Tiedätkö, mitä et bisneksestäsi vielä tiedä?

Saadaanko satokaudelle vettä? Mitä se tarkoittaa loppuvuoden tuotannollemme? Entä globaalille kysynnälle?

Siinä missä vanha kansa luotti tähtiin, nykydigitalisti laittaa pelimerkkinsä pilveen. Kristallipallon on korvannut koneoppiminen, ja ennustusten luotettavuudessa on otettu valovuoden harppaus.

Käytännössä tarvitsemme kaksi asiaa tämän nykypäivän ennustelupauksen lunastamiseen. Ensinnäkin vaaditaan dataa. Tässä voidaan yhtä hyvin hyödyntää nykyistä datavarastoa tai kerätä antureilla uutta dataa liiketoiminnalle kriittisistä pisteistä. Toisekseen tämä tietomassa tulee siirtää pilveen, jossa koneoppiminen – kuten Azure Machine Learning – muovaa massasta bisneskriittistä tietoa tulevaisuutta kalkuloiden. Ja yks kaks! Meillä on moderni kristallipallo.

Liikkeelle lähtö on jopa yllättävänkin mutkatonta. Arvioidaan erilaiset tuotannon tai liiketoiminnan business caset ja valitaan paras. Mietinnöissä voi käyttää apunaan vaikka Tammisen ”pienimmällä työllä ja suurimmalla tuotto-odotuksella” -prinsiippiä. Toimii aina.

Mihin tämän arvioinnin tulisi sitten johtaa? Parhaimmillaan uuden liiketoiminnan kehittämiseen.

Tässä lista esimerkkejä elävästä elämästä asiaa konkretisoimaan. Ja näitähän riittää, kun kulkee silmät auki ja kuuntelee asiakkaita:

  • Valmistaja, joka haluaa ennakoivasti tunnistaa huoltotarpeen ympäri karttapalloa sijaitsevista generaattoreista. Laitetaan anturit mittaamaan viskositeettia, lämpötilaa, värinää ja muita keskeisiä ominaisuuksia. Kerätään dataa, analysoidaan sitä ja opetetaan järjestelmä antamaan ennakoivaa tietoa, jotta tuotanto missään tilanteessa ei pysähdy. Erittäin bisneskriittistä ja helposti monistettavaa myös asiakkaan tuotantoon.
  • Rahoituslaitosta varmasti voisi kiinnostaa ennustaa isosta asiakaskannasta millä todennäköisyydellä yli 60 000 euroa vuodessa tienaava 50-vuotias henkilö tarvitsee omistusmuodolla x olevaan asuntoonsa remonttilainaa. Tai autolainaa – asuntolainan ohella toista elämän isointa rahoitustarvetta.
  • Hammashoidossa vastaava case voisi olla, ”millä todennäköisyydellä 55-vuotias 2 vuotta sitten juurihoidossa ollut henkilö tarvitsee maaliskuussa 2017 hoitoa”.
  • Lääkäriasemaa puolestaan kutkuttaisi koneoppimisen kautta tuotettava, luotettaviin ennusteisiin pohjaava potilaan hoitosuunnitelma, joka tulisi suoraan hoitavalle henkilökunnalle päätöksenteon tueksi. Paitsi resurssien säästöä tarjoaisi se myös riskienhallintaa.

Vastaavia esimerkkejä – ja toki jo myös valmiita toteutuksia – löytyy meidän jokaisen omalta alalta, kun olemme valmiit ajattelemaan avarasti ja miettimään aktiivisesti voimmeko luoda olemassa olevasta tai vastedes kerättävästä datasta uudenlaista liiketoimintaa tai tuotantoa.

Vaikealta kuulostavat asiat eivät aina sitä ole. Huolimatta siitä, että työskentelen itse asiakasrajapinnassa ilman teknistä erikoisosaamista, olen ymmärtänyt pilven ja koneoppimisen hyödyt liiketoiminnan kehittämiselle näkemällä ne käytännössä toteen. Ensiaskeleita on turha pelätä – tulevaisuus on täällä, täysin valjastettavissa.

Haluatko haastaa? Tai kuulla lisää Onregon kristallipalloratkaisuista?

Ota rohkeasti yhteyttä – se on se ensimmäinen askel.

Kenneth Haapala , Chief Customer Officer

040 5109 109, kenneth.haapala@onrego.fi

kuva: http://southworks.com/blog/wp-content/uploads/sites/81/2015/07/AzureMLService.png

Jaa