Niina Pakonen
22.05.2018 · Niina Pakonen

Bits & Bites: Askelmerkit datan keräämisestä tekoälyn hyödyntämiseen

Bitfactor järjesti analytiikka- ja tekoälyaiheisen aamiaistilaisuuden Oulussa.

Analytiikka, big data, tekoäly, automaatio, robotiikka… Hype-sanat vilisevät alan kuin alan keskusteluissa välillä jopa uhkaavina. Analytiikka ja tekoäly pitäisi ottaa haltuun kiireen vilkkaa, ellei halua pudota yhä kiihtyvän kilpailun kelkasta. Monista koko ala vaikuttaa abstraktilta ja tehtävä epätoivoiselta. Mitä analytiikka ja tekoäly edes käytännön tasolla tarkoittavat? Miten niitä voi hyödyntää liiketoiminnassa? Mistä pitäisi aloittaa?

Näitä polttavia kysymyksiä halusimme valottaa Bits & Bites -aamiaistilaisuudessa. Tarkoituksena oli nimenomaan jättää matemaattiset kaavat, algoritmit ja koodirivit vielä tässä vaiheessa pois kuvioista ja keskittyä aivan perusasioihin. Itse asiassa harva yritys on analytiikan hyödyntämisessä sillä tasolla, että käytännön toteutukseen liittyviin yksityiskohtiin kannattaisi vielä paneutua tarkemmin. Aluksi on tiedostettava yrityksen valmiustaso ja tavoitteet analytiikan suhteen, kuten asiantuntijamme Kirsi Pietilä korosti puheenvuorossaan. Alla on kuvattu analytiikan hyödyntämisen tasot Kirsin esityksestä. Millä tasolla sinun yrityksesi on? Onko analytiikka osana strategiaa ja jokapäiväistä toimintaa, vai kerätäänkö dataa vailla harkittua käyttötarkoitusta?



 

Muutos lähtee kulttuurista ja rakenteista

Kirsin mukaan analytiikan hyödyntämisessä suurimpina kapuloina rattaissa eivät yleensä ole tekniset haasteet, vaan organisaatiorakenteet ja kulttuuri. Usein yrityksessä hypätään suoraan pohtimaan teknologiavalintoja ja tekoälyä, vaikka pohjatyö on vielä tekemättä. Jotta kehitetyistä ratkaisuista olisi hyötyä liiketoiminnalle ja asiakkaille, on lähdettävä liikkeelle perusteista, kuten organisaatiorakenteen kehittämisestä analytiikan hyödyntämiseen sopivaksi. Yritykseltä vaaditaan tässä kohtaa avoimuutta, eri alojen ammattilaisten välistä yhteistyötä sekä palavaa halua ymmärtää asiakkaan tiedostetut ja myös tiedostamattomat tarpeet.

Analytiikkaa ei kannata tehdä omassa siilossaan, vaan sen tulisi olla koko yrityksen läpi kulkeva tekemisen peruspilari. Data science vaatii tiimityötä ja asiantuntemusta monilta eri aloilta. Jos ei ymmärretä liiketoimintaa, ratkaistaan vääriä ongelmia. Puutteet matematiikan ja algoritmien osaamisessa voivat johtaa sopimattomien metodien käyttöön. Jos ei ymmärretä ihmisten käyttäytymistä, tuloksena on virheellisiä syy-seuraussuhteita. Huonosti suunniteltu, rakennettu ja ylläpidetty arkkitehtuuri puolestaan saa koko homman hajoamaan korttitalon lailla. Siksi Bitfactorilla huolehdimme siitä, että teknologian, designin ja analytiikan ammattilaiset käyvät jatkuvaa vuoropuhelua keskenään ja tekevät tiivistä yhteistyötä.

Kirsi korosti puheessaan, että kannattaa rohkeasti lähteä kokeilemaan ja ratkaisemaan ongelmia analytiikan keinoin. Loppujen lopuksi kyse ei ole vaikeista asioista, kun ajattelutapa, tiimi ja kulttuuri ovat kohdallaan. Tällöin analytiikan avulla voidaan saavuttaa sellaista asiakasymmärrystä ja hyötyjä, joilla kilpailijat lyödään laudalta mennen tullen. Kurkkaa esimerkiksi, miten bussiyhtiö Savonlinja on hyötynyt yhdessä suunnittelemastamme Linjalla-palvelusta.

Halusimme antaa tapahtuman kävijöille konkreettisia käytännön vinkkejä, joiden avulla analytiikan evoluutioketjua voi lähteä kapuamaan vaikka heti. Asiat eivät tietenkään tapahdu hetkessä, mutta alla olevien vaiheiden viitoittamana on hyvä lähteä eteenpäin. Malli on analytiikan asiantuntijoidemme rakentama.

  

 
Datasta tekoälyyn

Ai Option Heidi Kananen ja Harri Puolitaival keskittyivät yllä kuvatun mallin kolmanteen vaiheeseen. Ohjailevassa analytiikassa eli tekoälyssä on pohjimmiltaan kyse siitä, että pyritään automatisoimaan kognitiivisia prosesseja, joiden on perinteisesti ajateltu vaativan ihmisen älykkyyttä. Perinteisessä ohjelmoinnissa koneelle annetaan sääntöjä, joiden mukaan toimia, kun taas tekoälyohjelmoinnissa kone löytää itse säännöt datasta. Koneelle voidaan esimerkiksi syöttää suuri määrä kuvia hyvänlaatuisista ja pahanlaatuisista ihomuutoksista ja kertoa, kumpaan luokkaan mikäkin kuva kuuluu. Datan määrän kasvaessa kone osaa yhä tarkemmin lajitella uudet kuvat. Tekoälyn vastaukset perustuvat aina todennäköisyyksiin, joten kone ei varsinaisesti kehity viisaammaksi, vaan tarkemmaksi. Datan laatu ja määrä ovatkin avaintekijät toimivan tekoälyn rakentamisessa.

Robottien vallankumoukset pysyvät vielä toistaiseksi valkokankaalla, mutta mitä erilaisimpia tekoälyratkaisuja on jo kehitetty niin liiketoiminnan kuin kuluttajienkin tarpeisiin. Helsingin kaduilla testaillaan robottibusseja, Seattlessa voi asioida kassattomassa kaupassa, ja tekoälyä hyödynnetään myös sijoittamisessa. Analytiikan hyödyntäminen ja tekoälyn kehitys ovat tällä hetkellä suuressa murroksessa. Mahdollisuudet aletaan jo tiedostaa edistyksen ollessa nopeaa ja arvaamatontakin. Vauhdikas kehitys kannattaa kuitenkin nähdä ennen kaikkea mahdollisuutena; ne jotka astuvat rohkeasti edelläkävijöiden joukkoon, voivat viedä liiketoimintansa aivan uudelle tasolle.   

 

Aamiaistilaisuus järjestettiin 15.5. Puhujina olivat Kirsi Pietilä Bitfactorilta sekä Heidi Kananen ja Harri Puolitaival Ai Optiolta. Kirjoitus perustuu puheiden sisältöihin.

Tarvitsetko apua analytiikan hyödyntämisessä omassa liiketoiminnassasi? Olitpa vasta alkutaipaleella tai jo hyvässä vauhdissa analytiikan kanssa, asiantuntijamme voivat auttaa. Ota yhteyttä.

Kategoria
Kulttuuri Analytiikka

Haluatko tietää lisää aiheesta? Jätä tietosi, niin otamme yhteyttä.

Viimeisimmät blogikirjoitukset