Välitön liiketoimintahyöty vai organisaation oppiminen?

Kun olemme tehnyt data Science / machine learning -ratkaisuja asiakkaille, saadaan niistä usein kaksi tuotosta:

  1. välitön liiketoimintahyöty
  2. oppiminen ja oivallukset

Usein asiakas lähtee hakemaan ensimmäistä eli pikavoittoja mutta isommat hyödyt ovat usein jälkimmäisessä eli organisaation oppimisessa.

Välitön liiketoimintahyöty tuo lisämyyntiä tai vähentää kuluja heti

Välitön liiketoimintahyöty (eräs kollega kutsui tätä nimellä: immediate business healthcheck) tarjoaa tässä ja nyt ratkaisun liiketoimintaongelmaan. Hyödyt voidaan usein realisoida heti.

Esimerkiksi silloin kun ennustimme isolle teleyhtiölle ja vakuutusyhtiölle heidän asiakaspoistumaa (churn), pystyttiin asiakkaiden poistumaan puuttumaan välittömästi ja säästöt saatiin pian analyysin jälkeen.

Tai kun ennustimme turvapaikanhakijoiden määriä tuleville kuukausille loppuvuonna 2015, ennustimme vanhusten kotihoidon tarvetta tai vähittäiskaupan myyntejä ja optimoimme varaston kokoa. Analyysin pohjalta pystyttiin toimimaan välittömästi.

Oppiminen ja oivallukset kehittävät liiketoimintaa

Riippuen algoritmista ja menetelmästä mitä hyödynnämme, voidaan tuloksena saada myös syyt seurausten takana. Eli pystymme selittämään ilmiöitä.

Tällöin organisaatio oppii ja oivaltaa. Ja pystyy kehittämään toimintaansa tämän pohjalta.

Organisaation oppiminen ja oivallukset ovat olleet esimerkiksi sitä kun olemme ennustaneet syitä miksi sen teleoperaattorin asiakkaat ovat poistumavaarassa ja tämän pohjalta asiakas on oivaltanut miten poistuma estetään ja itseasiassa voidaan myydä vielä lisää.

Tai kun teollisuusasiakas on oppinut meidän avulla minkälainen tarjous menee todennäköisin läpi asiakkaalle. Tämä oppi on jalkautettu myyjille, jotka ovat voineet toistaa voittavan tarjouksen uudelleen ja uudelleen ja uudelleen.

Machine learning mallinnus kertoo usein todennäköisyyden jollekin ilmiölle mutta myös syyn ilmiön taustalla.

Haluatko pikaseksiä vai oppia rakastelemaan hyvin?

Kun puhutaan AI:stä (tekoäly), puhutaan usein myös syväoppimisesta (deep learning). Usein kyseessä on neuroverkkoja, jotka opetetaan löytämään isosta läjästä kuvista esimerkiksi kasvoja.

Ja kyllähän ne oppivat.

Mutta oppiiko organisaatio? Oppiiko ihminen?

Sillä todellisuudessa neuroverkot ovat enemmänkin ”blackboxeja”,  mustia laatikoita, joiden sisään ei pääsekään. Saamme kenties tarkan ennusteen tai kätevän softan, joka tietää onko kuvassa ihminen vai koira, mutta emme saa selville syytä miksi.

Toisin sanoen algoritmi oppii, neuroverkko oppii, AI oppii, mutta organisaatio ei välttämättä opi.

Mutta kun käytämme muita, kenties vähemmän trendikkäitä menetelmiä, esimerkiksi logistista regressiota, saamme lopputuloksena myös tulkinnan.

Miksi näin tapahtui? Miten tekijä X vaikuttaa ilmiöön Y?

Tämä tuotos voidaan opettaa ihmiselle. Myyjille, tuotekehitykselle, asiakaspalvelijoille. Tai voimme upottaa regressiokertoimen tai ehtolausekkeen hyvin yksinkertaisesti osaksi johdon dashboardia tai 3. osapuolen softaa, vaikka suoraan ERP:iin.

Tällöin saamme sekä välittömän liiketoimintahyödyn, että organisaation opin ja oivallukset.

Vastaa

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *

Yhteydenotto

Mikäli olet kiinnostunut yrityskohtaisista palveluista tai sinulla kysyttävää palvelujemme sisällöstä, niin ota yhteyttä oheisella lomakkeella tai soita Mikalle numeroon 040 845 8432.