Miksi tiedolla johtamisella syntyy parempaa liiketoimintaa, pohdimme ”Mitä on tiedolla johtaminen” -sivullamme. Kysymykseen voi vastata pitkästi tai ytimekkäästi: koska kone tekee parempia päätöksiä.
(Todettakoon myös epäselvyyksien välttämiseksi, että käsitämme tiedolla johtamisen laajasti: Advianille tiedolla johtaminen pitää sisällään myös edistyneen analytiikan ja tekoälyn, joka mahdollistaa prosesseihin integroidun automaattisen päätöksenteon.)
Esimerkkejä tiedolla johtamisesta – tai pitäisikö sanoa dataohjautuvasta liiketoiminnasta – ei tarvitse kaukaa hakea.
Dataohjautuvuudella toimintavarmuutta sähköntuotantoon: villiintyvät köynnöskasvit kuriin tekoälyn avulla
Sähkölinjojen kunnossapito on kallista. Pelkästään Kaliforniassa käytetään 250 miljoonaa dollaria vaarallisen lähellä suurjännitelinjoja kasvavan kasvillisuuden poistoon. Yhdysvaltojen kaakkoisosassa jotkin köynnöskasvit saattavat optimaalisissa oloissa kasvaa jopa 30 senttiä päivässä. Suurjännitelinjoihin kiinnittyvät kasvit aiheuttavat vakavia vaurioita ja katkoksia sähkönjakelussa.
Kasvillisuuden kartoitukseen sähköverkkojen läheisyydessä ollaan kehittämässä tekoälypohjaisia ratkaisuja. Kuvittele seuraava skenaario: dronet tekevät säännöllisen tarkistuskierroksen sähkölinjojen yllä, analytiikalla automaattisesti tuotettujen lentoreittisuunnitelmien mukaan ja kuvaavat sähkölinjat optimaalisesta kulmasta.
Kierroksen jälkeen dronet laskeutuvat telakalle, jossa niiden keräämä kuvadata analysoidaan. Jos kuvissa näkyy toimenpiteitä vaativaa kasvustoa, lähetetään siitä ja kasvuston sijainnista tieto huoltoyksiköille automaattisesti. Tiedolla johtamista parhaimmillaan!
Aidosti älykäs sähköverkko on hallittavissa ja ennustettavissa
Villiintyvä kasvillisuus ei ole sähkönjakelun haasteista edes pahin. Sähköverkko ikääntyy ja sähkön kulutus lisääntyy samalla, kun paineet tuottaa ja siirtää sähköä tehokkaammin ja ekologisemmin lisääntyvät.
US Department of Energy arvioi, että jo 5% nykyistä tehokkaammin toimiva runkoverkko säästäisi energiaa niin paljon, että se vastaisi 53 miljoonan henkilöauton päästöjen häviämistä. Toisaalta energiantarve vain lisääntyy. Haasteet ovat samankaltaisia myös Suomessa.
Sähkönjakelun runkoverkko on kokonsa ja vaikuttavien tekijöiden lukumäärän takia äärimmäisen vaikeasti hallittava ja ennustettava. Tulevaisuudessa ei myöskään enää riitä, että sähkö siirretään yhdestä isosta voimalaitoksesta eteenpäin, vaan on varauduttava sähköntuotannon yhä suurempaan hajautumiseen. Kuluttajat voivat myös tuottaa sähköä ja syöttää sitä takaisin verkkoon.
Niin sanottu älykäs sähköverkko (smart grid) mahdollistaa uusiutuvan energian hyödyntämisen, kysyntäjouston, hajautetun energiantuotannon ja kulutuksen seurannan ja ennakoinnin. Tällaisen verkon hallinta olisi mahdotonta ilman valtavan data-aineiston lähes reaaliaikaista analysointia, mutta nykyiset GPU-pohjaiset analytiikkaratkaisut vievät ainakin ison harppauksen kohti aidosti älykästä sähköverkkoa.
Analytiikkaa ja optimointia lentoliikenteessä: ilmassa johdetaan tiedolla enemmän kuin luuletkaan
Vaikka lentojen hinnoittelu näyttää usein arpapeliltä, perustuu se oikeasti pitkälle vietyyn analytiikkaan. Asiakkaan ”Willingness-to-Pay” (WTP) analysoidaan lennon ajankohdan, asiakasprofiilin ja muiden tekijöiden perusteella. Tyypillisesti, mitä lähempänä lennon ajankohta on, sitä enemmän asiakkaat ovat valmiita maksamaan.
Lentoyhtiön tavoite on löytää juuri se maksimihinta, jonka asiakas on valmis maksamaan. Jos tarjottu hinta on liian kova, on vaarana, että asiakas siirtyy kilpailijalle tai peräti luopuu matkahaaveesta kokonaan. Asiakkaan WTP-arvioon luonnollisesti vaikuttavat monet tekijät, kuten tarjolla olevat reittivaihtoehdot, matkustaako asiakas yksin vai perheen kanssa, jne.
Polttoaine aiheuttaa jopa 33% lentoyhtiön operatiivisista kustannuksista, ja maapallon hiilidioksidipäästöistä ainakin 2% aiheutuu lentoliikenteestä. On selvää, että polttoaineen kulutuksen optimointi on lentoyhtiöille tärkeää.
Lentoyhtiö Southwest kerää lentojen aikana jatkuvasti dataa polttoaineen kulutuksesta ja lisäksi muun muassa tuulioloista, ilmankosteudesta, koneen nopeudesta, painosta ja korkeudesta. Kerätyn datan analysointi mahdollistaa esimerkiksi hyvin tarkan arvion seuraavalla lennolla tarvittavasti polttoaineen määrästä. Boeing 747 polttaa lennon aikana karkeasti arvioiden gallonan verran (noin neljä litraa) kerosiinia joka sekunti. Polttoainemäärän optimoinnilla on siis suuri merkitys kokonaiskulutukseen.
Lennonaikaisen tarjoilun ja myynnin ennakointi on yksi tärkeä sovellusalue. Koneeseen ei kannata lastata enempää ruokaa kuin sitä kuluu, mutta toisaalta ruoka ja myytävät tuotteet eivät saisi loppua kesken. Analytiikkaa käytetään laajasti myös muun muassa työvuorojen suunnittelussa, asiakaspalautteiden analysoinnissa ja ennakoivassa kunnossapidossa. Lentoyhtiö Delta ilmoittaa välttäneensä 1200 myöhästymistä ennakoivan huollon ansiosta yhden vuoden aikana.
Myös Finnair hakee tekoälystä apua mahdollisten myöhästymisriskien ennakointiin.
Huikeita innovaatioita liiketoimintalähtöisesti: Netflix
Suoratoistopalvelu Netflixin liikevaihto on nelinkertaistunut vuodesta 2011 ja ehtinyt jo kaksinkertaistua vuodesta 2016. Ei ole sattumaa, että myös Netflix panostaa valtavasti asiakasanalytiikkaan.
Netflix kehittää data-analytiikkaa vahvasti liiketoimintatarpeeseen. Analytiikkaa ei koskaan tehdä vain siksi, että se on mahdollista ja mielenkiintoista. Toisaalta isoihinkin investointeihin ja teknisesti todella haastaviin toteutuksiin ollaan valmiita, jos niille nähdään perusteltu hyöty.
Netflix käyttää analytiikkaa – tai muodikkaammin sanottuna sovellettua tekoälyä – muun muassa personoituihin suosituksiin, kuvauspaikkojen etsimiseen, jälkituotannossa avustamiseen ja striimauksen laadun parantamiseen.
Yksi erittäin mielenkiintoinen käyttökohde on elokuvien ja sarjojen kuvakkeiden personointi. Kuulostaa pieneltä asialta, mutta Netflixin liiketoiminnalle on olennaista, että asiakkaat viihtyvät palvelussa ja löytävät heitä kiinnostavaa katsottavaa.
Netflixin selvityksen mukaan asiakas katsoo yhtä kuvaketta keskimäärin 1,8 sekuntia. Tässä ajassa syntyy päätös, joka voi Netflixin näkökulmasta merkitä joko poistumista kilpailijan palveluun tai viikonlopun viettämistä Netflixin uusimman tuotannon parissa.
Netflix pystyy analysoimaan automaattisesti esimerkiksi tunnin pituisen sarjan jokaisen ruudun (>86.000 kappaletta), esivalitsemaan niistä kuvakkeisiin potentiaalisesti sopivimmat ja käyttämään näitä ruutuja kuvakkeiden personoinnissa.
Netflix esittelee Orange is the new Black -sarjan minulle tällaisena...
... ja tyttärelleni tällaisena.
Hyvin todennäköisesti Netflix tutkii vielä villimpiä skenaarioita tekoälyn hyödyntämiseksi, kuten tekoälyn hyödyntämistä sarjojen käsikirjoittamisessa. Edistynyttä analytiikkaa käytetään jo nyt elokuvatuotannon tukena, arvioimassa kannattaako käsikirjoitus valita tuotettavaksi vai ei.
Tiedolla johtaminen ei kuulu pelkästään isojen pelureiden työkalupakkiin
Esimerkit dataohjautuvan liiketoiminnan edelläkävijöistä saattavat tuntua suomalaisittain musertavilta. Voiko noiden kanssa kilpailla? Ja voiko näin pienillä datamäärillä edes tehdä edistynyttä analytiikkaa? Varmasti.
Analytiikan hyödyntäminen ei edellytä Netflixin 140 miljoonan asiakkaan kantaa (yhdessä erittäin onnistuneessa projektissa, jossa olin mukana, oli aineistona vain noin 10.000 asiakkaan tiedot). Esimerkiksi sähköverkoista kerätään Suomessakin valtavasti dataa ja yritysten ulkoisen datan hyödyntäminen on vielä lapsenkengissään.
Ei ole toimialaa, joka ei hyötyisi tiedolla johtamisesta. Monilla toimialoilla tiedolla johtaminen ei oikeastaan enää ole kilpailuetu. Se on selviytymisen edellytys.
Lue lisää tiedolla johtamisesta tuoreesta tietopaketistamme:
Tutustu Data Advisory -palveluihimme
Sukella kanssamme pintaa syvemmälle ja maksimoi liiketoimintahyötysi datalähtöisesti.
Avainsanat: Tiedolla johtaminen
