Kas kogu maailma vesi on joodav?

Olen mitmel korral kirjutanud andmete visualiseerimisest, siinkohal toon lühidalt näiteid elust enesest – kuidas pilt on aidanud andmete sisu paremini edasi anda. Need näited on erinevate ettevõtete juhtimisinfo lahendustest, andmed ja nimed on loomulikult muudetud.

Müügikäibe ja –kasumi seosed

Esimeseks näiteks on käibe ja kasumi vaheliste seoste esitamine. Reeglina kasutatakse meil Exceli tabelist moodustatud tulpdiagrammi, kus tulpades on summeritult klientide müügikäive ja kasum, mida siis erinevate kvartalite või kuude lõikes kõrvutatakse. Samamoodi saab müüki ja katet ritta sättida erinevate klientide, toodete või tarnijate kaupa, kuid need näitavad siiski kõik vaid hetke seisu.

Näide 1: Müügikäive- ja kasum lihtsas tulpdiagrammis

Kui müügijuhi käest küsida, kuidas ta tegelikult tulemust parandada saaks, siis sellised graafikud teda väga edasi ei aita. Pigem otsib ta seoseid, mille arvelt käive või kasum on muutunud, kes müüjatest kaotas või võitis turgu ja kas seda on tehtud müügimarginali arvelt või ei. Kui esitada andmed graafiliselt nii, et on näha ka seosed ja liikumine, siis on pilt müügijuhi jaoks oluliselt informatiivsem. Järgneva pildi x-teljel on müügimaht ning y-teljel marginaal, seega paremale osutavad nooled näitavad müügimahu kasvu, vasakule kahanemist ning noole suund üles või alla näitab vastavalt marginaali muutust. Iga nooleke esindab vastavalt kas müügimeest, toodet, tarnijat – nii nagu paremal olevast valikukastist on määratud, vaadeldavat ajaperioodi saab samuti jooksvalt muuta.

Näide 2: Müügikäibe ja –kasumi muutuse seostatud esitlus

Müügi ja laoinfo ühel pildil

Teise näite toon ka üsna levinud valdkonnast – igas hulgimüügifirmas on olemas aruanne, mis näitab ühes tulbas valitud perioodi müüki ja teises hetkel laosoleva kauba kogust. Nende kahe tulba pealt on lihtne prognoosida, mitmeks päevaks kaupa jätkub ja kas seda on vaja juurde tellida. Kõik tundub kena olevat, kuid tihti jääb märkamata selline „pisiasi“, et taolisel aruandel ei kajastu kaubad, millel on küll olemas laoseis, kuid mida valitud aruandeperioodis ei müüdudki!

Sellise olukorraga olen kokku puutunud mitmes firmas – tootejuhid näevad küll millised tooted hakkavad otsa lõppema, kuid nööri teine ots – liigse laovaru info selles aruendes ei kajastu. Tihti on sellise olukorra põhjuseks asjaolu, et kasutatav aruandlusvahend lihtsalt ei võimaldagi raporteerida seda, mis jäi juhtumata. Tõsi – lauvarude aruandest saab seisvate kaupade info kätte, kuid seal puuduvad jälle müügiandmed. Nii et nokk-kinni-saba-lahti olukord. Õnneks on olemas tööriistad, mis võimaldava sellise lihtsa, kuid sisulise täienduse teha ning seeläbi aidata oluliselt tarneahala juhte.

Saamata jäänud müügid

Kolmas näide on saamata jäänud (kaotatud) müügist. Samuti lihtne ja paljukasutatud aruanne, kus lihtsa lisandusega võib oluliselt nutikust juure anda. Allolevas näites on lisaks toimunud müügile leitud juurde ka erinevus võrreldes sama kliendi eelmise perioodi müügiga. Näeme, et osade klientide puhul on müük tõusnud, osade puhul langenud. Kui müügimahu suurenemist või vähenemist aeg ajalt isegi jälgitakse klientide lõikes, siis tihti jäetakse see summeerimata. See lihtne tehe annab aga väga selge teadmise saamata jäänud tulude kohta ning aitab hinnata erinevate müügitegevuste olulisust.

Näide 3: Saamata jäänud müügid

Segmenteerimine vastavalt kliendikäitumisele

Neljas näide on klientide müügikäitumise järgi segmenteerimisest. Selle asemel, et vaadata müüki kliendi demograafiliste näitajate alusel võiks pigem analüüsida kliente nende ostukäitumise või käitumisharjumuste järgi. Ärianalüüsi tööriistad annavad võimalusi sellisteks grupeeringuteks ilma, et peaks tegema suuri muutusi alusandmetes või andmelaos. Grupeerimine tehakse n.ö. esitluskihis ehk töölehel, see tagab kasutajale vajaliku analüüsivõimekuse. Alloleval graafikul on näiteks toodud kolme aasta müügivõrdlus, mis on jaotatud vastavalt stabiilse, kasvava või kahaneva mahuga klientide lõikes. Nii on kohe näha kaotatud või uute klientide osakaal ning oluliselt paremini saab lahti mõtestada müügidünaamika põhjuseid. Sarnaselt saab grupeerida kliente vastavalt ostusageduse, lisamüükide, erinevate tootegruppide ostude või mõne muu ettevõtte jaoks olulise näitaja alusel.

Näide 4: Segmenteerimine vastavalt klientide ostukäitumisele

Mida ma nende näidetega öelda tahan?

Esimese tähelepanekuna – olukord, kus me „saame kogu vajaliku info kätte“ pole enam piisav. Targemate otsuste tegemiseks on vaja seda informatsiooni seostada ja viia see tegevuspõhiseks. Samas valdab meid kõigepealt soov saada teada ja alles siis mõtestada seda, mida teada saime. Hea visualiseering reeglina aitab meil nii teada saada kui ka loob seosed.
Siit soovitus kõikidele andmeanalüüsi tegijatele – proovige mõista, mida kasutajad selle infoga peale hakkavad? Kas nad soovivad lihtsalt teada saada või ka tegutseda selle info baasil? Ja kui tegutseda, siis kas kasutatav infoesitlus on selleks küllalt selge? Ärgem unustagem, et silmadega võtame maailmast ligikaudu 70% informatsiooni, seetõttu jääb näiteks televiisor alati populaarsemaks kui raadio, sest üks neist omab lihtsalt palju suuremat mõju meie vastuvõtu aparaadile.

Teine üldistus on see, et mitte iga info pole väärtuslik. Informatsiooni väga sagedaseks metafooriks on olnud vesi. Laiendagem seda metafoori: kasulikud andmed on nagu joogivesi. Joogivee kohta on üldteada fakt, et kogu maailma veevarudest moodustab see ainult umbkaudu 1% (97% on joogiks kõlbmatu merevesi ja 2% vett on jäätunud olekus liustikud). Seega, kõik andmed pole ühtviisi head tarbimiseks. Veelgi enam – enamik neist on tarbimiseks kõlbmatud! Seetõttu mõelgem enne, kui järjekordset TOP 10 aruannet looma hakkate. Mõelge, kas see aitab meil paremini mõtestada seoseid asjade vahel ja annab võimaluse teha midagi teisti? Või hoopis tekitab emotsioone, mis üldjuhul pärsivad või alandavad meie võimet midagi efektiivselt teha.