Kone oppii ja opastaa luomaan liiketoiminta-arvoa

Jarkko Hänninen.

car engine.jpeg

Paljon on puhuttu viime aikoina analytiikasta, koneoppimisesta ja data sciencestä. Edelläkävijäyritykset ovat hyödyntäneet näitä jo vuosia, ja nyt alkaa olla hetki kun samoja oppeja aletaan soveltaa ja hyödyntää myös muissa yrityksissä. Mutta ennen kuin tähän päästään, pitää ymmärtää miten oman yrityksen päätöksenteko hyötyy näistä trendi-ilmiöistä. Kuten muissa liiketoiminnan kehitystehtävissä, myös analytiikan puolella tekeminen aloitetaan perusteiden opettelusta ja käsitteiden ymmärtämisestä.

Teknologisesta näkökulmasta mahdollisuuksia alkaa olla tarjolla jo niin monia, että kysymys on enää siitä, miten näitä työkaluja halutaan soveltaa omaan liiketoimintaan. Tavoitteena on aina jonkinlainen positiivinen vaikutus (esimerkiksi asiakastyytyväisyyden parantaminen, toimitusaikojen nopeuttaminen tai tuloskunnon kehittäminen) ennakoimalla liiketoiminnan kannalta olennaisimpia asioita. Rajaa siis tärkein liiketoimintaongelmasi, valitse työkalusi ja ala kehittämään liiketoimintaasi.

Myös Qlik Senseen on mahdollista tämän kesän uuden version myötä yhdistää R ja Python –malleja osaksi yhtenäistä tiedon jalostus- ja analysointiketjua. Tämä on siinä mielessä erittäin odotettua, että monissa yrityksissä on valmiina data scientistien ja –analyytikkojen luomia tilastomalleja. Näin ollen pyörää ei tarvitse keksiä kokonaan uudelleen. Myöskin tuotannointi tulee helpottumaan, sillä tuttuun Qlik-latausskriptiin saadaan tilastomallit mukaan samaan pakettiin – ennusteita voidaan laskea uusille tapauksille ja riveille (esimerkiksi asiakkaalle, toimittajalle tai tuotantokoneelle) normaalien ”toteumapainotteisten” latauksien yhteydessä. Hienona ominaisuutena mukaan tulee reaaliaikainen interaktiivinen analytiikka, jonka avulla muun muassa R-mallia voidaan kutsua käyttäjän valintojen perusteella ilman raskaita massiivisia uudelleen laskentoja, ja näin ennusteita lasketaan lennosta päätöksenteon tueksi tarpeen mukaan. Seuraavaksi demoan R:n käyttämistä Qlikistä avointa dataa hyödyntäen.

Case esimerkki: Ajetaanko autolla yli 15 000 kilometriä vuodessa?  

Yksinkertaisena käytännön esimerkkinä haluan tietää autoa ostaessani, millaisella autolla tullaan ajamaan yli 15 000 kilometriä vuodessa. En halua ostaa menopeliä, joka seisoo kokoajan parkissa tai on rikki (tai muuten vain poissa käytöstä). Onneksi meillä on käytössä Trafin julkaisemaa avointa dataa Suomen ajoneuvokannasta. Rajaan merkit tässä vaiheessa Audiin, Volkkariin ja Skodaan, sillä vain nämä ovat olleet mietinnän alla. Tämän lisäksi putsaan dataa mallinnusta varten. Haluan verrata kymmentä eri vaihtoehtoa Suomen ajoneuvokantaan ja ennakoida auton käyttöä ennen hankintapäätöstä. Alla näkyvistä kuvista tulee esille miten ennusteita voidaan tehdä interaktiivisesti suoraan Qlikin käyttöliittymästä R-mallia hyödyntämällä. 

interaktiivinen ennuste R-mallilla

Ennusteita ei siis olla tässä tapauksessa laskettu valmiiksi, vaan laskentaa tehdään käyttäjän valintojen perusteella – Qlikin assosiatiivisen tietomallin ja erillisen R-mallin avulla. Kun käyttäjä valitsee auton, Qlik kutsuu R-mallia ja saa ennustetuloksen samantien napin painalluksella.

Tämä on yksi simppeli esimerkki interaktiivisesta analytiikasta avoimella datalla ja seuraavassa blogikirjoituksessani tulen avaamaan tarkemmalla tasolla miten tämä saadaan teknisestä näkökulmasta osaksi päätöksentekoa. Toisin sanoen tulen kertomaan millaista tekemistä, osaamista ja ymmärrystä (interaktiivisen) ennakoivan analytiikan hyödyntäminen edellyttää.

Aurinkoista ja tiedonjanoista kesää!

 

P.S. Jos etsit töitä analytiikan tai raportoinnin alueelta, ota minuun rohkeasti yhteyttä ja kysele lisätietoja. Meillä on auki useita paikkoja. Katso avoimet työpaikkamme.