Tekoäly on täällä, mutta organisaatioiden analytiikka on surkeaa. Miksi?

Tekoäly on muotitermi, joka kohtalaisen laajalti hyväksytyn määritelmän mukaan tarkoittaa koneen kykyä jäljitellä inhimillistä ajattelua. Toteutuksena se merkitsee edistynyttä, koneoppimiseen perustuvaa analytiikkaa yhdistettynä automaatioon.

Melkein mikä tahansa analytiikkaratkaisu saa helposti ”tekoälyleiman” kuulostaakseen hienommalta. Samaan tapaan muutama vuosi sitten alkeellistakin analytiikkaratkaisua mainostettiin big data -analytiikkana.

Analytiikan ydintehtävä on ennustaa tulevia tapahtumia tai tunnistaa poikkeamia, ja tuottaa ehdotuksia relevanteista toimenpiteistä. Parhaimmillaan se automatisoi päätöksenteon joko osittain tai kokonaan.

Miksi organisaatioissa sitten edelleen painitaan harmittavan paljon surkealaatuisen analytiikan kanssa? Nostan tässä artikkelissa esiin pari yleisintä kompastuskiveä, ja ajatukseni siitä, kuinka niistä pääsee yli kuivin jaloin.

Upeinkaan dashboard ei vielä kerro koko totuutta siitä, onko analytiikka aidosti hyödyllistä

Liiketoiminnan kannalta ei sinänsä ole merkitystä sillä, perustuuko ratkaisu koneoppimiseen vai tilastolliseen analytiikkaan. Merkitystä on vain sillä, tuottaako analytiikka hyödyllistä ja riittävän tarkkaa tietoa päätöksenteon tueksi ja automatisoimiseksi.

Vaikka käytettäisiin moderneja menetelmiä, analytiikka jää turhan usein perinteisten raporttien tai dashboardien tuottamiseksi. Tällöin reseptiikka menee yleensä suurin piirtein näin:

→ Kerätään data joka on helposti saatavilla

→ Tehdään siitä kaunis visualisointi

→ Lisätään muutama mittari

→ Kutsutaan lopputulosta dashboardiksi (koska sehän on jo piirun verran parempi kuin staattinen raportti – kuulostaakin hienommalta!).

Koska dashboardit ovat kauniita, niitä ihastellaan kuin kaksivuotiaan piirtämää ensimmäistä pääjalkaista*. Tässä tohinassa kuitenkin valitettavan usein myös unohdetaan koko operaation avainkysymys: mikä olikaan dashboardin hyöty liiketoiminnalle?

* Pääjalkaisella en tässä tarkoita cephalopoda-luokkaan kuuluvaa nilviäistä, vaan pienen lapsen piirtämää ihmishahmoa, jolla on pää ja neljä raajaa. 👇pääjalkainen

Siitä puhe, mistä puute: analysoidaanko teillä dataa vai katsellaanko kauniita kuvaajia?

Toki dashboardeilla on usein hyvinkin suuri arvoa liiketoiminnalle, sitä en kiistä. Hyvin tehty dashboard antaa selkeät mittarit ja näkymät, ja tuottaa isostakin datamäärästä helposti ymmärrettävän tilannekuvan korostaen poikkeamia keskiarvosta ja muita huomioitavia asioita.

Kuitenkin pelkän dashboardin kutsuminen analytiikaksi – tekoälystä puhumattakaan – on melkein sama kuin rinnastaisi yrityksen kerran kvartaalissa tuotettavan asiakasraportin ja reaaliaikaisen, palvelutilanteessa tehtävän automaattisen asiakasanalyysin, jonka perusteella asiakas saa juuri oikealla hetkellä, juuri hänelle tehdyn ja juuri häntä kiinnostavan tarjouksen tai tiedotteen.

Puheet ja todellisuus ovat siis kaukana toisistaan. Rima on yksinkertaisesti asetettu niin alas, että siitä pääsee yli astumalla, jos ei kompastu omiin jalkoihinsa – mitä toki myös tapahtuu.

Katso video, jolla Janne kertoo, miksi edistynyt analytiikka ja koneoppiminen tulisi viedä kiinteäksi osaksi operatiivisia liiketoimintaprosesseja:



Palanutta metsää on turha enää sammuttaa – eli minkälaista dataa kannattaa analysoida ja minkälaista ei?

Nyt pohdit ehkä, mikä sitten olisi se oikea tapa analytiikan tehokkaaseen hyödyntämiseen. Olemme pyöritelleet tätä aihetta paljon, ja päätyneet seuraavaan kahteen yksinkertaiseen sääntöön:

  1. Lähdetään liikkeelle liiketoiminnan tarpeesta
  2. Integroidaan analytiikka osaksi liiketoiminnan prosesseja

Kohta 1 tarkoittaa sitä, että ratkaisemme liiketoiminnalle relevanttia ongelmaa.

Ensin pitää tietenkin ymmärtää liiketoiminta ja kysyä ”miksi”. Dashboardia ei kannata tehdä siksi, että olisi kiva saada kokonaiskuva, vaan kokonaiskuvalle täytyy olla perusteltu liiketoimintahyöty. Ja ehkä kokonaiskuvaa tärkeämpää on sittenkin esimerkiksi tuottaa asiakaspalvelun työntekijöille täsmävastauksia usein esitettäviin kysymyksiin.   

Kohta 2 tarkoittaa sitä, että ei tehdä vain sitä, mikä on helppoa vaan tuotetaan oikea informaatio oikealla hetkellä oikeille ihmisille.

Pari esimerkkiä: kuluttajaa tuskin lopulta kiinnostaa kokonaisnäkymä taksien liikennetilanteesta silloin, kun pitäisi saada taksi. Hän haluaa tietää tarkkaan missä hänen taksinsa menee ja milloin se on perillä. Karttanäkymä metsäpalon tuhoista kertoo vain sen mitä on jo tuhoutunut. Hyödyllisempää on tuottaa ennustemalli palon leviämisestä ja viedä valmiiksi pureskeltu tieto sammutusyksiköille. Työtyyväisyyskyselyn tulokset puolestaan kertovat vain sen millä osastoilla on tyytymättömiä ihmisiä. Vaikka sekin on arvokas tieto, vielä arvokkaampaa on saada täsmätieto tyytymättömyyden syistä ja siitä, miten tyytymättömyyttä voisi ehkäistä.

Kommentoi, ole eri mieltä, keskustele tai haasta (vaikkapa Twitterissä: @AdvianOy) – ja ota meihin yhteyttä, jos haluat keskustella miten edistynyt analytiikka ja sijaintitieto hyödyttäisivät sinun organisaatiotasi!

advian-tiedolla-johtaminen-opas_A

Varaa aika kalenterista jos haluat keskustella lisää tekoälyn ja analytiikan hyödyntämisestä:

 

Avainsanat: Analytiikka, Tekoäly, Tiedolla johtaminen

TILAA TUOREET ARTIKKELIT

Opi rakentamaan epäreilua kilpailuetua tiedolla johtamisella ja sijaintitiedolla.

Uudet blogiartikkelit sähköpostiisi heti julkaisupäivänä:

Ratkaisut

Valikoituja näytteitä tiedoistamme ja taidoistamme