Tekoälyn hyödyntämisestä liiketoiminnan ennustamisessa ja ohjaamisessa on puhuttu jo pitkään, mutta toistaiseksi on liikuttu enemmän puheen kuin konkretian tasolla. Elämme nyt murrosvaihetta, jossa koneoppiminen synnyttää yhä enemmän laadukkaita toteutuksia liiketoiminnan käyttöön. Teollisuuden tarpeista lähtenyt koneoppimisen hyödyntäminen sopii lähes alalle kuin alalle, ja siihen perustuvia projekteja voidaan toteuttaa kuten mitä tahansa muita IT-projekteja, kunhan oleellista liiketoimintatietoa on kerättynä riittävä määrä ja se on laadukasta.
Kaikenlaisesta datasta voidaan tehdä ennusteita, kunhan dataa on riittävästi. Teollisuudessa voidaan seurata laitteiden kuntoa ja välttää ennakoimattomia kustannuksia esimerkiksi seuraamalla tärinäsensoreilla normaalista poikkeavaa resonanssia, joka viestii laitteiden huoltotarpeesta. Myynnin ennusteissa taas voidaan seurata tyypillisten sesonkivaihteluiden lisäksi esimerkiksi sään tai työttömyystilanteen vaikutuksia kysyntään.
Mistä aloitetaan, kun raportointiin tulee mukaan koneoppiminen?
Koneoppimisprojekteissa paneudutaan ensimmäiseksi siihen, mitä halutaan saavuttaa ja mitä asioita tutkia tai ennustaa. Nopeimmin alkuun päästään, jos on jo alustava ymmärrys siitä, mitkä tekijät vaikuttavat ennustettavaan dataan. Parasta on, jos saadaan saman pöydän ääreen liiketoiminnan ymmärrys sekä data-analytiikan ja tilastollisten menetelmien osaaminen ja syvennytään yhdessä siihen, millaista dataa tarvitaan ja onko se nykyisellään riittävän laadukasta.
Koneoppimista hyödyntävä projekti edellyttää onnistuakseen sitä, että asiakkaalla on kerättynä riittävä määrä liiketoiminnan ja tutkittavan asian kannalta oleellista tietoa. Tärkeää on myös, että data on aukotonta ja se on tallennettu helposti hyödynnettävään muotoon, esimerkiksi tietovarastoon. Ilman tietovarastoakin päästään alkuun, mutta silloin joudutaan aloittamaan datamäärän täydentämisellä ja validoinnilla, mikä vie aikaa ja resursseja. Viimeistään koneoppimismallien jatkuva ylläpito ja kehittäminen vaativat tiedon käsittelyä tietovarastossa, joten kivuttomammin projekti saadaan toteutettua, jos tietovarasto otetaan käyttöön heti projektin alkumetreillä. Myös asiakkaallemme, elintarvikealalla toimivalle Fresh Servantille toteutetussa projektissa hyödynnettiin valmiiksi rakennettua tietovarastoa, minkä jälkeen datan kerääminen yhdistäminen oli vaivatonta.
Koneoppimisessa hyödynnettävät mallit testataan asiantuntijan kanssa
Kun dataa on kerättynä riittävästi, alkaa sen louhiminen. Jos datassa on aukkoja, sitä täydennetään ja sen jälkeen se jaetaan opettamisdataan ja testaamisdataan. Testidataa hyödyntämällä pyritään löytämään ne koneoppimismallit, jotka toimivat parhaiten kyseisessä asiakastilanteessa. Tämä vaihe vaatii data-analytiikon tai -arkkitehdin syvällistä osaamista. Malleja ei tarvitse luoda itse, vaan koneoppimisen sateenkaaren alla on laaja kirjasto erilaisia malleja, joita voidaan soveltaa. Mallien valinta on trial and error -tyyppistä kokeilua, jossa parhaiten toimiva malli löytyy eri vaihtoehtoja testaamalla. Yleensä valitaan yksi tai kaksi mallia ja etsitään niille sopivat parametrit. Kun malllit on valittu, testataan mallia livedatan kanssa ja varmistetaan, että ennusteet osuvat kohdilleen.
Jotta datasta voidaan tehdä oikeita johtopäätöksiä, on tärkeää panostaa jatkuvaan seurantaan. Kaikki tuotetut ennusteet ja toteutuneet arvot otetaan talteen ja niitä analysoidaan: kuinka hyvin ennusteet pitivät paikkansa, missä oli eroavaisuuksia ja miten malleja on syytä kehittää. Mallien seurantaan voidaan luoda automaattiset raportit, jotka kertovat niiden onnistumisprosentin. Jos mallien suorituskyky jostain syystä alenee, niitä voidaan tarkastella uudestaan.
Ennusteiden tarkkuutta hiotaan automatisoiduilla raporteilla
Automatisoidut raportit kertovat ennusteiden tarkkuudesta ja hälyttävät suorituskyvyn alenemisesta, mutta datatieteilijää tarvitaan, kun malleja pitää kouluttaa tarkemmiksi. Koneoppiminen ei nimestään huolimatta maagisesti opi itseltään, vaan vaatii ulkoista seurantaa ja ohjausta. Malleja pitää kehittää vastaamaan liiketoiminnassa ja toimintaympäristössä tapahtuvia muutoksia. Käsiteltävässä tiedossa tapahtuu vaihtelua ja siksi mallienkin täytyy sopeutua ja muuttua niiden mukana. Parametrejä voi olla tarpeen muokata tai lisätä kokonaan uusia parametrejä, jotta ennusteista saadaan tarkempia. Toteutumissa saattaa nousta esiin arvoja, jotka poikkeavat koulutusvaiheessa käytetyistä. Jos malli on rakennettu toimimaan tietyillä arvoilla, esimerkiksi 0—100, ja toteutuneet arvot ylittävät 100, arvioidaan, toimiiko malli myös poikkeavilla arvoilla vai pitääkö sitä kouluttaa uudelleen. Saattaa myös käydä ilmi, että jollakin osajoukolla malli ei toimi odotetusti. Näiden tilanteiden tunnistaminen ja mallien korjaaminen vastaavasti vaatii ymmärrystä tilastotieteistä ja kykyä louhia dataa.
Jotta koneoppiminen saadaan palvelemaan liiketoimintaa parhaalla tavalla, pitää asiakkaan sitoutua seurantaan ja jatkotyöstöön yhdessä mallien kehittäjän kanssa. Jatkuva seuranta on tärkeää, jotta koneoppiminen voi tuottaa datasta oikeita ennusteita ja konkreettisia hyötyjä asiakkaalle. Systemaattisella työllä koneoppiminen parantaa merkittävästi liiketoiminnan laatua ja kustannustehokkuutta.
Koneoppiminen auttoi Fresh Servantia vähentämään hävikkiä ja tehostamaan toimintaansa
Pinja toteutti kuluttajapakattujen salaattien markkinajohtajalle Fresh Servantille projektin, jossa koneoppimista hyödynnettiin kysyntäennusteiden parantamisessa. Jo hyvin pian projektin aloittamisen jälkeen ennusteet osoittautuivat tarkemmiksi kuin manuaalisesti ja matemaattisella laskennalla tuotetut ennusteet. Projektissa kokeiltiin erilaisia menetelmiä ja valittiin ne, jotka parhaiten toimivat Fresh Servantin asiakasryhmille ja tuotteille. Koneoppimiseen pohjautuvat ennusteet minimoivat nyt manuaalisen työn, mutta sallivat tarpeen mukaan myös henkilöiden syöttämän tiedon lisäämisen ja hyödyntämisen. Yhteistyön tuloksena on jo nyt onnistuttu tehostamaan tuotantoa, vähentämään hävikkiä ja parantamaan kustannustehokkuutta.
Ennusteiden tarkkuutta pyritään kuitenkin kehittämään entisestään, esimerkiksi löytämällä lisää kysyntää selittäviä tekijöitä ja ottamalla niitä ennustemalliin mukaan. Pinjan avulla Fresh Servantilla on mahdollisuus soveltaa koneoppimista jatkossa myös muilla liiketoiminnan osa-alueilla. Lue koko Fresh Servant -menestystarina →
Haluatko tietää lisää?
Jos haluat tutustua tarkemmin siihen, miten Pinja voi auttaa yritystänne kehittämään BI-ymmärrystään, tutustu Business Intelligence -verkkosivuumme. Löydät sieltä tiedolla johtamiseen liittyviä oppaitamme, asiakastarinoita ja palvelukuvauksia.
Lue myös oppaamme teollisuusyrityksen tiedolla johtamisesta:
Lue lisää:
Menestystarina: Fresh Servant
Pinjan Business Intelligence -ratkaisut
Opas: 8 syytä valita tietovarasto Power BI:n tueksi
