{"id":194,"date":"2018-10-23T19:38:58","date_gmt":"2018-10-23T16:38:58","guid":{"rendered":"http:\/\/sorvipenkki.fi\/blog\/?p=194"},"modified":"2018-10-23T19:38:58","modified_gmt":"2018-10-23T16:38:58","slug":"tom-davenport-tiedolla-johtamisesta","status":"publish","type":"post","link":"http:\/\/sorvipenkki.fi\/blog\/2018\/10\/23\/tom-davenport-tiedolla-johtamisesta\/","title":{"rendered":"Tom Davenport tiedolla johtamisesta"},"content":{"rendered":"

Tom Davenport<\/a> k\u00e4vi l\u00e4pi analytiikan historiaa. Osa esityksen termeist\u00e4 oli itselle vieraampia ja niist\u00e4 lis\u00e4tietoa hakiessa j\u00e4ljet johtivat usein Deloitten tutkimuksiin ja julkaisuihin. Davenportilla on ollut ty\u00f6historiaa Deloitten palveluksessa.<\/p>\n

Esityksess\u00e4\u00e4n Davenport tunnisti analytiikan 4 aikakautta.<\/p>\n

Vaihe 1.0 (”artisanal analytics”)<\/h1>\n

Vaiheen 1.0 (”artisanal analytics”) Davenport ajoitti alkaneen 1970-luvulla. T\u00e4m\u00e4n aikakauden analytiikkav\u00e4lineet ovat k\u00e4yt\u00f6ss\u00e4 edelleen joltain osin. Kyse on kuvailevasta analytiikasta ja raportoinnista. Raportoinnin p\u00e4\u00e4tavoitteena on tukea sis\u00e4ist\u00e4 p\u00e4\u00e4t\u00f6ksentekoa. Ennustavia analyysimallejakin on ja ne pohjautuvat ihmisten tekemiin hypoteeseihin. Yksi k\u00e4ytt\u00f6kohde t\u00e4lle analytiikan lajille on muun muassa varastoinventaario.<\/p>\n

Vaihe 2.0 (big data analytics)<\/h1>\n

Vaihe 2.0 (big data analytics) ajoittuu Davenportin mukaan 2000-luvun alkuun. Analytiikan l\u00e4hdemateriaalina on laaja, rakenteeton datajoukko. T\u00e4llaisen materiaalin analysointi vaati uudenlaisia laskennallisia ty\u00f6v\u00e4lineit\u00e4.<\/p>\n

Muun muassa Barack Obaman hallinto hy\u00f6dynsi t\u00e4t\u00e4 analytiikkaa (esimerkiksi Issenberg (2012), How Obama\u2019s Team Used Big Data to Rally Voters<\/a>. MIT Technology Review, 19.12.2012). Osana t\u00e4t\u00e4 vaihetta perustettiin yrityksi\u00e4, jotka loivat data-analytiikkaan perustuvia ns. ”data-tuotteita”. T\u00e4ss\u00e4 vaiheessa analytiikan painopiste siirtyi tuotteisiin, joita voitiin myyd\u00e4.<\/p>\n

Vaihe 3.0 (data economy analytics)<\/h1>\n

Vaihe 3.0 (data economy analytics) k\u00e4ynnistyi Davenportin mukaan vuonna 2013. H\u00e4n kutsuu vaihetta my\u00f6s data-talouden aikakaudeksi (data economy era). T\u00e4ss\u00e4 analytiikan lajissa sekoitetaan sek\u00e4 perinteist\u00e4 analytiikkaa ja ns. big dataa<\/a>.<\/p>\n

Analyysimateriaalia ovat esimerkiksi yritysten omiin asiakaslojaalisuusohjelmiin kertyv\u00e4 data. Analytiikka on kehittynyt yhdeksi liiketoiminnan ydinalueiksi. Analyyseja ei tehd\u00e4 en\u00e4\u00e4 manuaalisesti vaan analysointi on ns. teollistunut (industrialized): analytiikkaa tekev\u00e4t koneet, analyyseja syntyy nopeammin ja toiminta on skaalattavissa eri kokoisiin yrityksiin ja tarpeisiin (Davenport, Industrialized analytics : Implications of large-scale predictive analytics models<\/a>. Deloitte).<\/p>\n

Esimerkkin\u00e4 t\u00e4st\u00e4 analytiikasta Davenport mainitsee Ciscon ns. propensity model -analyysin, jolla yritys tekee ennusteita siit\u00e4, mill\u00e4 todenn\u00e4k\u00f6isyydell\u00e4 asiakas ostaa Ciscon tuotteen (Davenport & Rosner (2016), Decoding the path to purchase Using autonomous analytics for customer mapping<\/a>; Davenport, 7 Ways to Introduce AI into Your Organization<\/a>. Harvard Business Review). T\u00e4t\u00e4 nyky\u00e4 Cisco keskittyy Davenportin mukaan ennustamaan yritystasolla, ketk\u00e4 yksitt\u00e4iset yritysjohtajat hankkivat Ciscon tuotteita. Kuuleman mukaan analyysi on hyvin yksityiskohtaista ja osuu hyvin kohdilleen.<\/p>\n

Toinen esimerkki t\u00e4llaista analytiikkaa hy\u00f6dynt\u00e4v\u00e4st\u00e4 yrityksest\u00e4 on Procter & Gamble, jolla p\u00e4\u00e4paino analytiikassa on parantaa hallinnon p\u00e4\u00e4t\u00f6ksentekoa. Analyytikkoja on suoraan johdon, esimerkiksi toimitusjohtajan, neuvonantajina. Sovellusalueina on esimerkiksi sosiaalisen median reaaliaikainen analysointi, jonka avulla yritys ns. pit\u00e4\u00e4 sormeaan asiakassuhdepulssilla ja seuraa, mik\u00e4 on kuluttajien mieliala yrityksen suhteen. Davenportin mukaan Procter & Gamble on siirtym\u00e4ss\u00e4 vaiheeseen 4.0 muun muassa myynnin optimoinnissa.<\/p>\n

Davenportin mukaan my\u00f6s General Electric hy\u00f6dynt\u00e4\u00e4 3.0-analytiikkamenetelmi\u00e4. Fokuksessa yrityksell\u00e4 ovat data-pohjaiset tuotteet ja palvelut, joita tarjotaan yrityksen perinteisten tuotteiden (kuten junien, suihkumoottorien ja turbiinien) ohessa. General Electric on sekin siirtym\u00e4ss\u00e4 Davenportin vaiheeseen 4.0 muun muassa koneoppimiseen pohjautuvien teknologioiden k\u00e4ytt\u00f6\u00f6noton my\u00f6t\u00e4. Koneoppimista hy\u00f6dynnet\u00e4\u00e4n ”digital twin” -analyysissa, jolla seurataan fyysisen esineen aiempaa ja nykyist\u00e4 toimintaa ja pyrit\u00e4\u00e4n optimoimaan suoritusta. T\u00e4llainen analyysi pohjautuu suureen, kumulatiiviseen, reaaliaikaiseen ja arkimaailmasta saatavaan mittausdataan. T\u00e4t\u00e4 dataa ja sen analysointia voidaan hy\u00f6dynt\u00e4\u00e4 muun muassa tuotantoprosessin tai tuotteiden kehitt\u00e4misess\u00e4. (Industry 4.0 and the digital twin : Manufacturing meets its match<\/a>. Deloitte.)<\/p>\n

Vaihe 4.0 (cognitive analytics)<\/h1>\n

Vaiheen 4.0 (cognitive analytics) Davenport laskee alkaneen juurikin vuonna 2018. Davenport puhuu my\u00f6s kognitiivisten teknologioiden, kuten teko\u00e4lyn (artificial intelligence), aikakaudesta.<\/p>\n

T\u00e4ss\u00e4 vaiheessa analytiikka alkaa olla yh\u00e4 itsen\u00e4isemp\u00e4\u00e4 ja se tekee my\u00f6s automatisoituja p\u00e4\u00e4t\u00f6ksi\u00e4. Tietoj\u00e4rjestelm\u00e4t pystyv\u00e4t tekem\u00e4\u00e4n joitain ihmisen aiemmin hoitamia teht\u00e4vi\u00e4. Dataa analysoimalla pyrit\u00e4\u00e4n l\u00f6yt\u00e4m\u00e4\u00e4n v\u00e4lineit\u00e4 ja ratkaisuja, joilla organisaatio saadaan toimimaan yh\u00e4 tehokkaammin.<\/p>\n

Analytiikan taustalla on (automatisoituun) koneoppimiseen perustuvia teknologioita, kuten neuroverkot<\/a> (neural networks) ja syv\u00e4oppiminen<\/a> (deep learning), luonnollisen kielen k\u00e4sittelyyn liittyvi\u00e4 ty\u00f6kaluja, erilaisten ty\u00f6prosessien robotisaatiota.<\/p>\n

4.0-vaiheessa olevista yrityksist\u00e4 Davenport antoi esimerkkin\u00e4 Vanguardin, jonka sijoituspalveluissa yhdistyy kone- ja ihmis\u00e4ly. Teko\u00e4ly hoitaa yh\u00e4 isompaa osaa sijoituspalveluista ja leikkis\u00e4sti Davenportin mukaan ihmisasiantuntijalle j\u00e4\u00e4v\u00e4t talouspsykiatriaan (”financial psychiatry”) liittyv\u00e4t teht\u00e4v\u00e4t.<\/p>\n

Chilel\u00e4inen kaivosyhti\u00f6 Codelco hy\u00f6dynt\u00e4\u00e4 automatisaatiota ty\u00f6turvallisuuden parantamiseen. Yhti\u00f6 aloitti 1990-luvulla kauko-ohjattavilla kaivosty\u00f6kaluilla ja on siirtynyt muun muassa kaivoksissa toimiviin autonomisiin kuljetusv\u00e4lineisiin.<\/p>\n

Hissiyhti\u00f6 Koneen Davenport mainitsi esimerkkin\u00e4 teko\u00e4lyn tuomisesta palveluntarjontaan. Kone tekee yhteisty\u00f6t\u00e4 IBM Watsonin ja Salesforce.comin kanssa. Watsonin Internet of Things -teknologiaa hy\u00f6dynnet\u00e4\u00e4n hissilaitteiden valvontaan ja toiminnan ennustamiseen. Teko\u00e4lyn avulla Kone pyrkii tunnistamaan ja ennakoimaan teknisi\u00e4 ongelmia ja huollon tarvetta. Samasta asiasta on kirjoittanut my\u00f6s New York Times (From Agriculture to Art \u2014 the A.I. Wave Sweeps In<\/a>, 21.10.2018).<\/p>\n

\nMiksi hy\u00f6dynt\u00e4\u00e4 teko\u00e4ly\u00e4 (cognitive\/AI)?<\/h1>\n

Davenport mainitsi yhdeksi perusteluksi teko\u00e4lyn hy\u00f6dynt\u00e4miseen sen, ett\u00e4 ihmiseen ei aina voi luottaa ennakkoasenteiden, henkil\u00f6kohtaisten taipumusten tai puolueellisuuden vuoksi. Joissain tilanteissa ihminen voi olla huono tekem\u00e4\u00e4n p\u00e4\u00e4t\u00f6ksi\u00e4. Teknologia puolestaan kykenee joissain teht\u00e4viss\u00e4 nopeampiin suorituksiin kuin ihminen. Tietyiss\u00e4 teht\u00e4viss\u00e4 ihmisty\u00f6voima voi olla kalliimpaa tai tietyt teht\u00e4v\u00e4t voivat olla liian tylsi\u00e4\/v\u00e4sytt\u00e4vi\u00e4 ihmiselle.<\/p>\n

Deloitten vuonna 2018 tekem\u00e4n selvityksen mukaan k\u00e4ytetyimpi\u00e4 teko\u00e4ly-teknologioita (cognitive technologies) olivat robotiikka (prosessien automatisoinnissa; 59 %), tilastoihin pohjautuva koneoppiminen (statistical machine learning; 58 %), luonnollista kielt\u00e4 prosessoivat tai tuottavat teknologiat (53 %), asiantuntija- tai s\u00e4\u00e4nt\u00f6pohjaiset j\u00e4rjestelm\u00e4t (expert or rule-based systems; 49 %), syv\u00e4oppimiseen pohjautuvat neuroverkot (deep learning neural networks; 34 %), robotit (physical robots (32 %).<\/p>\n

Yleisimm\u00e4t teko\u00e4lyhankkeet yrityksill\u00e4 liittyv\u00e4t robotiikan ja teko\u00e4lyn avulla saavutettavaan automatisointiin (robotics and cognitive automation, 47 %). Automatisoinnin kohteena ovat rutiiniteht\u00e4v\u00e4t tai hallinnolliset teht\u00e4v\u00e4t, jotka ovat dataintensiivisi\u00e4. T\u00e4llaisessa automatisoinnissa on kyse esimerkiksi<\/p>\n