Haluatko hyödyntää ennakoivaa analytiikkaa? Hyvä perusta antaa siihen valmiudet

Haluatko hyödyntää ennakoivaa analytiikkaa? Hyvä perusta antaa siihen valmiudet
Viimein se on tapahtunut: jokainen yritys on alkanut panostaa dataan ja näkee sen liiketoiminnallisen arvon. Toiset ovat kuitenkin datan hyödyntämisessä pidemmällä kuin toiset.

On yrityksiä, jotka mukauttavat toimintamallejaan analytiikan perusteella. Näin ne pystyvät ennakoimaan tulevaisuutta, mutta myös vaikuttamaan siihen.

On myös niitä yrityksiä, jotka visionäärisesti suunnittelevat erilaisia tekoälykokeiluja, sillä hypetetty aihe on kuuma juuri nyt. Moni haluaa ratsastaa aallonharjalla. Hypen keskellä herää kysymys: ymmärtäväthän visiönäärit sen valmistelu- ja pohjatyön, jota tarvitaan, jotta tekoälykokeilu tuottaa järkeviä lopputuotoksia?

Jos annat palan dataa, saat palan mallia ja ehkäpä vain palan lopputuotosta. 

Tekoälyprojektin 7 vaihetta

Datan hyödyntämiseen tähtäävä mallinnusprojekti sisältää useita eri vaiheita. Ne kaikki vaikuttavat toisiinsa.

  • Toiminnan ymmärtäminen. Lähtöpisteenä on liiketoiminnallinen haaste, jota ryhdytään tutkimaan datan avulla. Tutkittavaan haasteeseen liittyy erilaisia ilmiöitä ja tekijöitä, ja niitä pitää tunnistaa monipuolisesti ennen varsinaista datan keruuta ja mallinnusta. 
  • Datan identifiointi ja ymmärtäminen. Kun tiedät, mihin liiketoiminnalliseen haasteeseen haluat löytää vastauksia, ja ymmärrät, mitkä tekijät siihen vaikuttavat, on aika kääntää sama datakielelle. Selvitä myös, mistä kyseistä dataa konkreettisesti saa, minkälaisessa muodossa ja kuinka pitkältä ajalta? 
  • Datan valmistelu: Identifioitu data tuodaan tässä vaiheessa esimerkiksi tietovarastoon. Se puhdistetaan, yhdistetään ja muokataan siten, että muodostuu mallinnuksen datasetti. Tässä kohden kannattaa kiinnittää huomiota myös datan laadun monitorointiin ja datan pseudonymisointiin (henkilötietojen tunnistettavuuden häivyttäminen). Miten aiot hallita isot datamassat myös tulevaisuudessa?  
  • Mallinnus: Tämä tarkoittaa sopivien algoritmien ja parametrien soveltamista kyseessä olevaan ongelmaan.
  • Arviointi: On aika tulkita mallinnuksen tuloksia. Vastaavatko ne siihen, mitä lähdit tutkimaan? Ovatko käytetyt muuttujat ja parametrit hyviä? Onko data ylipäänsä oikeanlaista vai pitäisikö hankkia muunlaista dataa?
  • Käyttöönotto: Malli otetaan käyttöön. Ethän unohda suunnitella liiketoiminnan prosessien mukauttamista samaan aikaan?
  • Mallin monitorointi ja kalibrointi: Monitoroi mallia käyttöönoton jälkeen, jotta sen suorituskyky ja laatu pysyy sillä tasolla, jota liiketoiminta edellyttää. Alkuperäinen haaste ja erityisesti siihen liittyvät ilmiöt muuttuvat ajan kuluessa, joten saatat joutua kalibroimaan mallia.

Kun puhun ennakoivan analytiikan hyödyntämisestä ja erityisesti siihen liittyvästä valmistelutyöstä, tarkoitan erityisesti toiminnan ymmärtämistä, datan identifiointia ja ymmärtämistä sekä datan valmistelua. 

analytiikka kuva

Tekoälyprojektiin ryhtyvän pitää siis ensin kirkastaa ja kuvata se ongelma, jota hän haluaa lähteä ratkaisemaan. Tavoite ja visio ohjaavat mallinnusprojektia alusta loppuun. 

Otetaan esimerkki: Vakuutusyhtiö haluaa tehdä konkreettisia asiakaspalvelu- ja markkinointitoimenpiteitä, jotta asiakaspoistuma vähenisi. Ensin sen pitää kuitenkin tunnistaa, mitkä tekijät vaikuttavat asiakaspoistumaan, ja miltä tulevien kuukausien ennusteet näyttävät. Tavoite ohjaa tavoitellun lopputuloksen tarkkuustasoa sekä sitä mitä konkreettisia toimenpiteitä pitää aloittaa analyysien perusteella.

Kun ongelman tunnistamista pohtii datan näkökulmasta, voi löytää joukon keskeisiä liiketoiminnan käsitteitä, joilla on suhde toisiinsa. Vakuutusyhtiöesimerkissä näitä käsitteitä ovat esimerkiksi asiakas, sopimus, vakuutustuote ja korvaushakemus. Esimerkiksi asiakkaan ja sopimuksen välillä on linkitys ja sopimukseen liittyy jokin vakuutustuote, jolla taas on tiettyjä ominaisuuksia. Oman liiketoiminnan keskeiset käsitteet ja niiden väliset linkitykset kannattaakin kuvata käsitemalliksi.

Lisäksi ongelmaa tutkaileva tunnistaa oitis ilmiötä selittäviä tekijöitä. Vakuutusyhtiön kohdalla näitä voivat olla ikä, asuinpaikkakunta, sopimuksen kesto, maksetut korvaukset, omavastuu ja hylätyt korvauspäätökset – vain muutamia mainitakseni. Mallinnusta varten näitä ilmiötä selittäviä tekijöitä voidaan tunnistaa satoja ja niistä voidaan sitten valita keskeisimmät hyödynnettäväksi. 

Tässä vaiheessa on jo selvää, että ylempänä mainittuun Datan identifiointi ja ymmärtäminen -vaiheeseen kuuluu merkittävästi aikaa. 

Miten selittävät tekijät sitten ilmenevät datana? Minkälainen linkitys ja logiikka niillä on toisiinsa nähden? Mistä sitä dataa ylipäänsä saa, ja mikä data todella vastaa alkuperäiseen ongelmaan? Kaikkea dataa voidaan varmasti kerätä ja monikin data voi olla mielenkiintoista, mutta kaikella datalla ei välttämättä ole vaikuttavuutta. 

Kun yritys tuottaa dataa mallinnusta varten ja kokoaa sen esimerkiksi tietovarastoon, kannattaa luoda sellainen tietomalli, joka pohjautuu aiemmin kuvattuun liiketoiminnan käsitemalliin. Tällöin huolehditaan samalla siitä, että datan keruu tehdään kestävästi ja sitä voidaan hyödyntää monipuolisemmin. 

Viimeistään tässä kohtaa on pakko kiinnittää huomiota datan laatuun. Huonolaatuinen data nimittäin vaikuttaa väistämättä lopputuloksen luotettavuuteen. Mikäli esimerkiksi dynaamisen hinnoittelun tuomiin ehdotuksiin joudutaan lisäämään liiaksi puskuria datan huonon laadun vuoksi, sillä on aivan suoria vaikutuksia liiketoimintaan ja kilpailutilanteeseen. 

Datan valmisteluvaiheessa kannattaakin testata ja kontrolloida datan laatua eri tavoin. Se tapahtuu muun muassa: 

  • lisäämällä tiedon laadun monitorointia kriittisen datan osalta sekä 
  • implementoimalla datan laadun kontrollipisteitä jo lähdejärjestelmäpuolelle.

     

Tutustu palveluihimme Data & analytiikka

Tekoälyprojektin valmisteluvaihe vaatii panostusta, mutta se maksaa itsensä takaisin

En tarkoita etteikö mallinnusta voisi tehdä pienemmällä panostuksella ja kevyemmin. Mutta kun yritys satsaa riittävästi datan identifiointiin ja ymmärtämiseen sekä datan valmisteluun, se saa vankat lähtökohdat itse mallintamiseen. Näin myös tavoiteltu lopputulos on monta askelta lähempänä. Data ja mallinnus eivät myöskään koskaan ole itsetarkoitus, vaan ne toimivat aina välineinä toiminnan ja ilmiöiden ymmärtämiseen.

Jos aihe kiinnostaa ja pohdit, kuinka yrityksesi voisi lähteä tehokkaasti liikkeelle prediktiivisen eli ennakoivan analytiikan hyödyntämisessä, ota yhteyttä!

Ota yhteyttä