Hae it-yrityksiä
osaamisalueittain:

Tekoälypohjaisen taloussuunnittelun tiennäyttäjä — Jedox ja AIssisted™ Planning

Bloggaus

Edellisessä blogitekstissäni avasin hieman, mitä tekoäly ja koneoppiminen voisi taloushallinnon alueella tarkoittaa. Mainitsin myös ohjelmiston nimeltä Jedox, jossa mielestäni varsinaisista talouden planning-järjestelmistä AI-ominaisuuksia on kehitetty pisimmälle. Jedoxista löytyy kolme koneoppivaa valmismallia algoritmeineen ja best-practise ‑käytäntöineen.

Jedox on tuotteistanut ja antanut tekoäly-/koneoppimismalleilleen nimen AIssisted™ Planning. Konsepti ratkaisuneen on johdonmukainen ja seuraa koneoppivan mallin yleistä rakentamiskaavaa, joka näkyy yksinkertaistettuna alla olevassa kuvassa.

Kun tiedetään, mitä koneoppivalla mallilla halutaan selvittää tai ennustaa, niin hankitaan tarvittavat tiedot (data) ja analysoidaan se. Tässä vaiheessa hyvin usein joudutaan tekemään iteraatiota ja datan laatua pitää parantaa ja määrää lisätä.

Laadun parantaminen voi tarkoittaa esimerkiksi duplikaattien poistamista ja lisäys sitä, että tiedot täytyy hakea uudestaan pidemmältä aikaväliltä tai mukaan malliin otetaan uutta dataa uusine dimensioineen ja selittäjineen.

Jedoxin AIssisted-ratkaisussa yksi valmismalli on juuri tietojen laadun analysointia helpottava Data Preparation. Sen jälkeen kun hyvälaatuista dataa on riittävästi ja siitä löytyy riittävät selitysasteet ennustettavalle asialle, voidaan rakentaa varsinainen koneppiva malli. Jedoxilla tähän löytyy kaksi valmisratkaisua Predictive Forecast ja Performance Management.

Jedoxin Data Preparation ‑mallissa ladattu data tutkitaan ja korjataan sekä epäjatkuvuuskohdat täydennetään esimerkiksi matemaattisella interpolaatiomenetelmällä. Interpolaatiossa käytettävä data täydentää automaattisesti puuttuvia arvoja tai poikkeamia esimerkiksi lähikuukausien tietoihin pohjautuen. Datapuutteet täydentyvät hyvin esimerkiksi tuotekoodien muutostilanteissa tai muissa vastaavissa ajan suhteen epäjatkuvuustilanteissa. Malli huomaa tiedoista myös niin sanotut outlierit, eli merkittävästi poikkeavat arvot. Tarvittaessa ne voidaan poistaa ennusteesta.

Data Preparation ‑ratkaisu vastaa siis suoraan perinteisen koneoppimisprosessin tai rakentamismallin alkuvaiheen tietojen putsaus- ja analyysitarpeeseen. Jedoxin dataputsausmallilla haetaan vastaukset muun muassa seuraaviin kysymyksiin:

Onko tietoni (käytettävä data) riittävää ja oikeaa?

Onko datassa kausivaihtelua?

Aiheuttavatko toistuvat aktiviteetit poikkeusarvoja (outlier) trendiin?

Olen itse aina sanonut, että tietojen analyysivaiheessa hyvä tulos on jo sen huomaaminen, että yrityksen data ei vaan yksinkertaisesti selitä myyntiä tai tuotantolaitoksen optimia toimintaa riittävästi. Tämä voi johtua tietojen epäkuranttiudesta (esim. asiakas- tai tuotetiedot duplikaatteina) tai tietojen liian karkeasta tasosta ja summauksesta ylätasolle. Esimerkiksi päivätasoinen data tuotantolaitoksessa tai kuukausitasolle summattu myynti ei usein kerro juuri mitään.

Muista valmismalleista Predictive Forecastia käytetään myynnin ja kustannusten ennustamiseen ja Performance Management soveltuu muun muassa asiakaspysyvyyden analysointiin.

Predictive Forecast ‑malli voisi vastata kysymyksiin:

Miten myynti kehittyy ensi kuussa, kvartaalissa tai vuonna?

Miten kausivaihtelu tai aktiviteetit vaikuttavat myyntiin?

Saavutanko kuluvan vuoden tavoitteet?

Myyntiennusteen todennäköisyys/luotettavuus?

Suunnittelija voi itse valita mallissaan käytettävän algoritmallin (esim. lineaarinen, ARIMA tai Best), joka laskee ennusteen, ilmoittaa sen todennäköisyyden ja lisäksi ennusteen ylä- ja alaraja-arvot.

Performance Management ‑ratkaisu on tehty asiakasdatan analysointia varten. Tämä malli puolestaan voisi ennakoida:

Mitkä asiakkaat saatamme menettää seuraavina kuukausina?

Mitkä toimenpiteet, asiat tai demografiset tekijät vaikuttavat asiakaspoistumaan ja uusien asiakkaiden saantiin?

Ketkä ovat kannattavimmat asiakkaani?

Millä asioilla asiakaspoistumaa voisi pienentää?

Jedoxin AIssisted-malleihin tarvitaan lähtökohtaisesti kolmen vuoden historiadata. Tällaisen aikajakson vertailukelpoisilla tiedoilla, jossa esimerkiksi laskentasäännöt ja ‑määritteet eivät ole merkittävästi ajan kuluessa muuttuneet, päästään erittäin hyviin tuloksiin. AIssisted-malleissa tietojen latausrajapinnan ja laskentamoottorin mukana on valmisraportit, joista ennustavia ja ohjaavia tuloksia tarkastellaan.

Jedoxin Integrator-moduuliin pystyy myös kuka tahansa koodaamaan R- tai Python ‑ohjelmointikielellä syntakseja, eli kehityksessä ei olla pelkän Jedox-teknologiatoimittajan varassa. AI-ratkaisuja pystyvät kehittämään omat data scientist ‑osaajat tai se voidaan tehdä yhdessä toimittajan, kuten Invencon, kanssa. Valmismalleilla päästään kuitenkin parhaiten alkuun.

Alla olevassa lyhyellä videolla on hyvin kuvattu Jedoxin AIssisted™ Planning ja sen logiikkaa

Lisäksi Jedoxin kotisivuilta löytyy hyvin informaatiota: https://www.jedox.com/en/epm-software/aissisted-planning/

Ota yhteyttä ja jutellaan näistä lisää!

Mikko Dragon

Johtava konsultti

mikko.dragon@invenco.fi

Pinterest
Invenco Oy

Lisätietoja

Yritysprofiili Invenco kotisivut

Tagit

Jos tarjontatagi on sininen, pääset klikkaamalla sen kuvaukseen

Liiketoimintaprosessi

Taloushallinto

Erikoisosaaminen

Analytiikka
Tekoäly (AI) ja koneoppiminen

Tarjonnan tyyppi

Konsultointi
Toteutustyö
Tuki- ja ylläpitotyö
Valmisohjelmisto

Omat tagit

Älykäs taloushallinto
taloussuunnittelu
tekoälypohjainen taloussuunnittelu
AI taloushallinnossa
talouden ohjaus ja suunnittelu

Siirry yrityksen profiiliin Invenco kotisivut Yrityshaku Referenssihaku Julkaisuhaku

Invenco - Asiantuntijat ja yhteyshenkilöt

Asiantuntijoita ja yhteyshenkilöitä ei ole vielä kuvattu.

Invenco - Muita referenssejä

Invenco - Muita bloggauksia

Digitalisaatio & innovaatiot blogimedia

Blogimediamme käsittelee tulevaisuuden liiketoimintaa, digitaalisia innovaatioita ja internet-ajan ilmiöitä

Tutkimus: koronaviruksen vaikutukset suomalaisten työhön - Poikkeusolot vähensivät vuorovaikutusta työkaverien välillä
Teknologiayhtiöt IWA ja NXme yhdistyvät - uusi yli 100 asiantuntijaa työllistävä Oivan kasvaa koronasta huolimatta
Kahdeksan suomalaista ehdolla Nordic Women In Tech -palkinnon saajaksi - naiset edelleen vähemmistössä teknologia-alalla

Etusivu Yrityshaku Pikahaku Referenssihaku Julkaisuhaku Blogimedia