidemmän aikavälin suunnittelun tukena (strateginen)

Impakti pyrkii kertomaan tavanomaiset ja merkittävät hyödyt, mitä yritys voi saavuttaa analyyttisen menetelmän avulla. Hyödyt mainitaan yleisellä tasolla, koska hyötyjen impakti riippuu yrityksen kyvykkyydestä hyödyntää analyysiä.

Hinnan tarkoituksena on tuottaa tietoa eri vaihtoehtojen hinnasta, sillä menetelmiin soveltuvia ohjelmia on monia ja niiden hinnat vaihtelevat suurestikin. Hinnoissa pyritään mainitsemaan yleisien ja tunnettujen ohjelmien hinnat, mutta näihin ei kannata luottaa sokeasti, koska ne saattavat vaihdella yrityskohtaisesti.

 

Visuaalisen analytiikan dimensiovertailut:

Visuaalisen analytiikan työkalut

Yksinkertainen visuaalinen analytiikka ei vaadi paljoa, ja työkaluja siihen onkin laajasti tarjolla. Jo monien tuntemalla Excelilläkin on mahdollista tehdä erilaisia visualisointeja. Jos Excelin käyttäminen visualisointiin ei kuitenkaan tunnu omalta, on tarjolla myös pelkästään visualisointiin keskittyviä työkaluja, jotka tarjoavat helpomman lähestymistavan. Aiemmin mainitut Tableau ja Power BI ovat tunnettuja visualisointityökaluja, ja molemmat perustuvat pitkälti drag-and-drop:iin. Jos data on valmiiksi käsitelty, sen visualisoiminen voi olla hyvin yksinkertaista. Jos data taas tarvitsee jatkotyöstöä tai monimutkaisempaa käsittelyä, koodaustaidoista on hyötyä. Esimerkiksi python sisältää visualisointiin tarkoitettuja paketteja, jolloin on mahdollista visualisointien lisäksi tehdä myös korkeampitasoista analytiikkaa.


Koska kuva kertoo enemmän kuin tuhat sanaa, niin alla on linkitetty esimerkkinä Tableaulla tehtyä visuaalista analytiikkaa:


Linkkejä visuaalisen analytiikan työkaluihin:


Visuaalinen analytiikka tarjoaa käyttäjilleen helppokäyttöistä ja matalan kynnyksen analytiikkaa, jonka avulla he voivat sisäistää tietoa ja tunnistaa poikkeavuuksia datasta nopeasti. Käyttäjät voivat hahmottaa esimerkiksi yrityksen kannattavuuden ja myynnin kehityksen vaivattomasti, kun ne ovat esitettyinä visuaalisesti, eikä taulukossa lukuarvoina. Visualisoinnit auttavat vertailemaan dataa, tuottaen tukea päätöksentekoon. Vaikka visuaalinen analytiikka on matalan maturiteetin analytiikkaa, korkeankin maturiteetin yritykset hyödyntävät sitä päivittäin!

 

Kirjoittanut

Veera Korte ja Nico Ylirönni

Kirjoittajat toimivat Data Driven Services -liiketoimintayksikkömme Data Analysteina.


[1] Gartner, 2018. Gartner Survey Shows Organizations Are Slow to Advance in Data and Analytics. Saatavilla: https://www.gartner.com/en/newsroom/press-releases/2018-02-05-gartner-survey-shows-organizations-are-slow-to-advance-in-data-and-analytics (Viitattu 24.11.2021)

 

Onko analytiikan tehokkaampi hyödyntäminen ajankohtaista, mutta tarvitset lisää tietoa miten sitä tulisi lähteä kehittämään?

Lataa maksuton oppaamme Matkaopas kohti modernimpaa analytiikkaa, ja ota seuraava askel datamatkallanne.

 

Analyyttisten metodien vertailu, osa 2: Itsepalveluanalytiikka

 

Lue lisää palveluistamme: Dataohjattu liiketoiminta, Analytiikka ja BI, Datan visualisointi

Jos etsit uusia uramahdollisuuksia datan ja analytiikan parissa, katso avoimet työpaikamme