Tekoälypohjaisen taloussuunnittelun tiennäyttäjä — Jedox ja AIssisted™ Planning

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