Seuraavissa kappaleissa on kuvattu eri projekteissa koneoppimisen avulla toteutettuja kysyntä- ja volyymiennusteita asiakkaille.
Lehtien myyntiennusteet
Mediapuolen asiakkaan haasteena oli lukuisten eri julkaisujen levikkiennusteiden toteutus. Käytännössä tämä tapahtui manuaalisesti ja perustuen kokemukseen. Projektissa toteutimme ratkaisun, joka automatisoidusti ennustaa julkaisujen levikit 12 kk eteenpäin. Ratkaisu meni tuotantokäyttöön.
Lähetysten toimitusajan ennustaminen
Asiakkaan liiketoimintaongelmana oli rakentaa koneoppimismalli, joka pystyisi ennustamaan lähetysten toimitusajan paikasta A paikkaan B ja tarkentamaan ennustetta lähetysten edetessä reitillä. Loppuasiakkaalle hyötynä on tietää aiempaa tarkemmin, milloin lähetys saapuu noudettavaksi. Toimittajalle hyöty on suurempi asiakastyytyväisyys ja kierron nopeuttaminen.
Rakensimme neuroverkkomallin, joka kykeni ennustamaan erittäin hyvin toimitusaikoja, myös sellaisille reitti-tuote-kombinaatioille, joita ei ole aiemmin ollut datassa.
Kalliiden lääkkeiden menekki
Sairaanhoitopiirin haasteena oli seurata kalliiden lääkkeiden menekkiä. Tyypillisesti niitä ehdittiin hankkia kuukausia ennen kuin asia huomattiin talouspuolella, mikä aiheutti budjettihaasteita.
Toteutimme asiakkaalle ratkaisun, joka ennusti sadoille lääkkeille tulevan menekin sekä menekin luottamusvälit ja erotteli trendi- ja kausivaihtelukomponentit. Tätä informaatiota käyttäen voi proaktiivisesti löytää potentiaaliset ongelmakohdat.
Parkkitalojen kapasiteettiennusteet
Asiakkaamme hallinnoi parkkitaloja ja halusi tarjota asiakkailleen mobiilipalvelun, josta näkee ennusteen parkkitalon avoimien paikkojen määrästä 12 tuntia eteenpäin. Parkkitalon asiakas voi tällöin päättää esimerkiksi, tuleeko sittenkin julkisilla tai yrittääkö suoraan toiseen parkkitaloon – mikäli ennuste näyttää täyttä buukkausta.
Tehdyt ennustemallit toimivat tarkasti (selitysaste 91%) ja ratkaisu päätyi tuotantoon.
Myymälöiden myyntiennusteet
Toteutimme vähittäiskauppa-asiakkaallemme koneoppimismallin, joka ennustaa myymälöiden kokonaismyyntiä tulevalle viikolle päivätasolla. Mallin ennusteet tulivat nopeammin ja olivat keskimäärin tarkempia kuin ihmisten tekemät.
Päivystyskäyntien ennustaminen
Tässä projektissa toteutimme koneoppimismallin, joka ennustaa päivystyskäyntien määriä eri ajanjaksoilla. Ennusteita on mahdollista käyttää eri tarkoituksiin, kuten työvuorosuunnitteluun tai informaatioksi sairaanhoitopiirin jäsenkunnille – ”näin paljon teiltä on tulossa päivystyskäyntejä, ja näin paljon ne maksavat”.
Osastokapasiteetin ennustaminen
Sairaalassa hoitajien työvuorosuunnittelu on haastava tehtävä, joka alkaa usein jopa kuukausia ennen kunkin työvuorojakson alkamista. Henkilöstömitoitus kullekin päivälle perustuu tyypillisesti näppituntumaan, mikä ei välttämättä kohtaa todellisuutta kovinkaan hyvin.
Lähdimme yhdessä asiakkaan kanssa toteuttamaan ratkaisua, joka mahdollistaisi datan hyödyntämisen työvuorosuunnittelun apukeinona. Kehitimme asiakkaan tietovaraston päälle useita malleja, joilla pyrittiin ennustamaan ajanvarauspotilaiden hoidon tarvetta ja kestoa sekä päivystyspotilaiden volyymia.
Vaikka projektissa oli lukuisia haasteita, lopputuloksena saatiin aikaan raportti, jota voidaan hyödyntää sekä työvuorojen suunnitteluun että osastokapasiteetin tehokkaampaan hyödyntämiseen.
Tilauskannan simulointi
Autoimme työkoneita valmistavaa yritystä kehittämään applikaation, jolla voidaan simuloida makrotalouden indeksien muutosten vaikutusta tilauskantaan. Simulaattorin perustana toimi tilastollinen malli, joka ennusti tilausmäärien kehitystä vuoden eteenpäin.
Työkalun avulla asiakas tavoitteli voivansa paremmin ennakoida esim. komponenttien tarvetta muuttuvissa talousnäkymissä. Merkittävimpänä haasteena tässä projektissa oli historiadatan puute.
