Data-analytiikka, tekoäly ja koneoppiminen – olet varmasti kuullut kaikista näistä, ehkä jopa kyllästymiseen asti. Tästäkin huolimatta uskallan väittää, että kannattaa jatkaa lukemista. Tämä artikkeli tarjoaa sinulle yksinkertaiset selitykset kyseisistä käsitteistä ja valottaa, miten ihan tavallinenkin bisnes voi niistä hyötyä.

Data-analytiikka, tekoäly ja koneoppiminen ovat olleet trendikkäimpiä ja hypetetyimpiä digitalisaatioon liittyviä termejä jo hyvän aikaa. Artikkeleita ja opuksia löytyy aiheista lukuisia, mutta siitä huolimatta nämä aihealueet tuntuvat edelleen jäävän monelle hähmäisiksi ja pinnallisiksi. Monesti tiedetään kyllä, mitä tekoäly ja data-analytiikka periaatteessa tarkoittavat, mutta ymmärrys näiden soveltamisesta käytäntöön jää usein köykäiseksi.

Mitä data-analytiikka, tekoäly ja koneoppiminen oikeastaan ovat?

Kuten monen muunkin termin kohdalla, myös tässä tapauksessa määritelmät vaihtelevat jonkin verran määrittelijän mukaan. Lisäksi on hyvä huomata, että käsitteet ovat jokseenkin päällekkäiset ja osa-alueet liippaavat usein toinen toisiaan. Alla olevat määritelmät on koostanut Vincitin datatiimi.

1. Data-analytiikka

Data-analytiikassa koostetaan tai havainnollistetaan dataa ihmisen tulkittavaksi esimerkiksi visualisoimalla, laskemalla keskiarvoja tai muita tilastollisia menetelmiä käyttämällä. Data-analytiikka on osa laajempaa datatieteen alaa, jonka työkalupakkiin kuuluu myös tekoälyä ja koneoppimista. Datatiede on mitä tahansa sellaista toimintaa, jolla datasta johdetaan tietoa tai ymmärrystä esimerkiksi bisneksen kehittämiseksi.

2. Tekoäly

Tekoäly on ohjelma tai järjestelmä, joka kykenee tekemään itsenäisesti älykkäitä toimintoja. Tämän lisäksi tekoälylle on ominaista kyky, joskin rajallinen sellainen, itsenäiseen päättelyyn ja oppimiseen ja näiden havaintojen hyödyntämiseen tehtäviä suoritettaessa.

3. Koneoppiminen

Koneoppiminen on sellaista tekoälyä, jonka toiminta perustuu sille annettuun aineistoon. Ydinajatus koneoppimisessa on se, että on olemassa malli, jolle annetaan tietyistä havaintoyksiköistä koostuva opetusaineisto. Tällaisia koneoppimismalleja voidaan käyttää esimerkiksi kun halutaan luokitella dataa, kuten asiakaspalveluun tulevia viestejä, oikeisiin kategorioihin.

Miten hyödyntää data-analytiikkaa, tekoälyä tai koneoppimista liiketoiminnan kehittämisessä?

Käytännön bisneksen kannalta data-analytiikkaa, tekoälyä ja koneoppimista voidaan karkeasti jaoteltuna hyödyntää kahdessa erilaisessa käyttötarkoituksessa

• dataohjatuissa liiketoimintaprosesseissa ja päätöksenteossa
• älykkäissä tuotteissa ja palveluissa.

Dataohjatut liiketoimintaprosessit ja päätöksenteko

Data-ohjatut liiketoimintaprosessit ja päätöksenteko voivat liittyä esimerkiksi myynnin tehostamiseen, markkinoinnin toimivuuden mittaamiseen, varastonhallintaan, asiakaspalvelun tehostamiseen, toimitusketjun hallintaan tai ennakoivaan kunnossapitoon.

Varastonhallinnan kannalta tämä voi tarkoittaa esimerkiksi tekoälyn hyödyntämistä inventaarion joustavassa hallinnassa ja tilaamistarpeen ennustamisessa. Tällöin varastossa on kysyntään nähden optimaalinen määrä tuotteita: asiakkaille ei myydä ei oota, mutta varastoa ei ole myöskään ylimitoitettu. Asiakaspalvelun tehostamisesta yksi esimerkki on hyödyntää koneoppimista aspaan tulevien viestien luokittelussa ja ohjaamisessa oikean asiantuntijan käsiteltäväksi. Tällä tavoin pystytään nopeuttamaan viestien käsittelyä ja tarjoamaan asiakkaalle parempaa palvelua. Markkinoinnin toimivuuden mittaamisen kohdalla voidaan puolestaan esimerkiksi tarkastella eri datalähteitä yhdistelemällä monikanavaisen kesäkampanjan tuloksia kuten sen herättämää tietoisuutta ja aikaansaamia konversioita.

Ihminen voi tarkastella ja tulkita pieniä määriä dataa silmämääräisesti, mutta yhtään isompien data-aineistojen kohdalla kone tekee tämän huomattavasti nopeammin ja luotettavammin. Meillä ihmisillä on ajattelussa aina tietynlaisia vinoumia, jolloin näemme helposti niitä asioita, joita haluamme nähdä. Tämä vaikuttaa datasta tehtävien tulkintojen luotettavuuteen. Lisäksi kone on ihmistä parempi huomioimaan useamman tekijän samanaikaisen vaikutuksen esimerkiksi ennusteita laatiessa.

Älykkäät tuotteet ja palvelut

Älykkäiden tuotteiden ja palveluiden kohdalla tuotteeseen tai palveluun on, nimensä mukaisesti, lisätty jonkin älykäs ominaisuus, joka tuo tuotteelle/palvelulle jonkinlaista lisäarvoa.

Yksi esimerkki tällaisesta älykkäästä tuotteesta on jätehuollon ratkaisuja tarjoavan Europressin jätepuristimet. Europressin jätepuristimet hyödyntävät ennustavia malleja eli sellaista tekoälyä, jonka avulla ne osaavat ennustaa, milloin esimerkiksi kauppojenkin pihoista löytyvät jätesäiliöt ovat täynnä ja valmiita tyhjennettäviksi. LeakLookin vesimittarit puolestaan pystyvät tekoälyä hyödyntämällä tunnistamaan vesivuotoja ja näin ehkäisemään vesivahinkojen syntyä. Nämä molemmat esimerkit sisältävät myös aiemmin mainittua datan käyttämistä liiketoimintaprosessien ja päätöksenteon tukena.

Kolmas esimerkki älykkäästä palvelusta on erilaisten verkkosivujen ja mobiilisovellusten suosittelualgoritmit. Näihin olet varmasti törmännytkin verkkokaupassa asioidessasi tai vaikka suoratoistopalvelua selatessasi. Käyttäjän surffaushistorian tai muiden samankaltaisten käyttäjien toiminnan perusteella algoritmi alkaa oppia, millaisella tarpeella käyttäjä on liikkeellä ja osaa tämän perusteella suositella käyttäjälle häntä todennäköisesti kiinnostavia tuotteita/palveluita.

Data hyödyttää bisnestä kuin bisnestä

Data-analytiikaa, tekoälyä ja koneoppimista voidaan hyödyntää monenlaisissa konteksteissa kehittämään ja tehostamaan liiketoimintaa. Lopuksi haluan korjata yhden harhaluulon teemoihin liittyen. Monesti luullaan, että tekoälyssä ja data-analytiikassa on kyse jostain niin monimutkaisesta, että myös hintalappu on tähtitieteellinen. Näin ei kuitenkaan läheskään aina ole. Monesti projekteissa lähdetään liikkeelle poceilla (proof of concept), jotta saadaan alustava käsitys ratkaisun hyödyllisyydestä verrattain pienellä vaivalla ja rahalla. Joskus myös ongelma, johon asiakas luulee tarvittavan monimutkaista ratkaisua, voikin olla ratkaistavissa varsin pienellä vaivalla ja simppeleillä muutoksilla. Aina kannattaa siis kysyä!