Kirjoittaja: Marita Kokko
Kuva: Heikki Kivijärvi
Tekoälyllä toteutetussa analytiikassa kiteytyy ihmisen ja koneen ero.
“Pystymme hyödyntämään konetta osa-alueilla, joilla se on ihmistä ylivoimaisempi päättelyssään. Ihminen taas on tosi hyvä palvelemaan toista ihmistä ja ymmärtämään tämän tunnetiloja”, avaa Houston Analyticsin kasvujohtaja, tietokirjailija, KTM Antti Merilehto.
“Valtaosalle tekoäly ei itsessään ole kiinnostava asia, vaan se on työkalu. Samaan aikaan sitä olisi kuitenkin hyvä ymmärtää, koska eteen tulee väistämättä sekä eettisiä että opetusdataan liittyviä kysymyksiä”, Merilehto perustelee.
Tämän hetken bisneksessä tekoäly on ennusteen koko ajan laskeva kustannus. Merilehto pitää tätä tiivistystä, joka on Toronton yliopiston professori Avi Goldfarbin käsialaa, parhaana määritelmänä tekoälyn merkityksestä bisnekselle.
“Jos ennen tiedolla johtaminen oli raportointia siitä, mitä oli tapahtunut, tuo tekoäly johdon käyttöön analyysin vahvistaman ennusteen tulevasta. Pystymme ennustamaan entistä pienempiä ja bisneksen kannalta vähemmän kriittisiä asioita tekoälyn ja sen prosessoiman datan avulla”, Merilehto toteaa.
Esimerkin tarjoaa kaupan ala. Tekoälyn ansiosta on mahdollista ennakoida, paljonko asiakkaita tulee kauppakeskukseen minäkin viikonpäivänä mihinkin kellonaikaan, ja paljonko silloin tarvitaan työntekijöitä. Jos kaikki ihmiset ovat menossa supermarkettiin tuohon aikaan, tarvitaan vaateliikkeessä silloin vähemmän myyjiä.
Ensimmäinen vaihe analytiikalle kuvaa nykytilanteen: montako työntekijää meillä ja paljonko tunteja he tekevät. Syntyy datan reaaliaikainen näkymä, johon yhdistetään asiakkaiden käyntidataa verkkokaupassa ja liikkeessä sekä kuittitietoa. “Kun yhdistämme tiedon monesta lähteestä, saamme ymmärryksen ilmiöstä, ja pystymme sen pohjalta tekemään ennusteita”, Merilehto toteaa.
Kyllin laajan tiedonkeruun välttämättömyyttä Merilehto avaa esimerkillä henkilöstöravintolasta. Se ei ole turistikohde, vaan lähituntuman työntekijöiden lounaspaikka. Analytiikan ansiosta ravintola voi täsmentää menekkiodotuksia eri viikonpäivänä ja ateriatyyppien painotusta eri kellonaikoihin. “Yhden henkilöstöruokalan data ei riitä relevanttiin ennakointiin, vaan tarvitaan kahden, kolmen alueella toimivan, asiakaskunnaltaan vertailukelpoisen ruokalan tiedot.”
Reaalitiedot yhdistetään analysoitaviksi, ja analyysin tulokset jokaiselle yrityksistä. Kilpailijat eivät saa toistensa dataa, mutta tulokset tulevat jokaisen hyödyksi.
On erityisesti Suomen ja muiden pienten maiden ongelma, ettei tarjolla ole kuin yksittäisen toimipisteen, ketjun tai firman dataa. Siksi Merilehto kehottaa hankkimaan dataa – lainaamalla tai ostamalla – monesta lähteestä, jotta ilmiöstä syntyy selkeä kuva.
Menetelmää on jo toteutettu IBM:n Munkkiniemen henkilöstöravintolassa. Siellä menekkiä ja sen ajoittumista tarkkailevat liikesensorit, jotka kertovat, mihin aikaan ihmiset syövät ja mitä lautaselleen kokoavat.
“Seuraamalla ja tarkkailemalla koottu data on luotettavaa. Jos ihmiset joutuvat pitämään tukkimiehen kirjanpitoa, tiedon keräämiseen vaiva ehkä harmittaa, ja se tulkitaan helposti kyttäämiseksi. Eikä kaavakkeiden täyttökään aina muistu ruokailun jälkeen.”
Analytiikassa ei dataa missään vaiheessa kannata Merilehdon mukaan summata tai keskiarvoistaa.
“Emme automatisoi, että aina keskiviikkona iltavuoroon tarvitaan data-analyysin perusteella kahdeksan sijasta kymmenen työntekijää, niin kone päätti. Sen sijaan toteamme, että keskiviikkoisin liikkeessä on niin paljon asiakkaita ja tulee jostain syystä niin paljon isompaa kauppaa, että kaksi myyjää lisää vahvuuteen haukkuisivat hintansa monta kertaa.”
Analytiikka tarjoaa perustelut, miksi ja mikä ratkaisun arvioitu vaikutus on myyntiin: tämä on kysynnän ennustamista.
“Mutta jos vain kerromme, mitä kannattaisi tehdä, jää toteutus usein tekemättä. Siksi tieto tulee visualisoida ja tarjota nappi, jolla muutokset siirtyvät tulevaan työvuorolistaan ennakoimaan data-analyysin varmistamaan kysyntää.”
Esimerkiksi Starbucksissa suuntaus on jo arkea. Sen kahviloissa pyritään tekoälyn avulla jopa täsmäämään, milloin asiakkaiden kahvimaku vaatii baristoja paikalle. Vuorolistojen tekijän aikaa säästyy, kun listat ovat ennalta valmiit. Vuoropäällikkö voi keskittyä asiakkaiden ja henkilökunnan kohtaamisiin.
KATSO WEBINAARITALLENNE
Kysynnän ennustaminen analytiikan avulla