Ennakoiva analytiikka ja data science – Mistä on kyse?

Ennakoiva analytiikka ja data science eivät ole ilmiöinä uusia, mutta elämme analyyttistä aikakautta, jossa ihmiset janoavat tietoa ja sitä on saatavilla ja analysoitavissa helpommin ja enemmän kuin ennen. Tähän tiedonjanoon ennakoiva analytiikka ja data science tarjoavat vastauksia. Ja kuten alla oleva sanapilvi kertoo, kyseiseen teemaan liittyen on paljon muotisanoja (buzzwords) ja niiden kanssa menee helposti hämilleen. Haluan nyt poistaa hämmennystä ja kertoa, mistä on kyse.

Data science (suomeksi myös datatiede) on yksinkertaisimmillaan ilmiöiden selittämistä ja analysointia datasta erilaisten edistyneiden laskentamenetelmien avulla. Erilaisilla edistyneillä laskentamenetelmillä tarkoitetaan matemaattisia, tilastollisia ja koneoppimisen malleja. Niiden avulla pyritään tunnistamaan merkityksellistä tietoa ja tuottamaan se helposti ymmärrettävään muotoon.

Usein ilmiöiden selittämisen ja analysoinnin tarkoituksena on tehdä luotettavia ennusteita tulevasta tai tulevista tapahtumista. Silloin tarkoitetaan juuri ennakoivaa analytiikkaa. Ennusteet ovat täsmennettynä siis mallien tuottamia eivätkä talousohjauksesta tuttuja ihmisten tekemiä ennusteita.

Käyttö laajenee voimakkaasti

Data science ja ennakoiva analytiikka ovat arkipäivää tietyillä toimialoilla ja osalle yrityksistä. Tällöin on kyse analyyttisistä toimialoista ja yrityksistä (esim. pankki- ja vakuutustoiminta), joille faktapohjaisella tiedolla johtaminen on vahvasti yrityksen kulttuurissa. Valtaosalla eri toimialoista ollaan kuitenkin vasta heräämässä ajatukselle faktapohjaisesta kulttuurista, jossa päätöksentekotilanteisiin pyritään tuomaan mahdollisimman kattavat tiedot ja tällöin yrityksessä pinnalla on seuraavanlaisia kysymyksiä:

  • Mitkä tekijät vaikuttavat päätöksentekoon ja mikä on tekijöiden vaikutus?
  • Miten kyseiset tekijät huomioidaan ja onko niiden seuraamisella arvoa?
  • Mitä seurauksia tietyllä päätöksellä on?
  • Miten varmistetaan, että onnistumiseen on mahdollisimman suuri todennäköisyys?

Faktapohjaisessa kulttuurissa ymmärretään, että yleensä ei ole aikaa tai osaamista arvioida kaikkia toimintaan ja päätöksiin vaikuttavia tekijöitä. Ymmärretään ottaa hyöty liiketoiminnan ja päätöksenteon pienistä tehottomuuksista, joihin muut eivät kiinnitä huomiota. Se tehdään analyyttisten mallien tuottamiin tuloksiin luottamalla.

Kyseenalaista, opi, hyödynnä

Faktapohjainen kulttuuri ei vaadi yritykseltä superälykköjä tai tilastotieteilijöiden armeijaa. Sen sijaan se vaatii toimintatapojen kyseenalaistamista. Me, Arcusyksen data scientistit, toimimme asiakkaidemme kanssa usein tässä kyseenalaistajan roolissa.

Otetaan esimerkki. Yrityksen toiminnan keskiössä on asiakkaat. Asiakkaista kertyy tietoa yrityksen tietovarastoihin, CRM- ja ERP-järjestelmiin. Asiakkaat lähettävät asiakaspalautetta ja sähköpostia yritykselle. Asiakkaat ovat aktiivisia julkisilla foorumeilla ja sosiaalisessa mediassa. Kuinka paljoa tästä saatavilla olevasta tiedosta käytämme oikeasti ymmärtääksemme asiakkaidemme tarpeita ja käyttäytymistä?

Asiakkaasta jää jälkiä moniin paikkoihin ja data scientistien avulla on paljon mahdollisuuksia tutkia tietoa, mihin emme muutoin kiinnittäisi huomiota. Olemme vain luulleet ja olettaneet, ettei jokin informaatio ole arvokasta. Voimme auttaa tunnistamaan näitä tekijöitä ja tulkitsemaan, miten niitä hyödynnetään esimerkiksi asiakaskohtaamisten parantamisessa. Voimme myös auttaa käsittelemään automatiikalla muun muassa englannin tai suomenkielistä tekstiä ja tunnistaa valtavista tekstimääristä yrityksen toiminnalle olennaisia tietoja. Se on tekstianalytiikkaa.

Teknisesti tällainen tapahtuu hyödyntämällä erilaisia malleja. Deskriptiivisiä malleja käytetään ymmärtämään paremmin mitä on tapahtunut ja tällöin saatetaan esimerkiksi ryhmitellä asiakkaita käyttäytymiseltään samankaltaisiin joukkoihin klusterointimalleilla tai tutkia asiakaskäyttäytymisen säännönmukaisuuksia assosiaatiomalleilla.

Ennakoivan analytiikan malleja taasen rakennetaan, jotta kyettäisiin ennustamaan tiettyjä tapahtumia useiden merkityksellisten avaintietojen perusteella. Esimerkiksi asiakkaiden tulevien ostotapahtumien, tuotevaihdosten tai tilausperuutuksien ennustamiseksi saatetaan käyttää regressiomalleja, päätöspuumalleja tai neuroverkkoja.

Yksi tunnettu tekniikka, Bayes-verkko, esimerkiksi jäsentää ja määrittelee asiakkaita koskevia muuttujia ja rakentaa päättelyketjun useiden syy-seuraussuhteiden perusteella. Uusi tieto asiakkaista päivittää olemassa olevaa logiikkaa ja opettaa päättelyketjua tarkemmaksi. Bayes on yksi käytetyimpiä koneoppimisen menetelmistä ja toimii ikään kuin ihmisen mieli, joka oppii uuden tiedon avulla.

Kokonaisvaltaista ymmärrystä

Eivätkä ennakoivan analytiikan ja data sciencen hyödyntäminen rajoitu ainoastaan asiakkaisiin. Olemme tutkineet ja auttaneet ymmärtämään paremmin muun muassa asiakkaidemme henkilöstöä, oppimista, työprosesseja, laitteistoja, kehityshankkeita tai -projekteja. Mahdollisuuksia on paljon, kunhan osataan kyseenalaistaa olemassa olevia ajattelumalleja. Ja juuri siksi ennakoivan analytiikan ja data sciencen tuottamat tulokset ovat niin mielenkiintoisia.

Jens Harju
Data Scientist


Kiinnostuitko kuulemaan lisää ennakoivan analytiikan hyödyntämisestä organisaatiossasi?
Ota yhteyttä:


Arcusys Oy
Markus Hellas, Sales Manager
markus.hellas@arcusys.fi
+358 40 412 5183 

Katso viimeisimmät julkaisut
Lue lisää

Blogi

Tulevaisuuden työkalut tänään - mitä tarkoittavat ohjelmistorobotiikka, keinoäly ja koneoppiminen?

Osaako yrityksesi hyödyntää ohjemistorobotiikan (RPA, Robotic process automation), keinoälyn (AI, artificial intelligence), sekä koneoppimisen, machine learning, hyödyt? Järjestelmät kehittyvät kokoajan, ja niistä voi myös hyötyä hetki hetkeltä enemmän.

Lue lisää

Blogi

Tehoa ja laatua suorituskyvyn johtamiseen edistyneellä suunnittelu- ja ennustamisratkaisulla

Suorituskyvyn johtaminen on aiheena kestosuosikki talousjohdon piirissä. Lue, kuinka saat tehoa ja laatua suorituskyvyn johtamiseen yrityksessäsi.

Lue lisää

Blogi

Ohjelmistorobotiikan etenemispolku: Kolme vaihetta RPA-menestykseen

Kuinka ohjelmistorobotiikkaa (RPA, robotic process automation) voi hyödyntää tuottavuuden kehittämisessä? Tässä bloggauksessa käymme läpi kolme kehitysvaihetta, joiden kautta yritykset ja organisaatiot voivat kasvattaa tuottavuuttaan RPA:n avulla.