Markkinoinnin tietovarasto kasvun johtamisessa

Tämän päivän markkinoinnin johtajat ymmärtävät tiedon ja analytiikan merkityksen markkinointiorganisaatiossa, mutta monissa yrityksissä on vaikeuksia yhdistää datasta saatujen havaintojen vaikutus yrityksen tuloksiin.

Gartnerin julkaiseman Marketing Data and Analytics Survey 2020 mukaan suurimmat markkinoinnin analytiikan haasteet ovat datan ja analytiikan kytkemisessä liiketoiminnan tuottamaan arvoon, selkeiden analytiikasta tuotettujen toimenpidesuositusten puuttuminen sekä manuaaliseen datan valmisteluun ja raportointiin kuluva aika. Hyvin toteutettu markkinoinnin tietovarasto voi auttaa voittamaan näissä kaikissa edellä mainituissa haasteissa.

Mikä on tietovarasto?

Tietovarasto on keskeinen Business Intelligence, eli liiketoimintatiedon hallinnan ja hyödyntämisen komponentti. Tietovarastoon keskitetään operatiivisista järjestelmistä kerätty data, yhdenmukaistettuna, historioituna ja mallinnettuna siten että se tukee valittua data strategiaa.

Tietovarastoon tuodaan data operatiivisista sovelluksista, joista se saadaan tyypillisesti raportointi rajapintojen tai tiedostojen kautta. Markkinoinnin operatiivisista sovelluksista koostuva ”teknologia stäkki” on nykyään melko kompleksi. Sovelluksia on paljon, uusia sovelluksia tulee jatkuvasti lisää ja vanhojakin teknologioita sovelletaan uusilla tavoilla ja ne saavat uusia nimiä.

Tietovarastoa eli DW:tä (Data warehouse) lähinnä olevia teknologioita ovat DMP (data management platform) ja CDP (customer data platform), kaikissa näissä kolmessa on loppujen lopuksi kyse tiedon hallinnasta. DMP ja CDP ovat yleensä melko tiukasti paketoituja kokonaisratkaisuja tiettyihin yleisiin käyttötarkoituksiin, ja esimerkiksi tietomallit on tehty näiden käyttötarkoitusten vaatimalla tavalla.

Teknisesti modernit tietovarastot pystyvät käytännössä lähes samaan kuin CDP ja DMP, myös reaali-aikaiseen tiedon prosessointiin. Suurin ero on siinä että tietovarastot rakennetaan nykyisin yhdistelemällä useita ohjelmistokomponentteja tai palveluita, ja ne pystytään ja yleensä joudutaankin räätälöimään yrityksen yksilöllisiin tarpeisiin erityisesti tiedon mallinnuksen osalta. Tietovarastoja pystytään laajentamaan ja näin tukemaan monia eri data ja analytiikka käyttötapauksia aina perus raportoinnista tekoälyyn asti.

Tietovarasto voi olla puhtaasti markkinoinnin käytössä hyvinkin rajattua käyttötapausta varten, kuten erilaiset tekoäly käyttötapaukset, jolloin kyse on yleensä jonkin tehtävän automatisoinnista tai optimoinnista. Mutta jos tietovarastoja ajatellaan analytiikan avulla tuotettavan liiketoiminta hyödyn maksimoinnin ja mittaamisen näkökulmasta täytyy

tietovarastoon tuoda myös muiden toimintojen, vähintään myynnin tietoja. Myös markkinoinnin mittauksessa käytettävä ROI mallinnus lähtee myynnistä liikkeelle.

Tietovaraston rakennuspalikat

Modernit tietovarastot kannattaa nykyisin rakentaa mahdollisuuksien mukaan julkisiin pilvipalveluihin, joista suurimmat ovat Amazon AWS, Microsoft Azure ja Google Cloud. SaaS (software as a service) sovellukset ovat yleistyneet nopeasti ja suurin osa markkinoinnin ja myynnin dataa tuottavista sovelluksista on SaaS palveluita.

Näissä sovelluksissa data syntyy pilveen ja ne toimivat luonnollisesti yhteen pilvipohjaisen tietovarastoinnin kanssa. Pilvipalveluissa on valmiita rakennuspalikoita, jotka nopeuttavat tietovaraston ja sen ympärillä olevien datasovellusten rakentamista, sekä pienentävät ylläpitoon kuluvaa aikaa kun it

Tietolähteet

Tietovaraston tietolähteinä on markkinoinnin ja myynnin sovellukset, joilla hallitaan toimenpiteitä koko asiakkaan elinkaaren aikana, kuten

• Asiakkuuden hallinta (CRM)
• Markkinoinnin automaatio
• Verkkokauppa-alusta
• Mainosteknologiat
• Verkkosivualustat
• Verkkosivu-analytiikka
• Asiakastietokannat

Yrityksessä syntyvän 1st party datan lisäksi saatetaan hyödyntää 2nd ja 3rd party dataa, esimerkiksi kumppaneilta saatavaa ja julkista dataa.

Data pipeline

Data pipeline on tiedonsiirtoväylä tietolähteiden ja tietovaraston välillä. Sen tehtävä on kytkeytyä järjestelmien rajapintoihin ja automatisoida tiedon lataus tietovarastoon ja tiedon muuttaminen yhtenäistettyyn muotoon.

Data pipelinet kannattaa nykyisin hankkia ylläpidettävänä SaaS palveluna, mikä mahdollistaa keskittymisen datan siirron rakentamisen ja ylläpidon sijasta datan analysointiin. Ne voi rakentaa myös itse, mutta kannattaa muistaa että rakentaminen ja ylläpito vaativat huomattavan paljon aikaa ja ymmärrystä eri tietolähteiden ja niiden rajapintojen yksityiskohdista sekä rajoituksista.

Tietovarasto

Tietolähteistä tuotava data keskitetään tietovarastoon, historioituna ja mallinnettuna. Tiedon mallinnuksessa määritetään, miten eri lähteistä saatavat tiedot historioidaan ja yhdistetään.

Markkinoinnin tietovarastoissa data yhdistetään eri markkinointikanavista, lisäksi yhdistetään investoinnit, toimenpiteet ja tulokset. Tietojen yhdistäminen monista eri markkinoinnin ja myynnin järjestelmistä saattaa olla haastavaa, koska kyse on erillisistä, eri valmistajien tuottamista sovelluksista, eikä niiden rajapinnoista saatavaa dataa ole oikeastaan edes tehty yhdistettäväksi muiden sovellusten kanssa.

Tietovarastoon joudutaan viemään myös liiketoiminnan ymmärrykseen pohjautuvaa tietoa, joka täydentää operatiivisten sovellusten rajapinnoista saatavaa dataa ja lisää tiedon kontekstia. Yksi esimerkki tällaisesta tiedosta on eri mainosalustoissa ajettavien kampanjoiden yhdistäminen yhteisellä kampanjatunnuksella, jonka avulla monikanavaista kampanjaa voidaan analysoida yhtenä kokonaisuutena.

Tiedonmallinnuksesta puhutaan markkinoinnin tietovarastojen yhteydessä hämmästyttävän vähän, vaikka tämä on se kohta, joka käytännössä ratkaisee sen kuinka paljon datasta saadaan arvoa ja miten hyvin se tukee liiketoiminta prosesseja. Se että data tuodaan eri tietolähteistä tietokantaan ei tee siitä vielä tietovarastoa, vaan ilman kunnollista tiedonmallinnusta data on tietovarastossakin edelleen siiloissa.

Business intelligence työkalut

Jotta tieto saadaan tietovarastosta organisaation käyttöön ja vaikuttamaan tehtäviin toimenpiteisiin, täytyy data analysoida, visualisoida ja jaella tiedon käyttäjille. Tämä tapahtuu yleensä BI työkalun avulla tuotetuilla raporteilla ja dashboardeilla. Yrityksessäsi on todennäköisesti jo käytössä joku BI työkalu, jolla tietoa jaellaan organisaatiossa.

BI työkalut ovat kehittyneet huomattavasti viime vuosina, ja käyttöä tehostamaan on tullut tekoälyavusteinen analytiikka, joka helpottaa sekä tiedon analysointia että nostaa automaattisesti esiin vastauksia kysymyksiin, joita tiedon käyttäjät eivät ole edes huomanneet kysyä.

Tekoäly mahdollistaa myös itsepalvelu analytiikan, jossa liiketoimintakäyttäjät pysyvät itse hyödyntämään kaikkea käytettävissä olevaa dataa ilman teknistä tuntemusta tiedon rakenteista tai riippuvuutta teknisistä asiantuntijoista.

Data on liiketoimintaa ei teknologiaa

Koska data saadaan käytännössä mm. markkinoinnin ja myynnin tekemiseen käytettävistä sovelluksista, syntyy helposti harhakuva, että data on teknologiaa tai IT:tä, ja tästä syystä tietovarasto- ja analytiikkaprojekteista ei aina saada täyttä hyötyä irti.

Data on liiketoimintaa, ja analytiikan yhteydessä pitäisi ajatella, että järjestelmien ja liiketoimintayksiköiden sijaan datan tuottavat liiketoimintaprosessit. Nämä prosessit sekä tuottavat että hyödyntävät dataa. Markkinoinnin prosessien pitää tuottaa tietoa myynnille ja myynnin prosessien pitää tuottaa tietoa markkinoinnille.

Monessa yrityksessä on erilliset markkinoinnin-, myynnin ja asiakaspalvelupyyntöjen dashboardit ja jos mennään vielä tarkemmalle tasolle, niin saattaa löytyä esimerkiksi Facebook-, Google Ads-, Google Analytics- ja Hubspot-dashboard.

Tässä ei sinänsä ole mitään vikaa jos näitä käytetään markkinoinnin ja myynnin operatiiviseen monitorointiin, mutta kun puhutaan analytiikasta jonka tarkoitus auttaa johtamaan ja tuottamaan mahdollisimman tehokkaasti strategian tavoitteiden mukaisia liiketoiminta tuloksia, niin siilouteneella datalla ja dashboardeilla mennään yleensä metsään.

Tietovarasto räjäyttää analytiikan siilot

Jos ajatellaan yrityksen kasvua ja liikevaihdon kasvattamista, niin tästä näkökulmasta tärkein liiketoimintaprosessikokonaisuus on asiakaspolku (customer journey), asiakkaan sekä yrityksen saama arvo sekä raha kulkee tässä prosessissa. Asiakaspolku ja asiakaskokemus kulkee yli organisaatioiden ja järjestelmien, asiakasta ei kiinnosta miten me yrityksenä olemme organisoituneet ja mitä järjestelmiä meillä on.

Kun halutaan kasvattaa liikevaihtoa, siihen on vain kaksi tapaa, asiakkaiden lukumäärän kasvattaminen ja asiakkaan ostojen määrän kasvattaminen. Se miten asiakas kokee yrityksen, ostopolun ja koko asiakkuuden aikana sanelee puhtaasti sen kuinka paljon asiakas käyttää rahaa yrityksen tuotteisiin ja palveluihin.

Yrityksissä joissa mittaaminen on hyvin hajaantunut järjestelmien ja organisaation mukaan, analytiikka käyttävät tiimit saavat kyllä tietoa yksittäisistä data pisteistä, mutta epäonnistuvat niiden muuntamisessa selkeiksi vaiheiksi joilla tuotetaan merkittävä vaikutus liiketoimintaan.

Jos kaikki organisaation yksiköt pyrkivät vain parantammaan omia mittareitaan mahdollisimman paljon, resurssit hajaantuvat eikä yhden mittarin muutoksen vaikutusta koko prosessiin ja sen tuottamiin tuloksiin pystytä näkemään. Yksiköiden väliset data siilot vaikeuttavat myös prosessien välisen tiedonvaihdon automatisointia. Analytiikka ja mittarit kannattaa kasata asiakaspolun ympärille ja jonkun pitää vastata tästä kokonaisuudesta. Näin pystytään kohdistamaan yrityksen käytössä olevat resurssit niihin kohtiin asiakaspolkua, joilla on suurin vaikutus tuloksiin.

Yli organisaation ja järjestelmien menevien prosessien mittareita kannattaa ryhmitellä usealla tavalla ja tarkkuudella riippuen siitä mistä kulmasta tai roolista prosessia katsotaan. Esimerkiksi strateginen funneli voi katsoa prosesseja puhtaasti kustannusten, tuottojen ja johtamisen näkökulmasta. Kasvu funneli voi pureutua siihen miten paljon ja miten nopeasti asiakkaat liikkuvat eri asiakaspolun tavoitteiden välillä. Persoonakohtaiset asiakaspolut taas voivat pureutua tarkalla tasolla toimenpiteiden vaikutukseen asiakaspolun tavoitteiden toteutumisessa ja asiakaskokemuksessa.

Usein itseltänikin kysytään mitä meidän pitäisi analytiikalla mitata ja vastaukseksi odotetaan yleensä top 10 mittaria tai KPI:tä. Mittareilla pyritään aina kuvaamaan jotain ilmiötä, joten hajanaisten mittareiden sijaan, mittaa koko prosessia joka tuottaa arvon ja tavoitteen.

Vinkit

Tietovarastointi:

• Identifioi ja nimeä prosessit
• Ymmärrä miten prosessit toimivat ja mallinna prosessit (esim. customer journey map)
• Analysoi kohdat, joissa on tehottomuutta tai parannettavaa, suunnittele muutokset ja testaa
• Järjestä mittarit asiakaspolun ympärille läpi markkinoinnin, myynnin ja asiakas palvelun
• Kiinnitä huomiota tiedon mallintamiseen
• Lisää järjestelmistä saatavan tiedon lisäksi tietoa joka lisää kontekstia
• Tehosta analytiikkaa automaatiolla ja tekoälyllä

Tekoälykäyttötapaukset:

• Useimmat tekoälykäyttötapaukset ovat enemmän data-ongelmia kuin algoritmi-ongelmia, käytä tekoäly- ja data-asiantuntijoiden näkemystä jo datan hankinnan suunnitteluvaiheessa
• Ajattele mieluummin tehtävien kuin kokonaisten työnkuvien tai roolien automatisointia
• Tunnista suunnitellessa liiketoiminnan arvontuotannon päätekijät
• Mieti mitkä ovat liiketoiminnan ongelmakohtia

Kirjoittaja Jouni Leskinen on toiminut useissa yrityksissä data ja analytiikka asiantuntijana ja on Madtrix Oy:n Chief Executive Officer.