Käyttäjäpäivät 20.3.2003

1. Käyttäjäpäivät 20.3.2003

2. Käyttäjäpäivät 20.3.2003 ohjelma • 13.10 Avaus. • 13.15 Probabilististen mallien eduista, Petri Myllymäki, Ph.D. CoSCo/HIIT. • 13.45 Käyttökokemuksia, Frej Weurlander, controller, NCC. • 14.15 Keskustelua ja tauko. • 14.35 BayMiner-käyttöesimerkkejä, Antti Tuominen, projektipäällikkö, BayesIT. • 15.00 Rakennusalan analyysejä, Ralf Ekholm, toimitusjohtaja, BayesIT. • 15.45 Loppukeskustelu.

3. 1 Vaihe: rakennusalan analyysit – funktionaalinen näkymä • Ydintoimintojen analyysit. • Projektien riskianalyysit. • Asiakaspalautteen analyysit. • Spesifiset analyysit. • Laatu-, myynti-, turvallisuus-, ym. analyysit. • Kiinteistöjen analyysit. • Portfolio/Asset management. • Facility management. • Property management. • Business Intelligence (tässä liikkeenjohto- ja kilpailijamielessä). • Yleensä kannattavuuteen tai markkinoihin liittyvät analyysit.

4. 2 Vaihe: rakennusalan analyysit - teknologianäkymä • Perinteiset menetelmät. • Taulukkolaskenta, esim. ”Mitä jos” (What if) -laskennat. • Tilastotieteelliset menetelmät, yleensä summa- ja trendiesityksiä. • Muut uudet, älykkäät menetelmät. • Neuroverkot. • Geneettiset algoritmit. • Sumea logiikka. • Päätöspuut. • Lopuksi käytännön asioita: • Datan keräys ja esikäsittely.

5. Riskianalyysit – miksi ne ovat niin hankalia? • Riskit eivät ilmene yhdessä tai muutamassa tiedossa (muuttujan arvoissa) vaan ovat upotettuina moneen eri tekijään. • Ongelmat syntyvät yleensä seurauksena useasta yhteen-sattumasta. • Potentiaalisia riskitekijöitä on erittäin paljon – kaikista ei pysty keräämään tietoja etukäteen eikä niitä voi analysoida erikseen. • Tilanne muuttuu jatkuvasti, joten uudet tiedot pitää saada käyttöön nopeasti, vaikka ovatkin alussa puutteellisia. • Aina puuttuu paljon oleellista tietoa.

6. Riskin ennustaminen BayMineriä käyttäen • Kerää taulukkoon oleellisimmat tiedot vanhoista projekteista. • Lähetä se BayesIT:n palvelimelle laskettavaksi. • Saat tuloksena pistepilvikuvan projekteista sen mukaan, miten ovat menestyneet. • Syötä käytettävissä oleva tieto uudesta projektista. • Näet, miten se sijoittuu suhteessa vanhoihin projekteihin. • Jos uusi projekti sijoittuu huonosti menestyneiden joukkoon, on hyvin todennäköistä, että uusikaan ei menesty. • Älä tarjoa tai nosta hintaa!

7. Asiakaspalauteanalyysit - miksi ne ovat niin hankalia? • Vaikeuksia muuttujien (kysymysten) kanssa. • Lähes aina ne on tehty liian tuote-orientoituneesti. • Lähes aina on yritetty liikaa mistä johtuen on liikaa kysymyksiä. • Tulokset eivät ole sellaisia, joita odottaa: • Itsestään selvät eivät näy (koska täyttäjä on ymmärtänyt väärin). • Uudet asiat vaikeita löytää, koska arviot ovat ”tasapaksuja”. • Jos kysymykset on tehnyt työryhmä, on aina: • Liikaa kysymyksiä ja päällekkäisiä. • Liian epäselvästi muotoiltuja.

8. Asiakaspalautteen analyysi BayMineriä käyttäen • Muut näkökulmat mukaan, jotta ”siitä suunnasta” voi tarkastella! • Testatkaa kaavakkeet todellisessa koetilanteessa. • Tulosten ”käyttäjä” itse testaa, ei joku edustaja. • Näkee, milloin peräkkäisiin kysymyksiin tulee sama arvo. • Riittävästi myös huonoja palautteita.

9. Spesifiset analyysit - laatu • Riittävän ”laaja” kuva eli muuttujat useasta funktiosta: tuotanto, logistiikka, kannattavuus ja myynti - joka on usein suuri laatutekijä spesifikaatioiden (epäselvyyden) takia. • Tunnisteet mukaan, että varmasti löytää parannettavat kohteet. • Prosessirajapinnasta kuva kummastakin suunnasta. • Arvioijan rooli mukaan muuttujaksi. • Samalla selviää organisatorisia ongelmakohtia.

10. Spesifiset analyysit - myynti • Riittävän ”laaja” kuva eli muuttujat useasta funktiosta: logistiikka, kannattavuus, alueellinen organisaatio, jälkimyynti. • Tunnisteet mukaan, että varmasti löytää parannettavat kohteet. • Aluetiedot, jotta voidaan kohdistaa henkilöstökehitys oikein. • Prosessirajapinnasta kuva kummastakin suunnasta. • Arvioijan rooli mukaan muuttujaksi. • Samalla selviää organisatorisia ongelmakohtia.

11. Spesifiset analyysit - kiinteistöt • Portfolio/Asset management. • Salkkuanalyysi. • Facility management. • Käyttökustannusmalli • Palvelutuottajien valinta ja seuranta. • Property management. • Oikean hintatason löytäminen ja säätäminen. • Elinkaarikustannusmalli.

12. Business Intelligence • Business Intelligence (BI) on liikkeenjohdon tiedontarpeita palveleva ja päätöksentekoa tukeva toimintamalli, jonka avulla eri lähteistä kerätty tieto yhtenäistetään ja muokataan hyödynnettäväksi liiketoiminnan ohjauksessa.

13. Voidaan myös sanoa, että BI on laajennettua laatu-, riski- ja kannattavuusanalyysiä. • Lisää laatu- ja riskidataan asiakaspalautetiedot ja analysoi. • Näet, missä kohtaa omaa organisaatiota riskit syntyvät. • Lisää omat sisäiset tiedot asiakkaista ja analysoi. • Näet, mitkä asiakkaat todellisuudessa ovat parhaat. • Lisää menetettyjen kauppojen tiedot ja analysoi. • Näet mm., mitä kannattaa tehdä hinnoille. • Lisää kilpailijatietoja ja analysoi malli. • Näet markkinoiden koko kuvan. • Lopputulos on oikeata Business Intelligenceä.

14. Business Intelligencen hyödyt Business Intelligence -toimintamallin avulla saavutetaan useita etuja, muun muassa: • Liiketoiminnan ohjaus helpottuu, kun analysointi tapahtuu yhtenäisen käsitteistön avulla. • Toimenpiteiden vaikutus voidaan todeta faktatiedon perusteella. • Voidaan varmistua, että liiketoimintaa kehitetään oikeaan suuntaan. • Pystytään vertailemaan eri liiketoiminta-alueita. • Pystytään tekemään järjestelmällistä analysointia organisaation ja sen ulkopuolisten tekijöiden yhteisvaikutuksista.

15. Business Intelligence BayMineria käyttäen • BayMiner on ainoa tiedossa oleva menetelmä, jolla asiantuntija voi itse tallentaa oman tietämyksensä mielekkäässä muodossa toisten käyttöön. • Valitsemalla tapaukset ja muuttujat malliin. • BayMinerin ansiosta saavutetaan mm: • Hyviä tuloksia hankkimatta sitä varten erityisohjelmistoa ja opiskelematta sen käyttöä. • Oikea BI. Dokumenttien hallinta ei ole Business Intelligenceä (eikä Knowledge Managementtiä), se on Information Managementtiä!

16. Business Intelligence-sovelluskokemuksia • Tulkinta tuottaa paljon uutta käsitystä datasta ulkopuolelta alkuperäisen analyysitavoitteen. • Edellisestä johtuen tiiviin raportin tekeminen on erittäin vaikeata. • Kerätyn materiaalin analysointia jatketaan pitkään, koska uusilla analyysitavoitteilla ja sovelluskohteilla malleista löydetään uutta tietämystä.

17. Business Intelligence - tärkeimmät opit • Ei enää raportteja! • Valmiiksi suunniteltuja raportteja ei pidä käyttää BI:ssä liikkeenjohdon dynamiikan takia – raportit on tarkoitettu rutiinianalyysejä varten. • Mapeittain käyriä ja taulukoita ei voi käyttää, johto ei ehdi käsitellä niitä, niistä tulee ”hyllytavaraa”. • Jos ongelmat ovat pieniä, ei tarvita toimenpiteitä. • Jos ongelmat ovat suuria, syyt ovat jo tiedossa, mutta ratkaisut puuttuvat/odottavat. • Ongelmia ratkaistaessa pitää löytää syy-seuraussuhteet, ja siihen tarvitaan analyysin lisäksi syvällistä ajatustyötä.

18. Tärkeä etu BI-sovelluksessa - sietää puuttuvaa tietoa Varsinkin kilpailijatiedon hankinta on vaikeata. • Tiedon puuttuminen (tyhjiä soluja taulukossa) ei haittaa, jos sitä ei ole kovin paljon. • Jos tietoa puuttuu paljon, malli kyllä toimii mutta tulos ei ole niin luotettava. • Mallin luotettavuus tai sen puute on erittäin tärkeää tietoa, ja käyttäjä näkee tilanteen visualisoinnista välittömästi!

19. Kaikille yhteinen - elinkaariajattelu • Tuloksen riippuvuus kaikista eri tekijöistä selviää. • Strategisesti merkittävät asiat voidaan pitää omassa hallinnassa. • Nykyiset tunnusluvut ovat liian karkeita. • Kiinteistö- ja tyyppikohtaiset profiilit lisäävät tarkkuutta. • Elinkaarimallista tulee strateginen työväline. • Kunnossapidolle kokonaisvaltaisen tilanteen mukainen benchmarking. • Lyhyen ja pitkän aikavälin kannattavuuskuvalle selkeä perusta • Demo

20. 2 Vaihe: rakennusalan analyysit - teknologianäkymä • Perinteiset menetelmät. • Taulukkolaskenta, esim. ”Mitä jos” (What if) -laskennat. • Tilastotieteelliset menetelmät, yleensä summa- ja trendiesityksiä. • Muut uudet, älykkäät menetelmät lyhyesti: • Neuroverkot. • Geneettiset algoritmit. • Sumea logiikka. • Päätöspuut. • Lopuksi käytännön asioita: • Datan keräys ja esikäsittely.

21. Muut uudet, älykkäät menetelmät • Neuroverkot. • Hyviä esim. kuvien tunnistamistehtävissä. • Vaativat paljon tapauksia. • Käyttäjän pitää osata opettaa verkkoa. • Käyttäjän pitää osata valita oikea verkkorakenne. • Geneettiset algoritmit. • Hyviä oppimaan algoritmeja. • Vaativat käyttäjältä/kehittäjältä melko paljon. • Sumea logiikka. • Yhden, selkeän konsistentin laskentakalkyylin puute on ongelma. • Käyttö on vähenemään päin. • Yhteinen ongelma on hyvän visualisointimenetelmän puute.

22. Perinteiset menetelmät • Taulukkolaskenta ei riitä BI-analyysivälineeksi. • Käyttö on prosessina virhealtis. • Analyysivälineenä erittäin hidas. • Tilastomatemaattiset välineet. • Ns. ristiintaulukointi. • Monimuuttuja-analyysi (todellisuudessa muutama-muuttuja-analyysi). • Usein liian vähän dataa luotettavan tuloksen saavuttamiseksi. • Yhteinen ongelma kaikille on hyvän visualisointimenetelmän puute.

23. Perinteinen graafi Klustereita tutkittavaksi Toimenpiteet kohdistettavissa Kehitys ajan suhteen näkyy Voi kysyä: ”toinen näkemys” Väliaikatietoja saatavilla heti Tilastomatemaattiset – esim. faktorianalyysi BayMinerin 3D-visualisointi BayMinerin edut

24. Uudet ”tekoälyteknologiat” BayMinerin edut Neuroverkkoja vastaan • Analyysi onnistuu pienilläkin datamäärillä. • Asiantuntijaa ei tarvita ohjaamaan oppimista. • Hyväksyy kaikki datatyypit, myös sekaisin. • Semanttinen merkitys – ei musta laatikko. Päätöspuita vastaan • Toimii myös, vaikka dataa puuttuu. • Osaa käyttää todennäköisyysinformaatiota. • Kykenee ennustamaan.

25. Datan keräys

26. Alihankkijat Ulkoinfra Runko Bayminer- monimuuttuja- analyysi Ulko Sisä Varustus ICT Rakennusalan optimaalinen datan virtaus Otteita omista perustiedoista Omis- taja Raken- taja Otteita omista tiedoista Perus- tietoja Raken- nuttaja Koko malli Perus- tietoja Osa- malli Käyttötietoja Kokonais- valtaisesti optimoitu tulos Palvelun tuottajat

27. Tietolähteet Ulkoiset palautteet Sisäiset, myös ns. “hiljaiset tiedot” Myynnin ohjaus-järjestelmä Taloushallinto “Ei tekniset” tiedot Myös tuotetiedot Nettiperustainen palautejärjestelmä Nettiperustainen palautejärjestelmä

28. Datan keräys • Käytä useita pieniä nettikaavakkeita. • Markkinoilla on useita hyviä ratkaisuja joilla voi itse tehdä kaavakkeen ja hoitaa keräyksen. • Prosessin keskeisten funktioiden ”omistajat” täyttävät. • Tärkeimpien rajapintojen kohdalla kannattaa kerätä palaute kummastakin suunnasta katsottuna (merkitse rooli). • Loppuasiakkaan palaute ainakin kolmelta edustajalta: • Päättäjä, ostaja ja käyttäjä.

29. Tärkeintä on asiakkaiden todelliset tarpeet • Pitää varmistaa, että eri tekijät otetaan huomioon oikein. • BayMiner on aito monimuuttuja-analyysi (kaikista tekijöistä). • Käsitteet epäselvät. • Epävarmuuden hallinta tärkeätä – todennäköisyysmalli hallitsee tilanteen. • Joustavuus - tarjonnan pitää vastata tarpeita. • Dynaamisuus tärkeätä – malli pitää voida päivittää nopeasti ja edullisesti.

30. BayMinerin positiointi analyysivälinekentässä

31. BayMiner-prosessi BayesIT Asiakas EXCEL, DB, MS Access ja vastaavat Datan keräys ja valmistelu BayMiner Siirtotiedosto BayMiner Kysymysten ohjaus Tietämyksenesitys & käyttöliittymä Laskee Bayes- verkon & 3D- kuvan Interaktiivinen Vastaukset Tulos netissä Tulosten visualisointi: 3-D pistepilvet ja jakaumat

32. Inspiring Insights Bayes-”teknologia” on kaksisataa vuotta vanha Englantilainen amatöörimatemaatikko Thomas Bayes julkaisi tutkielmansa 1700-luvun keskivaiheilla. Kyseessä on todennäköisyyslaskentaan perustuva yleinen lähestymistapa monimutkaisissa järjestelmissä esiintyvän epätäsmällisen informaation hallitsemiseksi. Tunnustettu parhaimmaksi teknologiaksi, kun pitää hallita epävarmuutta.