Rss

  • linkedin

Archives for : Liiketoiminta

Taistelua tulo-osuudesta

Pääoman ja työnteon välinen tulonjako on kestoaihe poliittisessa keskustelussa vuosikymmenestä toiseen. Täältä löytyy tilastot tulonjaon kehityksestä 1970-luvulta lähtien. Työtulojen prosentuaalinen osuus oli suurimmillaan 1990-luvun alussa laman aikana ja pääomatulojen vuonna 2007 juuri ennen finanssikriisiä. Työtulojen osuus kasvoi kymmenen vuotta sitten finanssikriisin sekä eurokriisin aikana, mutta viime vuosina pääomaotulojen osuus on ollut taas lievässä kasvussa. Pitäisikö tämä kehitys pysäyttää ja miten se tehdään? Sijoittajathan eivät tee mitään oikeaa työtä, joten eikö heidän verotustaan voisi korottaa vielä reippaasti?

Selvityshaaste

Itse olen maailmaa tutkaillut palkkatyöntekijän, yrittäjän ja osakesijoittajan näkökulmasta. En näillä kokemuksilla näe, että Suomessa riskiä kantavat yrittäjät ja sijoittajat olisivat jotenkin erityisessä asemassa. Ei anneta nyt kuitenkaan omien näkemysten jarruttaa menoa vaan lähdetään tutkimaan, miten pääomatulojen määrää saadaan laskettua kestävällä tavalla ilman että rankaistaan myös työntekijöitä.

Päästäksemme sijoittajien tuloista osille, meidän pitää ensin ymmärtää jotain heidän päätöksentekoprosessistaan. Seuraavan tarinaan on otettu vaikutteita oman sijoitusprosessin lisäksi havainnoista kokeneempien sijoittajien ja strategien toimintatavoista. Jotta kantavan ajatuksen saisi käytyä järjellisessä ajassa läpi, yksinkertaistetaan hieman olettamalla, että yrityksen liikevoittovero on ainoa pääoman tuottoihin kodistuva vero, vaikka todellisuudessa osinkoverotuksellakin on vaikutusta. Myöskään mahdollisuutta hyödyntää lainaa sijoituksissa ei huomioida.

Sepin jäskikiska

Seppo Sijoittaja pohdiskelee uuden jäätelökioskin perustamista. Myyntipaikan vuokrasopimuksen voi tehdä vuodeksi kerrallaan, joten mahdollinen sijoitus tehdään aluksi yhden vuodeksi. Kotiinpäin tulevat rahavirrat koostuisivat jäätelöiden myyntikatteesta. Mutta ennen kun sijoittajalle jää itselleen mitään tuottoja investoinnistaan, pitää saada katettua kiinteät kulut, joita ovat:

  • Koneet ja kalusto (esim. myyntikojun ja pakastelaitteiden vuokrat, mainoskyltit yms..)
  • Henkilöstön palkat
  • Henkilöstön palkkojen sivukulut (yrityksen vastuulla olevat eläkevakuutusmkasut, vakuutukset yms…)
    • Oletetaan suuruudeksi 40% bruttopalkoista
  • Voittoon kohdistuva yritysvero
    • Oletetaan suuruudeksi 20% yrityksen voitosta

Tulevaisuuteen liittyy aina riskejä. Tässa tapauksessa sellaisia ovat mm.

  • Jäätelön kysyntä on odotettua alhaisempaa
  • Laitteet hajoaa
  • Henkilöstö sairastelee
  • Rikollisuus (Ilkivalta tai paikallinen rosvopäällikkö alkaa vaatimaan suojelurahoina osuutta voitoista, mikäli jäätelönmyynti alkaa kukoistamaan)

Vaikka esimerkki on yksikertaistettu versio todellisuudesta, tässä on jo paljon asioita pohdittavaksi. Investoinnin lopputuleman todennäköisyysjakaumaan vaikuttaa hyvin moni asia. Seppo ei tunne tarkasti tätä jakaumaa, mutta hän hahmottelee tulevaisuutta viiden eri perusskenaarion avulla. Perusskenaariot ovat:

  1. Satumainen, yli 30% tuotto sijoitetulle pääomalle
  2. Hyvä, 15% – 30% tuotto sijoitetulle pääomalle
  3. OK, 0-15% tuotto sijoitetulle pääomalle
  4. Heikko, 0-10% tappio
  5. Surkea, yli 10% tappio

Näiden skenaarioiden todennäköisyyksiä sijoittaja pyrkii parhaan kykynsä mukaan arvioimaan. Lisäksi hän Exceliinsä naputtelee odotetun skenaarion seuraavan vuoden rahavirroille. Tässä parhaan arvauksen täsmällisessä skenaariossa myytikatetta kertyisi 100 000 Euroa, koneisiin ja kalusteisiin menisi 10 000 Euroa, tarvittavan määrän osaavaa henkilökuntaa hän saisi pidettyä töissä 53 000 Eurolla ja tähän tulisi vielä päälle 21 200 Euroa henkilöstön sivukuluja.

Ottaen huomioon aiemmin läpikäydyt riskit ja tappiollisten skenaarioiden todennäköisyydet, hän pättää että vähintään pitää 15% saada pääomalle tuottoa odotetun skenaarion mukaisilla laskemilla, että tätä investointia kannattaa toteuttaa. Tarkalleen ottaen tämä minimituottovaatimus perustuu kahteen osaan: “riskitön korko”, minkä saisi rahan makuuttamisesta pankkitilillä = 1% ja riskipreemio 14%. Idea on sama kuin pankeilla myöntäessä asuntolainaa, jolloin lainan korko voisi olla esim. 12 kk Euribor + 1.5% marginaali. Marginaali vastaa liiketoiminnan riskipreemiota ja kokoluokasta huomaa, että asuntolainojen myöntäminen vakavaraisille työssäkäyville henkilöille vaikuttaisi olevan huomattavasti riskittömämpää kuin jäätelökioskin perustaminen.

Odotetun 100 000 euron myyntikatteen jakautuminen.

Ylläolevassa kuvaajassa on kuvattu, kuinka odotettu myyntikate jakautuisi Sepon laskelmissa ilman isoja yllätyksiä. Löysää neuvotteluvaraa on vain 7 euroa, joten sille varattu palkki ei graafissa erotu. Rimaa hipoen Seppo päättää toteuttaa investoinnin. Jiihaa!

Poliittiset päätökset Sepon tulo-osuuden pienentämiseksi

Kurkataampa nyt sitten poliittisia muutoksia, joilla voitaisiin saada työntekijöiden tulo-osuutta kasvatettua. Ensimmäisenä mieleen tulee yritysveron kasvattaminen korkeammaksi tai minimipalkan nostaminen niin että vuosipalkat pitäisi nostaa seuraavana vuonna tasolta 53000 euroa esimerkiksi tasolle 54000 euroa. Valitettavasti molemmat muutokset johtaisivat siihen, ettei tuottovaatimus enää ensi vuonna samoilla laskelmilla toteutuisi ja kioskin tarina jäisi vuoden mittaiseksi. Tässä tapauksessa sekä Seppo, työntekijät että jäätelöä rakastavat asiakkaat häviäisivät. Tavoite oli löytää sellainen ratkaisu, mikä ei vaikuta negatiivisesti työntekijöihin, joten nämä toimenpiteet eivät käy.

Ehkä Sepolta olisi hieman kuitenkin revittävissä, jos saataisiin saataisiin puskettua korotettu yritysvero niin nopealla aikataululla läpi, että päästäisiin kiinni jo kuluvan vuoden voittoihin. Seppo toki rehellisenä liikemiehenä maksaisi lisäverot, mutta pidemmällä tähtäimellä se olisi työntekijöillekin vielä aiempaa kuopattua ideaa huonompi. Nyt Seppo alkaisi pelätä vallassa olevilta poliitikoilta samanlaista tempoilevaa aiemmin tehtyjen investointien tuottojen rokottamista ja nostaa investointiensa minimituottovaatimusta kaikissa sijoituksissaan. Tämän seurauksena jatkossa toteutuisi vain investoinnit, joissa entistä suurempi osuus jää sijoittajan tuotoksi. Peliin on tullut mukaan uusi aimmin mainitsematon tuottovaatimuksia kasvattava riskilaji, poliittiset riskit.

Mielestäni fiksumpi tapa toteuttaa investointeihin liittyvää verotusta on antaa hieman varoaikaa ja tehdä rajut muutokset porrastetusti. Esimerkiksi pari vaalikautta sitten porrastetusti poistettu omistusasunnon lainan korkojen vähennysoikeus on tuskin oleellisesti lamauttanut asunnon ostajien toimintaa (lisätietoja).

Seuraava vuosi

Tässä tarinassa mennään vuosi eteenpäin ilman polittisia muutoksia. Sen verran on kuitenkin tapahtunut teknologista kehitystä, että markkinoille on tullut uusia kylmälaitteita, joiden vuokraus on aiempaa edullisempaa ja lisäksi energiatehokkuuden ansiosta toisivat säästöjä sähkölaskussa. Ensimmäinen vuosi meni suurinpiirtein odotusten mukaisesti ja Seppo miettii jatkoa muuten samoilla laskelmilla, paitsi ”Koneet ja kalustot” – lokeroon tulee kuluja aiemman 10 000 euron sijaan 8000 euroa. Odotettavissa oleva 100 000 euron myyntikate jakautuisi nyt seuraavasti.

Tällä kertaa reilun 2000 euron neuvotteluvara on havaittavissa graafissa oikeassa laidassa. Kysymys kuuluu: kuka saa tämän neuvotteluvaran? Nyt on huomattava myös, että edellisenä vuonna hyvin hommansa hoitaneiden kahden työntekijän neuvotteluasema on kasvanut, koska uusien työntekijäiden kouluttaminen veisi paljon aikaa yrittäjältä. Kyse on paljon työntekijöiden neuvottelutaidoista, kuinka hyvin ne tunnistavat kohentuneen neuvotteluasemansa. Koska jakovaraa laskelmissa on, Seppo antaa siitä osan mielellään hyville työntekijöille ettei tarvitse alkaa uusia kouluttamaan. Väkisin hän ei sitä kuitenkaan tyrkytä, mikäli työntekijät suostuvat jatkamaan ilman palkankorotuksen pyyntöä.

Monilla aloilla Suomessa palkkaneuvottelut on ulkoistettu ammattiliitoille. Tämä voi olla koko jäsenten joukolle keskimäärin ihan hyvä ratkaisu, mutta osa jää tämän takia ilman työtä, jonka olisivat mielellään ottaneet pienemmälläkin palkalla vastaan (niinkuin tässä tarinassa 1. vuotena olisi käynyt) ja osalle keskistetyt korotukset ovat pienempiä kuin mitä olisi omassa firmassa neuvoteltavissa. Informaation jakaminen toisten yritysten palkkatasosta ja neuvottelutaitojen koulutukset auttanevat jokaista työntekijää neuvottelemaan itselleen optimaalista ratkaisua.

Yhteiskuntien menestys

Daron Acemoglu ja James Robinson tutkivat yhteiskuntia aina metsästäjä-keräilijä ajoilta lähtien kirjassaan “Why nations fail”. Johtava ajatus heillä on, että tärkein tekijä erottelemaan kukoistavat ja romahtavat yhteiskunnat on yhteiskunnan rakenteiden inklusiivisuus, eli mahdollisuus kaikille ihmisille suunnitella omaa ja perheen tulevaisuutta pitkällä tähtäimellä toimiessaan osana yhteiskuntaa. Valtion oikeusjärjestelmän pitää myös pystyä pitämään huolta, että omistusoikeuksia kunnioitetaan ja suojelurahoja keräävät rosvopäälliköt laitetaan linnaan.

Siinä vaiheessa kun omien tulevaisuuden investointien hedelmät tulee onnistuessaan isä aurinkoisen eliittijoukot keräämään parempaan talteen, teknologinen kehitys hidastuu ja yhteiskunnan alamäki on alkanut. Tällaisissa ekslusiivisssa yhteiskunnissa ihmiset keskittyvät vain elämään kädestä suuhun ja tappelemaan poliittisesta vallasta, jäsenyydestä noissa eliittijoukoissa. Tältä pohjalta ei kuulostaa ollenkaan haitalliselta, että investointien riskejä kantamalla voi vaurastua.

Tarinan opit

Tässä harrastelijasijoittajaekonomistin sepittämässä tarinassa tuli havainnollistettua, että sijoittajien ja työntekijöiden tuotot ovat Sepon jäätelökioskissa vahvasti riippuvaisia toisistaan ja sijoittajien tuottojen vähentäminen tuottamatta harmia työntekijöille on vaikeaa. Vastaan tuli kuitenkin muutama asia, joihin voidaan keskusjohtoisesti vaikuttaa niin että sijoittajat tekevät investointeja pienempään tuottoon tyytyen.

  • Oikeusjärjestelmä, joka pitää rikollisuuden paremmin kurissa
  • Poukkoilematon poliittinen päätöksenteko, mikä antaa sijoittajille aikaa sopeutua muutoksiin

Lisäksi tarinassa on koko ajan oletettu, että “riskitön korko” on 1%. Keskuspankin voisi luulla pystyvän laskemaan tuottovaatimuksia vielä laskemalla korkoja. Oikea sijoittaja Ville Hemminki on kuitenkin tuoreessa blogikirjoituksessaan vahvasti sitä mieltä, ettei korkojen laskulla ole enää käytännössä investointeja kiihdyttävää vaikutusta kun korot ovat jo lähellä nollaa.

Verot turvallisten rakenteiden ylläpitämiseen on jostain kerättävä. Työntekijöiden kannalta optimaalinen yritysveron suuruus on vaikea omilla tiedoillani määrittää, koska kilpailullisessa ympäristössä liiketoimintaan kohdistetut verot heijastuvat kaikille osapuolille: sijoittajille, työntekijöille ja asiakkaille. Tässä saksalaisissa tutkimuksessa arvioitiin, että noin 40% yritysveron korotuksesta maksavat lopulta työntekijät. Sen sijaan monopoliaseman turvin saadut riskiinsä nähden ylisuuret tuotot haiskahtavat oivalliselta verotuksen kohteelta. Tätä perustelee hyvin oikea ekonomisti Roger Wessman maksumuurin takana olevassa artikkelissaan. Ottakaamme monopolien/patenttien verotus vielä mukaan työkaluksi pakkiimme.

Hypoteesit tavoista pitää sijoittajien tulo-osuus pienenä kestävästi ilman oleellisia haittoja työntekijöille:

  • Omistusoikeudet suojaava oikeusjärjestelmä
  • Poukkoilematon poliittinen päätöksenteko
  • Työntekijöiden neuvottelutaitojen/voiman kehittäminen
  • Monopolin/patentin alla tuotettujen voittojen verottaminen

Jäikö kirjoituksessa jotain huomiotta? Mitä tieteelliset tutkimukset sanovat aiheesta? Kerro siitä kommenteissa.

Facebooktwitterredditpinterestlinkedinmail

Analytiikan alalajit

Sijoittajamestari Ray Dalio kokosi elämässään oppimansa asiat teokseen Principles ja päätökseen tekoon liittyvä ensimmäinen periaate kuuluu näin:

”Recognize that 1) the biggest threat to good decision making is harmful emotions, and 2) decision making is a two-step process (first learning and then deciding).”

Ray Dalio

Datan analysointi tai datatieteily liityy nimenomaan ympäristöstä oppimiseen ilman tunteiden aiheuttamia vääristäviä tunteita niin että voitaisiin tehdä mahdollisimman valistuneita päätöksiä.

Kun tehdään liiketoimintaa tukevaa analyysiä, datan analysointi jaetaan tyypillisesti neljään alalajiin riippuen, mitä työllä tavoitellaan. Eri konsultit voivat järjestellä ne hieman eri tavoilla, mutta itse mielelläni järjestäen ne seuraavasti analyyttisen haastavuuden mukaan helpoimmasta vaikeimpaan:

  1. Kuvaileva analytiikka (Mitä tapahtui?)
  2. Ennakoiva analytiikka (Mitä tulee tapahtumaan?)
  3. Diagnosoiva analytiikka (Miksi jotain tapahtui?)
  4. Ohjaileva analytiikka (Mitä kannattaisi tehdä?)

Kolme ensimmäistä liittyy oppimiseen ja viimeinen päätöksentekoon opitun pohjalta.

Hukkuvat jäätelönsyöjät

Avataan sitten näitä alalajeja esimerkin avulla. Hukkuvat jäätelönsyöjät on monelle jo liiankin tuttu esimerkki riippuvuussuhteista, mutta ratsastetaan nyt vielä kerran sillä, koska se kaikessa tomppeluudessaan kuitenkin hyvin demonstroi oleellisia pointteja.

Olkoon meillä toimeksiantona jäätelökioskiyrittäjän auttaminen ja myyntiä ilmiönä kuvaa seuraava graafi.

Lämpötilan nousu aiheuttaa enemmän sekä jäätelön myyntiä että hukkumiskuolemia. Hukkumisen ja jäätelön myynnin välillä ei ole syy-seuraus-yhteyttä.

Graafissa olevien syy-seuraus-yhteyksien pohjalta olen nyt simuloinut 300 havaintoa, jonka kanssa seuraavissa esimerkeissä operoidaan.

Kuvaileva analytiikka

Kuvaileva analytiikka vastaa siis kysymykseen ”Mitä tapahtui?”. Vastaus löytyy raporteista, joissa on tilastollisista tunnuslukuja ja graafisia kuvioita. Yritysmaailmassa tätä analytiikan alalajia kutsutaan termillä Business Intelligence (BI). Meidän dataa 300 aiemmasta viikkohavainnosta kuvaavat esim. seuraavat tunnusluvut.

TEMP (C)SALES (EUR)DROWNED
Keskiarvo19.6130351.15
Keskihajonta5.3413153.52

Lisäksi mielenkiinnon mukaan tunnuslukuja voisi vertailla eri ryhmien, esim. viikonpäivien tai jäätelömakujen, välillä.

Keski- ja hajontalukujen lisäksi havaintoja voi kuvata muuttujien välisillä korrelaatiokertoimilla ja graafisilla kuvaajilla. Seuraava graafi ei ole välttämättä kauneimmasta päästä, mutta minulle sen piirtäminen on osa perusprosessia uuteen aineistoon tutustuttaessa. Siinä on paljon informaatiota tiiviisti ilmaistuna ja sen saa tulostettua R-ohjelmistolla yhdellä komennolla.

Lävistäjällä ovat jokaisen muuttujan omat jakaumat. Vasemmalla alhaalla ovat parittaiset sirontakuviot. Oikella ylhäällä ovat parittaiset korrelaatiokertoimet ja niiden merkitsevyystasot tähtinä.

Kuvaajasta nähdään mm. seuraavaa:

  • Lämpötilan ja myynnin havainnot ovat jakautuneet symmetrisesti keskiarvon ympärille ja muistuttaa normaalijakaumaa. Hukkumisten lukumäärän jakauma on vino.
  • Kaikkien muuttujien väliset korrelaatiokertoimet (luvut oikealla ylhäällä) ovat positiivisia, joten muuttujilla on ollut taipumus saada isoja arvoja yhtäaikaa.
  • Kaikki muuttujien väliset korrelaatiokertoimet ovat tilastollisesti erittäin merkitseviä (punaiset tähdet), joten ei ole uskottavaa että korrelaatiokertoimet poikkeavat nollasta vain sattumalta.
  • Suora viiva kuvaa hyvin myynnin ja lämpötilan välistä yhteyttä. Hukkumisen ja muiden muuttujien välisen yhteyden kuvaamiseen suora viiva ei ole paras mahdollinen (kuviot vasemmalla alhaalla).

Kuvaileva analytiikka keskittyy kuvailemaan historian tapahtumia, mutta vastuu siitä, mitä tulee tapahtumaan tulevaisuudessa jää täysin raportin lukijalle.

Ennakoiva analytiikka

Vaikka historiakin on mielenkiintoista, vielä kiinnostavampaa liiketoiminnan kannalta on se mitä on odotettavissa tulevaisuudessa. Mennyt ei ole tae tulevasta, mutta historiaan perustuen voi tehdä valistuneita arvioita eri tulevaisuuden skenaarioiden todennäköisyyksistä.

Esimerkissämme mielenkiinnon kohteena on ennustaa tulevan viikon jäätelön myyntimäärä. Pelkään BI-raporttiin (kuvaileva analytiikka) perustuen paras arvaus olisi historiallinen keskiarvo 13035 euroa. Simuloin tässä 100 uutta havaintoa tulevista viikoista ja historialliseen keskiarvoon perustuva arvaus ei ole hassumpi: keskimäärin ennuste on 7.3% pielessä.

Olisimme voineet kuitenkin ottaa askel eteenpäin ennakoivan analytiikan puolelle ja muodostaa regressiomalli, jossa hyödynnetään tietoa päivän lämpötilasta. Lämpötilan ja myynnin välinen korrelaatiokerroinhan oli varsin suuri, 0.62. Tällaisen mallin tarjoama paras arvaus seuraavan viikon myynnistä menee nyt uusilla havainnoilla keskimäärin 6.5% pieleen.

Vaikka hukkumisilla ei ole syy-seuraus-suhdetta myyntiin, ei sen hyödyntämiselle ennustamisessa ole estettä. Jos sen lisää toiseksi selittäjäksi samaan regressiomalliin lämpötilan kanssa ei siitä iloa kuitenkaan ole, koska lämpötila jo yksinään selittää hukkumisten ja myynnin välisen yhteyden. Mutta mikäli vahingossa olisimme hukanneet historian lämpötilahavainnot, olisi hukkumiskuolemat hyvä apumuuttuja. Pelkästään edellisen viikon hukkumisiin perustuvat ennusteet ovat tässä tapauksessa 6.7% pielessä. Lopuksi vielä yhteenveto, kuinka tarkasti saatiin 100 uutta myyntihavaintoa ennustetttua.

EnnustajaKeskimääräinen virhe
Oma historia7.33%
Lämpötila6.45%
Hukkumiset6.73%
Lämpötila+Hukkumiset6.43%

Regressiomallien lisäksi muita ennustamisen työkaluja ovat aikasarja-analyysi silloin kun kiinnitetään erityistä huomiota ajassa systemaattisesti toistuviin kuvioihin. Sitten kun käsillä on ajassa stabiili ilmiö, mutta paljon potentiaalisia selittäjiä sekä paljon dataa, arvoon arvaamattomaan nousevat erilaiset koneoppimisalgoritmit kuten neuroverkot tai päätöspuut. Mikäli useiden potentiaalisten selittäjien lisäksi meillä on hieman ymmärrystä näiden selittäjien keskinäisistä riippuuvuussuhteista, voidaan dataa ja asiantuntemusta yhdistää Bayes-verkkojen avulla tai simuloimalla maailman menoa ymmärryksemme rajoissa.

Käyttipä mitä tahansa näistä ennustusmenetelmistä tai jotain niiden yhdistelmää, meillä on kaksi ikävää kiusaa:

  • Ylisovittaminen: tietämättämme yritämme tulevaisuutta ennustaa sellaisilla historiallisilla piirteillä, jotka ovat toteutuneet aiemmin vain sattumalta eivätkä kuvaa ilmiötä tulevaisuudessa. Tätä ongelmaa olen ruotinut aiemmin tässä kirjoituksessa.
  • Pysyvät muutokset muuttujissa, joita ei olla aiemmin mitattu. Esimerkiksi lakimuutokset voivat ohjata ihmisiä käyttäytymään tulevaisuudessa eri tavalla kuin mihin aiemmin olemme tottuneet. Tätä ongelmaa olen käsitellyt tarkemmin tässä kirjoituksessa.

Kiitos mm. edellä mainittujen haasteiden ennakoivassa analytiikassa vaaditaan jo huomattavasti korkeamman tason koulutusta kuin kuvailevassa analytiikassa.

Diagnosoiva analytiikka

Diagnosoivalla analytiikalla pyritään löytämään asioiden välisiä syy-seuraus-yhteyksiä. Tieteellisen uteliaisuuden lisäksi liiketoiminnan kannalta kiinnostavaa voisi olla selvittää, mitä asioita muuttamalla saisimme myyntiä kasvatettua. Ennakoivan analytiikan maailmassa korrelaatiokertoimet antoivat hyviä vinkkejä, mitä muuttujia voisimme hyödyntää ennustamisessa. Kun tavoitteena on puuttua itse peliin asioiden muuttamiseksi, vain korrelaatioita tuijottamalla voisimme päätyä raportoimaan jäätelöyrittäjälle: ”Myynnin edistämiseksi kannattaa alkaa hukuttamaan ihmisiä”. Tämähän ei alkuunkaan pidä paikkansa niinkuin kohta tullaan näkemään.

Varmin tapa syy-seuraus eli kausaaliyhteyden selvittämiseksi on tehdä satunnaisettu koe riittävällä määrällä toistoja. Näistä klassinen esimerkki on antaa satunnaisesti toisille koehenkilöille oikeaa lääkettä ja toisille koehenkilöille lumelääkettä. Vaikutuksia vertailemalla voidaan saada selville, onko lääkkeessä oikeasti tehoa. Modernimpi esimerkki on verkkokaupan käyttöliittymän A/B-testaus, jossa satunnaisesti toisille asiakkaille nettisivulle näytetään punainen nappi ja toisille sininen nappi ja vertaillaan vaikuttaako napin väri sen klikkausten määrään.

Mikäli satunnaistetut kokeet eivät ole mahdollisia, voidaan yrittää metsästää luonnollisia kokeita. Esimerkiksi voidaan ottaa seurantaan henkilöt, jotka ovat juuri ja juuri päässeet läpi lääkiksen pääsykokeista ja vertailla tätä joukkoa niihin jotka jäivät niukasti ulos lääkiksestä. Voidaan olettaa että pienet erot pääsykokeen pistemäärissä jouhtuvat suurelta osin satunnaistekijöistä ja näin ollen on luotettavaa tehdä päätelmiä lääkiksen kausaalivaikutuksista loppuelämän onnellisuuteen.

Viimeisimpien vuosikymmenien aikana on erityisesti Judea Pearlin johdolla kehitetty kausaalimalleja, jotka auttavat tekemään kausaalipäätelmiä myös silloin kun käytössä havaittua dataa, mutta ei voida tehdä satunnaistettuja kokeita. Niissä aluksi pitää pystyä aiempiin tutkimuksiin perustuen rakentamaan graafi, josta näkee mitkä muuttujat vaikuttavat mielenkiinnon kohteina oleviin muuttujiin. Mikäli tärkeimmät näistä taustamuuttujista on mitattu, kausaalipäätelmät voivat olla mahdollisia.

Meidän kolmen muutttujan tapauksessa ilmiötä kuvaava graafi on esitelty kirjoituksen alussa. Tässä hyvin yksinkertaisessa maailmassa pystymme tutkimaan hukkumisten kausaalityhteyttä myyntiin. Kun laitamme sekä lämpötilan, että hukkumiset samaan regressiomalliin selittämään myyntiä, hukkumisella ei ole mitään selitysvoimaa, koska lämpötila on kaiken juurisyy. Näin ollen data näyttää, että ihmisiä on aivan turha alkaa hukuttamaan myynnin edistämiseksi.

Monimutkaisempien ilmiöiden tutkiminen kausaalimalleihin tukeutuen on itselläni vielä vaiheessa, joten ei kannata puhua tässä siitä sen enempää. Silti osa omaa analyysiprosessia on hahmotella graafiksi erilaisia potentiaalisia taustalla lymyileviä syy-seuraus-yhteyksiä, joita voi sitten asiaan paremmin vihkiytyneet haastaa. Mikäli mielenkiinto kausaalimalleihin heräsi, kannattaa aloittaa Judea Pearlin tietokirjasta ”The book of why”, josta Kimmo Pietiläinen on tehnyt myös suomenkielisen käännöksen: ”Miksi – syyn ja seurauksen uusi tiede”.

Ohjaileva analytiikka

Ohjaileva analytiikka on tässä lajittelussa laitettu viimeiseksi, koska pohjalla pitää olla alemman tason analytiikkaa päätöksenteon tueksi. Täältä huipulta kannattaa kuitenkin aina aloittaa pohtimalla, mitä halutaan tehdä. Mihin liittyviä päätöksiä analytiikalla halutaan parantaa? Esimerkkejä:

  • Halutaan kehittää jäätelönmyynnin logistiikkaa: miten paljon mitäkin makua pitäisi toimittaa kioskille, että asiakkaat saavat mitä haluavat, mutta jäätelöä ei tarvitsisi kohtuuttomia määriä pakastimessa varastoida. – > Ratkaisu: Päätöksenteon tueksi tarvitsemme ennakoivaa analytiikkaa, jolla arvioidaan kuinka paljon mitäkin makua menee ensi viikolla.
  • Halutaan lisätä jäätelön kysyntää. -> Ratkaisu: Diagnosoiva analytiikka. Johtopäätös on se, että korkeammat lämpötilat johtaisivat korkeampaan myyntiin. Mutta koska kaikki säiden hallitsemiseen kykenevät tahot ovat niin kallispalkkaisia, ei tällaista hanketta kannata toteuttaa. Laitetaan resurssit muun toiminnan kehittämiseen.

Kun pohjalla on riittävästi oppia analytiikan alemmilta tasoilta, ohjaileva analytiikka on pääasiassa erilaisia optimointialgoritmeja. Lisäksi on olemassa itseoppivia päätöksentekoalgoritmeja, jotka päivittävät omaa ymmärrystä aina päätöksestä tulleen palautteen perusteella.

Päätöksenteon optimointi on liian laaja aihe alkaa tässä syvemmin käsiteltäväksi, mutta se vaanii kaiken liiketoiminta-analytiikan taustalla. Ennen hosumista liian pitkälle datan kanssa, olisi hyvä ymmärtää mitä päätöksiä halutaan parantaa. Se mahdollistaa, että analytiikan alimmalta portaalta ponnistaessa edetään oikeaan suuntaan. Toisinaan matkalla opitaan jotain uutta, jonka vuoksi kurssia joudutaan kääntämään. Tämä tekee seikkailusta kuin seikkailusta entistä jännempää.

Lopputurinat

Dataan pohjautuvalla analytiikalla on useita eri tasoja ja niiden sisällä eri etenemispolkuja. Jotta varmistetaan datan penkomisen hyödyllisyys, aluksi pitäisi kirkastaa, mitkä päätöksentekoprosessit yrityksessä kaipaavat hiomista. Sitten valitaan sellainen polku, jota olemassa olevan datan pohjalta on mahdollista edetä. Lopulta päätöksenteko on kaksivaiheista: ensin opitaan, sitten päätetään.

Facebooktwitterredditpinterestlinkedinmail