Ennakoiva analytiikka

26.8.2016

Tässä artikkelissa on tiivis katsaus siihen mitä ennakoivalla analytiikalla tarkoitetaan.

Lyhyesti ilmaistuna ennakoiva analytiikka on matemaattisiin malleihin perustuvaa ennustamista. Tuttuja kohteita ovat esimerkiksi sää- ja talousennusteet. Käytetyt ennustemenetelmät löytyvät tilastotieteen, tiedon louhinnan ja koneoppimisen piiristä. Toisinaan budjetoinnissa käytetty ennustaminen sotketaan ennakoivaan analytiikkaan, mutta onneksi yhä harvemmin.

Nykytilanne

Ennakoivan analytiikan hyödyntäminen liiketoiminnassa ei ole uusi asia, vaan sitä on hyödynnetty eri toimialoilla jo vuosikymmeniä. Esimerkiksi pankeissa on ennakoitu asiakkaiden riskiä jättää lainat maksamatta tai paperitehtaalla on ennustettu huollon tarvetta. Paperikoneen oikea-aikainen huolto kun maksaa paljon vähemmän kuin rikkoutuneen koneen korjaus.

Isoa läpimurtoa ennakoiva analytiikka ei kuitenkaan  ole vielä Suomessa tehnyt (nyt on vuosi 2016). Toisaalta tilanne muuttuu nopeasti nopeasti tämän osalta, koska yritykset hakevat digitalisaation vuoksi yhä uusia keinoja tehostaa liiketoimintaansa. Sama pätee myös julkiseen sektoriin. Etenkin terveydenhuollossa ennakoivan analytiikan hyödyntäminen voisi säästää satoja miljoonia euroja veronmaksajien rahaa vuositasolla. Puhumattakaan hyödyistä yksilölle. Esimerkiksi USA:ssa on ennakoivan analytiikan avulla on vähennetty kuolleisuutta ja parannettu diagnoosien osumatarkkuutta. Uudella mantereella ollaankin selvästi pidemmällä analytiikan hyödyntämisesssä, mutta perästä tullaan.

Hyödyntäminen

Me kaikki teemme päätöksiä, joissa arvioimme tulevaisuuden skenaarioita. Kenties pohdimme pikalähtöä Prahaan ensi viikonlopuksi? Silloin käymme katsomassa, että millaista säätä sinne on luvattu ja teemme päätöksen mennä tai olla menemättä.

Kuvitellaan että tekisit tuon matkan 1 000 kertaa, mutta eri ennustekriteerein.

  1. Et katso säätä ollenkaan
  2. Katsot mitä säätä Prahassa oli vuosi sitten, samana viikonloppuna
  3. Katsot Forecan sääennusteen tulevalle viikonlopulle

Mikäli sää on sinulle tärkeä tekijä, niin kohdat 1 ja 2 tuottaisivat sinulle pitkässä juoksussa kaikkein surkeimmat matkat. Yksittäisen viikonlopun osalta voisi tuurikin osua.

Parhaiten onnistuneet matkat siis tulevat, kun katsot Forecan ennusteen vaikka sekään ei ole täysin varmaa tietoa.

Liiketoiminnassa pätee usein sama tilanne. Kuitenkin pääosa päätöksistä tehdään kohtien 1-2 mukaisesti. Kohtaan 3 panostavat yritykset kuitenkin tekevät parempia päätöksiä ja menestyvät muita paremmin? Tästä on tutkittua tietoa Yhdysvalloista. Eikä sitä ole vaikea ymmärtää tutkimattakin.

Seuraavaksi joitakin ennakoivan analytiikan esimerkkejä, joihin yritykset panostavat.

  • Asiakaspidon maksimointi. Ennustetaan asiakkaat, jotka ovat vaarassa lopettaa sopimuksensa. Ennen irtisanoutumista ollaan asiakkaaseen yhteydessä ja pyritään pitämään asiakas. Eräillä toimialoilla ko. asiakkaalle voidaan tarjota myös lisää palveluita tai tuotteita.
  • Tarjonnan optimointi. Asiakkaiden ostohistorian ja taustatietojen perusteella heidät profiloidaan samankaltaisiin joukkoihin, jotka ovat kiinnostuneet samoista asioista. Tällöin tarjontaa on mahdollista kohdentaa, joka on hyödyllistä sekä asiakkaalle että yritykselle. Myös yksittäisten tuotteiden ja palveluiden ostotodennäköisyyttä per asiakas on mahdollista ennustaa. Tällä tavoin esimerkiksi teleoperaattorit valitsevat henkilöt, joille tarjotaan tv-pakettia tai tablettia puhelimessa.
  • Prosessien optimointi. Ennustemallien avulla on mahdollista nopeuttaa erilaisia jonotustilanteita siten, että asiakkaan tietojen perusteella hänet osataan ohjata automaattisesti todennäköisimpään palvelukanavaan. Tämä karsii turhia välivaiheita. Teollisuudessa voidaan vastaavasti vähentää esimerkiksi valmistettavien komponenttien tarkistuskierroksia, kun ennustemalli osaa arvioida komponenttien laadun riittävän hyvin.
  • Hankintojen optimointi. Kaupanalan liikkeet tekevät valtavia määriä ostoja ympäri maailmaa. Kun kyseessä on tuhansia ja tuhansia tuotteita, niin niiden menekin ennustaminen manuaalisesti ei ole vain epätarkkaa, mutta myös tehotonta. Ennustemallit tekevät minuuteissa ennusteita tuhansien tuotteiden menekistä ja tarkemmin kuin ihminen.
  • Mainonnan optimointi. Kun tuhansista tuotteista voi valita kalliisiin mainoksiin vain osan, niin mikä on paras tapa tehdä se? Tässäkin tapauksessa asiakkaiden ostoskoreja ja kampanjavaikutuksia ennustavat mallit ovat ylivoimaisia ihmisen arviointikykyyn nähden. Ne pystyvät nopeasti kertomaan, että mitkä mainostettavat tuotteet maksimoivat ostoskorin arvon.

Nämä esimerkit olivat pintaraapaisu mahdollisuuksiin ja siihen, että mitä kaikkea tehdään jo tällä osa-alueella.

Ohjelmistot

Ennakoivaa analytiikka voi tehdä mm. seuraavilla ohjelmistoilla:

  • Python
  • RapidMiner
  • SAS
  • SPSS
  • R-ohjelmisto
  • Knime
  • Alteryx
  • Azure Machine Learning (pilvipalvelu)

Sitä ei voi tehdä raportointiohjelmistoilla (ainakaan ilman lisäosia), kuten

  • Cognos
  • Qlikview
  • Business Objects
  • Tableau
  • Excel
  • Oracle OBIEE

Tosin kannattaa huomioida, että monet näistä BI-ohjelmistoista tarjoavat rajapinnan esimerkiksi R:n hyödyntämiseen. Se ei kuitenkaan tee niistä ennakoivan analytiikan ohjelmistoja.

Ennakoivan analytiikan hintalappu?

Ennakoivan analytiikan toteutus on nopeaa, kun tarvittavat datat ovat kasassa. Suurin osa kustannuksista syntyykin datan käpistelystä eikä itse analytiikasta. Verrattuna kustannuksia esimerkiksi tietovaraston kehittämiseen, puhutaan huomattavasti pienemmistä summista.

Yleensä kannattaa myös tehdä ns. ROI-laskelma, jonka avulla voidaan arvioida analytiikkainvestoinin takaisinmaksuaika. Eräillä asiakkaillamme se on laskettu vain päivissä.

Kirjoittajat: Mika Laukkanen

Ennakoivan analytiikan ratkaisuja

Lue lisää

Yhteydenotto

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