Tämä kirjoitus on jatkoa Tekoäly taloudessa: nykytila, haasteet ja mahdollisuudet tutkimusraportille ja webinaarille.
Mitä liiketoiminnassa pitäisi suunnitella ja mitä asioita ennustaa? Vastaus riippuu paljolti siitä, keneltä kysytään – myynniltä, henkilöstö- tai taloushallinnolta tai onko toimija julkinen vai yksityinen. Yksityisellä puolella esiin nousevat myynnin, resurssitarpeiden, erilaisten kustannusten, investointien ja projektien suunnittelu. Julkisella puolella toimintaa puolestaan ohjaa edelleen vahvasti vuosibudjetti, mutta tarpeet toiminnan luotettavaan ennustamiseen ovat varsin samat. Julkishallinnossa myyntiä vastaavaa kysyntää tulee lakisääteisistä vaateista ja tehtävistä, jotka pitää tehdä ja resursoida. Parempi ennustaminen ja ennakointi ohjaavat resurssit tehokkaimpaan käyttöön.
Erilaisia algoritmeja hyödyntäviä ennustemalleja on ollut olemassa ja käytössä jo jonkin aikaa. Useista myynnin, logistiikan ja talouden suunnittelutuotteista näitä automaattisen ennustamisen toiminallisuuksia siis löytyy. Viime vuosina lisääntynyt digitalisoituminen ja keskustelu tiedon arvosta on ohjannut yrityksiä ja julkisia toimijoita miettimään, mitä kaikkeen omaa ja ulkoista dataa voitaisiin hyödyntää. Talouden ja toiminnan ennustemallit ovat yksi käyttökohteista digitaalisen tiedon hyödyntämiseen.
Ideaalitilanne?
Tietoa hyödyntämällä voidaan tuottaa automaattisesti vastaavia suunnitelmia kuin suunnittelijat tekevät vielä varsin manuaalisesti. Voiko koneellisesti tuotettu ennuste todella helpottaa suunnittelijoiden arkea tai ratkaista jonkin operatiivisen ongelman? Ideaalitilanteessa ”laskentakone raksuttaa” taustalla ja tuottaa automaattiennusteita ja analyysejä, jotka viedään raportointiin ja eteenpäin päätöksentekoa varten. Harvoin kuitenkaan tämä koneen tuottama, mahdollisesti ihmisen ennusteita tarkempikin ennusteskenaario on se lopputulema, jota älykkäämmältä suunnittelulta alun perin odotettiin. Tarve piilee siis jossain muualla.
Suunnittelijan ”älykästä” työkalupakkia rakennettaessa tulee ymmärtää, että logiikkaa taltioidessa ei parametrisoida pelkkiä seurauksia.
Todelliset tarpeet
Suunnittelun todelliset tarpeet ovat usein yksinkertaisia. Halutaan tehdä päätöksiä tai ymmärtää seuraukset jonkin asian suhteen hyödyntämällä käytössä olevia tietoja. Erityisen tärkeää on asioiden syy-seuraussuhteiden tunnistaminen; Miksi tapahtui näin? Tämähän on kuitenkin taaksepäin katsomista. Peruutuspeiliin katsominen ei kuitenkaan usein riitä, vaan halutaan myös tehdä simulaatioita tulevaisuuteen liittyen, eli mitä jos –tyyppisiä analyysejä, sekä ohjata toimintaa oikeisiin asioihin.
Mikäli suunnittelijalle ei anneta mahdollisuutta vaikuttaa käytössä olevan simulaatiotyökalun parametreihin, tulevaisuuden skenaarioiden simulointi ei onnistu. Täytyy siis kyetä tiedon kautta tunnistamaan merkitykselliset asiat, mutta jättää suunnittelijalle mahdollisuus tutkia eri parametrien vaikutuksia lopputulemaan. Parametrilla tarkoitan tässä esimerkiksi mahdollisuutta simuloida sään vaikutuksia rakennustyömaan edistymiseen tai jonkin tietyn myymälän kävijämääriin, tietyn tuotteen kysyntään ja sitä kautta myyntiin. Tiedon kautta voidaan siis tunnistaa merkitykselliset asiat, mutta suunnittelijalle täytyy jättää mahdollisuus tutkia eri parametrien vaikutuksia lopputulemaan ja valita hänen mielestään todennäköisin vaihtoehto.
Suunnittelijan ”älykästä” työkalupakkia rakennettaessa tulee ymmärtää, että logiikkaa taltioidessa ei parametrisoida pelkkiä seurauksia. Tässä hieman raflaava esimerkki; jos analyysi kertoo yrityksen asiakaspoistumariskin olevan huomattavasti suurempi korkeakoulutettujen joukossa kuin pelkästään lukion käyneillä, tämä on vain seuraus jostain. Tuskin saamme yrityksen asiakaspoistumariskiä pienenemään lisärahoittamalla paikallista yliopistoa tai vaatimalla opiskelupaikkojen lisäämistä. Yrityksen tuotteet, hinnoittelu, viestintä kenties arvot, jokin näistä ei mahdollisesti kohtaa korkeakoulutettuja ja siksi he luopuvat palveluista tai vaihtavat kilpailijalle.
Todelliset syyt ovat niitä asioita, jotka halutaan tuoda suunnittelijan avuksi ja taltioida suunnittelumallin logiikkaan. Syyt tunnistamalla ja niiden avulla pystytään lopulta tekemään oikeasti vaikuttavia toimenpiteitä, eli esimerkiksi korjaamaan ja ohjaamaan toimintaa haluttuun suuntaan sekä tekemään valintoja esimerkiksi kustannustehokkuuden ja halutun lopputuleman välillä. Tärkeää on ymmärtää, että mikäli nykyisten käytössä olevien tietojen avulla asiantuntija ei pysty vahvistamaan todellista syytä, tarvitaan ennustemalliin uusia tietolähteitä ja parempia tietoja.
Kehityssuunnat
Älykkäät ratkaisut, olivat ne sitten koneoppivia tai tilastolliseen mallinnukseen perustuvia, eivät mielestäni tule korvaamaan tarvetta suunnittelijoille. Älykkäät ratkaisut mahdollistavat varmuudella ihmiselle mahdottomien suurien tietomassojen läpikäynnin ja ovat ihmissilmää tarkempia. On kuitenkin hyvä muistaa, että tarvittavat tiedot on ensiksi tunnistettava ja muokattava koneen tunnistettavaan muotoon. Vasta sitten yhteistyö koneen kanssa voi alkaa. Tämän jälkeen on vielä edessä perinteiset suunnittelun haasteet, kuinka lopullisesta ennusteratkaisusta saadaan mahdollisimman helppokäyttöinen ja skaalattavissa oleva useamman henkilön käyttöön sekä mahdollisimman moniin erilaisiin käyttötapauksiin. Markkinalla olevista suunnittelutyökaluista Jedox:in AIssisted TM Planning –ratkaisu on ottanut asiassa merkittävää etumatkaa.
Blogin kirjoittaja Teemu Vuorinen toimi CGI:llä talouden analytiikan konsulttina.
Tutustu myös
Kirjoittajasta
CGI Suomen asiantuntijat
Kirjoituksia asiantuntijoiltamme
CGI on kansainvälisesti suomalainen digitalisaatiokumppani. Suomessa noin 3 800 asiantuntijaa konsultoivat asiakkaitamme liiketoiminnan ja ICT-ratkaisujen kehittämisessä. Tällä profiililla julkaisemme kirjoituksia CGI:n eri asiantuntijoilta.
