Aiemmissa blogeissa on vilahdellut värikäs nelikenttä, jonka hilpeitä värejä peittää läpinäkyvä kolmio. Mitä nelikentän eri laatikot sitten tarkemmin ottaen tarkoittavat? Tässäpä kustakin lyhyt kuvaus ja muutamia asiakasesimerkkejä.
█ Tehokkuuden ja päätöksenteon parantaminen
Perimmäisenä kysymyksenä on miten organisaatio toimii sujuvammin ja tehokkaammin datan avulla?
Tehokkuutta haetaan esimerkiksi:
- automatisoimalla tai tukemalla päätöksentekoa—toteutimme VTV:lle tekoälybuustatun työkalun valtionhallinnon hankinnoissa tapahtuvien mahdollisten riskitapausten tunnistamiseksi. Työkalu ei korvaa tarkastajia, mutta auttaa heitä potentiaalisten riskitapausten löytämisessä
- optimoimalla päätöksiä—eräälle toiselle valtion virastolle toteutettiin koneoppimismalli hakemusten automaattiseen luokitteluun, joka kykeni 90 % tarkkuudella luokittelemaan hakemukset oikein useiden eri luokkien kesken ja teki vuoden työt noin sekunnissa
- ymmärtämällä paremmin asiakkaita tai markkinoita—rakensimme tukkukaupalle mallin vihannesten maailmanmarkkinahintojen vaihtelun ennakointiin, jotta voitiin optimoida ostoja ennen hintojen nousua
- vähentämällä manuaalista työtä (tai kustannuksia) automatisoimalla toistettavia prosesseja—korvasimme mediatalon manuaalisen julkaisulevikin jatkuvan seurannan ja ennustamisen koneoppimiseen perustuvalla ratkaisulla, joka ennustaa levikkiä kuukausia eteenpäin
Ja aina tähän ei tarvita edes mitään edistynyttä analytiikkaa (tekoälyä). Ihan dataan tutustumalla ja sitä analysoimalla voidaan saavuttaa hyviä tuloksia.
Elävä esimerkki Suomen huipulta: Eräässä yrityksessä tehtiin konfiguroitavia tuotteita oletuksella, että turvallisuusstandardin mukaisesti kaikkiin heidän tuotteisiinsa pitäisi lisätä uusi osa. Kymmenien tuhansien eurojen tuotteessa yksittäinen osa on sinällään halpa, asennettuna itse asiassa alle 200 euroa.
R&D:n toimesta pelkästään dataa analysoimalla tunnistettiin yli viisinumeroinen määrä tapauksia, joihin tätä osaa ei tarvitse vuosittain asentaa. Tämä johti usean miljoonan euron vuotuisiin säästöihin.
█ Operatiivinen erinomaisuus
Perimmäisenä kysymyksenä on miten maksimoida tehokkuus ja kannattavuus dataa hyödyntäen?
Operatiivista erinomaisuutta haetaan esimerkiksi
- niputtamalla yhteen pienempiä kokonaisuuksia, jotka yhdessä muodostavat jotain suurempaa tai kunnianhimoisempaa—mitäpä jos myydessäsi tori.fi:ssä krääsää, ottaisitkin vain kuvan tuotteesta ja palvelu tunnistaisi, mitä olet myymässä, luokittelisi sen oikein, tekisi kuvauksen ja hinnoittelisi tuotteen puolestasi ja löytäisi vieläpä potentiaalisen ostajan?
- optimoimalla kokonaisia liiketoimintaprosesseja (esim. tilauksesta kassaan)—kuten edelläkin, maksimoidaan hyödyt käyttämällä oikeita (AI-)ratkaisuja oikeissa paikoissa. Tilauksia tulee monesta kanavasta ja AI voisi käsitellä sähköpostin kautta tulevat tilaukset (ja antaa hankalat ihmisten käsiteltäviksi), myyntisaamisten puolella ennustaa asiakkaiden maksuvaikeuksia, laskutusvaiheessa huomioimalla maakohtaiset säännökset ja erot jne.
- ennustamalla myyntiä tai kysyntää—tämä on aika klassinen käyttökohde. Yhtenä mielenkiintoisena casena ennakoimme aikoinaan vanhusten pitkäaikaishoitotarvetta perustuen sote-toimijan anonymisoituun dataan. Tavoitteena oli ennustaa hoitotarpeen kokonaismäärää, jota pystyy käyttämään muun muassa sote-palveluverkon kapasiteetin ennakointiin. Ennustetarkkuus oli todella hyvä ja ratkaisu on nykyään osa FCG Prodacapo Finlandin Ecomed-alustaa
- optimoimalla tarjousten läpimenoa—toteutimme KONEelle ratkaisun, joka auttaa myyjiä etsimään todennäköisesti optimaalisimman hinnan (tai oikeammin hintaluokan) kullekin tarjoukselle
Talviliukkaiden vaaniessa nurkan takana on YIT:lle pari vuotta sitten tekemämme Kelikoneäly oivallinen esimerkki operatiivisesta erinomaisuudesta. Teiden oikea-aikainen auraus ja suolaus ovat erittäin tärkeitä tekijöitä, sillä liian aikaiset lähdöt maksavat paljon (pitää lähteä toisenkin kerran) ja liian myöhäiset lähdöt vaikuttavat turvallisuuteen ja tuovat korvausvastuut.
Kelikoneälyssä ennustetaan koneoppimisen keinoin kelitilanteen muutoksia ja liukkautta muutamaa tuntia eteenpäin. Kun tiesää on ennakoitavissa, on myös helpompi tehostaa suolan käyttöä, varata oikea määrä kalustoa teille ja toimia kustannustehokkaasti urakan, tilaajan ja myös tienkäyttäjän parhaaksi. Toisin sanoen maksimoida tehokkuus ja kannattavuus.
█ Digitaalinen asiakaskokemus
Perimmäisenä kysymyksenä on miten käyttää dataa asiakaskokemuksen parantamiseksi? (tai ehkä sisimmissään auttaa asiakkaita tuntemaan, että heitä palvellaan ja arvostetaan)
Digitaalista asiakaskokemusta haetaan esimerkiksi:
- itsepalveluasteen nostamisella—chatbotit sekä virtuaaliavustajat antavat nopeat vastaukset yleisimpiiin kysymyksiin ja asiakaspalvelijoiden aika tulee käytettyä hankalampiin tapauksiin. Sitä paitsi botit jaksavat palvella väsymättä 24/7 ja myös osata ohjata asiakasta kohti ostopäätöstä
- parantamalla personointia—Netflix ja Spotify ovat tästä huikeita esimerkkejä, mutta miksei myös verkkosivusi ja sähköpostimarkkinointisi personointi asiakkaan näköiseksi ja tarpeiden mukaiseksi. Hyvin toteutettuna on molempien etu, että asiakas tunnistetaan aina palveluita käyttäessään—parhaimmillaan asiakkaalle tulee fiilis, että tämähän on räätälöity ihan minua varten
- vähentämällä kitkaa—tutkimalla asiakaspolun eri vaiheissa syntyvää dataa voi löytyä paikkoja, jossa asiakaskokemus (hetkellisesti) laskee. Nostamalla lentokorkeutta voi löytyä myös samankaltaisesti toimivia asiakassegmenttejä, joita hiertävät samat asiat
- parantamalla ostokokemusta—mielenkiintoista nähdä, milloin kassalinjat jäävät Suomessakin historiaan ja hyllystä poimittujen tuotteiden kanssa kävellään kaupasta ulos ja ne veloitetaan tililtä automaattisesti. Tai, että jääkaappi täyttää ihan itse itsensä
Eräässä projektissa ennustimme postipaketin toimitusaikaa paikasta A paikkaan B ja pystyimme tarkentamaan ennustetta paketin edetessä reitillä.
Loppuasiakas hyötyy tästä (jos hyötyy, kun on kuitenkin töissä) tietämällä aiempaa tarkemmin, milloin paketti saapuu noudettavaksi. Pakettien toimittaja puolestaan nopeuttaa kiertoa ja saa tyytyväisempiä asiakkaita. Mielenkiintoista tässä oli myös se, että neuroverkkomalli kykeni ennustamaan erittäin hyvin toimitusaikoja myös sellaisille reitti-tuote-kombinaatioille, joita ei ole aikaisemmin ollut datassa.
█ Datan monetisointi ja kasvu
Perimmäisenä kysymyksenä on millaisia uusia (disruptiivisia) palveluita, tuotteita ja liiketoimintamalleja voidaan luoda datan ympärille?
Monetisointia ja kasvua haetaan esimerkiksi:
- myymällä dataa (luomalla siitä pääomaa)—tämä tulee varmasti monella ensimmäisenä mieleen. Kannattaa miettiä, myykö datansa raakamuodossa, vai kannattaisiko se paketoida ennemminkin (rajapinnan läpi käytettäväksi) palveluksi. Hyviä esimerkkejä ovat Bisnoden yritysdata tai vaikkapa Forecan myymä säädata. Dataa voi myydä myös tuottamalla siitä näkemyksiä, kuten MarketVisionin maksulliset tutkimukset
- lisäämällä dataa ja analytiikkaa tuotteisiin tai palveluihin—toinen perinteinen tapa kasvattaa organisaation kokonaisarvoa dataa hyödyntämällä on lisätä sitä tuotteisiin ja palveluihin (kuten älykelloihin, termostaatteihin, golf-mailoihin…), luoda sen päälle uusia maksullisia palveluita ja mahdollisuuksien mukaan myydä dataa (anonymisoituna) eteenpäin
- antamalla jotain ilmaiseksi—Googlen veloituksettomat palvelut ovat tästä loistoesimerkki, jossa saamalla jotain ilmaiseksi luovutamme samalla tietojamme Googlelle sekä mainostajille
- virtualisoimalla arvoketjuja—perinteisenä esimerkkinä Airbnb, jossa ihmiset voivat tarjota majoituspalveluita. Suomalainen Combi Works on myös mielenkiintoinen peluri tarjoamalla asiakkailleen laajaa teollista tuotantoa hyödyntämällä olemassa olevien vapaiden tehtaiden kapasiteettia. Tämä vaatii myös perinteisemmässä teollisuudessa siirtymistä toimitusketjulogiikasta alustalogiikkaan
Datan myymiseen liittyen olimme mukana toteuttamassa Lääketietokeskukselle Pharmarket-markkinatilastopalvelua, jossa lääkealan yritykset ja muut toimijat voivat analysoida Suomen lääkemarkkinaa valtakunnallisella ja alueellisella tasolla.
Lääketietokeskus myy palveluaan muun muassa lääkkeitä markkinoiville yrityksille, viranomaisille, yhdistyksille, tutkimusyrityksille sekä konsulttipalveluita tarjoaville yrityksille. Dataa hyödynnetään esimerkiksi kilpailijaseurannassa, uusien tuotteiden markkinointimahdollisuuksia analysoitaessa, myyntitavoitteiden seurannassa sekä lääkkeiden hinta- ja myyntianalyyseissä.
