Käyttäjäpäivät 17.02.2005

1. Käyttäjäpäivät 17.02.2005

2. Käyttäjäpäivät 17.02.2005 • 13.10 Avaus. • 13.15 Probabilististen mallien eduista, Petri Myllymäki, prof. CoSCo/HIIT. • 13.45 Käyttökokemuksia, Vesa Pirinen, kehityspäällikkö, YIT. • 14.15 Keskustelua ja tauko. • 14.35 BayMiner-käyttöesimerkkejä, Antti Tuominen, projektipäällikkö, BayesIT. • 15.00 Analyysejä ja raportointia, Ralf Ekholm, toimitusjohtaja, BayesIT. • 15.45 Loppukeskustelu.

3. Ainutlaatuinen osaaminen • BayMineri perustuu maailman johtavien Bayes-verkkoasiantuntijoiden pitkäaikaiseen tutkimustyöhön (CoSCo) • Menetelmä patentoitu: • US pat appl. no 0/1019477 • European pat.appl. no 00944080.1 • Bayes-verkot: Multinet™ • Visualisointi: B-Vis™

4. 1 Osa: Analyysit. • Ydintoimintojen analyysit. • Projektien riskianalyysit. • Asiakaspalautteen analyysit. • Laatuanalyysit • Myyntianalyysit • Esimerkki muista analyyseistä. • Työturvallisuus. • Kiinteistöjen analyyseistä lyhyesti

5. 2 Osa: Raportit • Perinteiset menetelmät. • Tilastotieteelliset menetelmät, ristiintaulukointi ym. • Taulukkolaskenta, esim. mitä jos–laskenta ja graafit niistä. • Uudet, älykkäät datankäsittelymenetelmät. • Neuroverkot, geneettiset algoritmit, sumea logiikka. • Lopuksi käytännön asioita, mm.: • Datan keräys ja esikäsittely.

6. 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

7. 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.

8. Nämä voisivat olla teidän hankkeita! • Kuva näyttää minkälaista tietämystä tietokannoissa piilee lukujentakana. • Jokainen piste kuvaa hankketta. • Pisteet sijoittuvat kolmeen ryhmään. • Värisiirtymä kuvaa hankkeiden • hyvyyttä. • Kuva on luotu kokonaisvaltaisen • vertailulaskennan avulla. Kaikki muuttujatvaikuttavat samanaikaisesti ja muuttujienkeskinäinen paino on tunnistettulaskemalla se datasta.

9. Riskin ennustaminen BayMineriä käyttäen • Kerää taulukkoon oleellisimmat tiedot toteutuneista hankkeista. • Lähetä se BayesIT:n palvelimelle laskettavaksi. • Saat tuloksena pistepilvikuvan hankkeista ryhmiteltynä sen mukaan, miten ovat menestyneet. • Syötä käytettävissä oleva tieto uudesta hankkeesta. • Näet, miten se sijoittuu suhteessa toteutuneisiin hankkeisiin. • Jos uusi hanke sijoittuu huonosti menestyneiden joukkoon, on hyvin todennäköistä, että uusikaan ei menesty.

10. Asiakaspalauteanalyysit - miksi ne ovat niin hankalia? • Vaikeuksia kysymysten kanssa. • Lähes aina käytetään liikaa kysymyksiä. • Lähes aina kysymykset ovat liian tuote-orientoituneita. • Vastaajat ovat ymmärtäneet kysymykset eri tavoin. • Tulokset eivät ole sellaisia, joita odottaa: • Tulokset ovat ”tasapaksuja”. • Uutta informaatiota on vaikeita löytää. • Suuret ongelmat ovat jo tiedossa.

11. Asiakaspalautteen analyysi BayMineriä käyttäen • Kaikki tärkeimmät liiketoimintanäkökulmat mukaan malliin, jotta tulosta voi tarkastella ”eri suunnista”. • Testatkaa kaavakkeet todellisessa koetilanteessa.Tulosten ”käyttäjä” (johtaja) pitää itse testaa, ei joku hänen edustaja. • Arvioijan rooli mukaan muuttujaksi sillä organisaatiossa on aina sisäisiä intressiristiriitoja. • Riittävästi myös huonoja palautteita. • Oire huonosta kaavakkeesta: Jos moneen peräkkäiseen kysymyksiin tulee sama arvo on todennäköistä että: • Vastaaja ei ole ymmärtänyt kysymysten eroja. • Kysymyksiä on ollut niin paljon että hän on kyllästynyt vastaamaan.

12. Laatuanalyysit • Riittävän ”laaja” kuva eli muuttujat useasta funktiosta: tuotanto, logistiikka, talous ja myynti samaan taulukkoon. • Spesifikaatioiden epäselvyys myyntivaiheessa on usein huonon laadun aiheuttava juurisyy. • Tämä johtaa hallitsemattomaan muutoskierteeseen josta seuraa virheitä jotka ilmenevät ”huonona laatuna”. • Prosessirajapinnasta ”kuva” kummastakin suunnasta. • Vastaukset samoihin kysymyksiin.

13. Myyntianalyysit • Riittävän ”laaja” kuva eli muuttujat useasta funktiosta: logistiikka, kannattavuus, alueellinen organisaatio, asiakaspalaute. • Alue- ym. tiedot mukaan jotta voitte kohdistaa kehityspanos oikein. • Oikean hinnan löytäminen. • Mallin avulla organisaation on helpompi muuttaa hintoja. • Menetettyjen kauppojen datankeräys pitäisi olla organisoitua joka tapauksessa.

14. Turvallisuusanalyysit • Uusi onnettomuusluokitus (ESAW) tuottaa paremmanlaatuista dataa. • Alue-, alihankkija, vierastyövoima ym. tiedot mukaan vaikka ne ovat puutteellisia. • Ensimmäinen versio työturvallisuusmallista esitettiin 4.6.2004 RATUKE hankeen seminaarissa. • Jatkohanke käynnissä, Rakennusteollisuus RT vetää hanketta. • Seuraavan version tulokset esitetään kesällä 2005 RATUKE seminaarissa.

15. Kiinteistöanalyyseistä • Property management. • Elinkaarikustannusmalli. • Korjausvelkamalli • Energiasäästön seurantamalli. • Facility management. • Käyttökustannusmalli • Palvelutuottajien valinta ja seuranta. • Portfolio/Asset management. • Salkkuanalyysi.

16. Kiinteistöanalyysejä vaivaa datan puute • Dataa puuttuu nimenomaan kiinteistön käytöstä. • Korjausvelkamalli. Talous- tai tekniset trendi-mallit korvataan yhteisellä teknis-taloudellisilla mallilla. • Energiasäästön toteutuksen seurantamalli. • EU direktiivi johtaa koviin haasteisiin, vielä ei tiedosteta mitä kaikkea siitä seuraa. • Facility management. • Käyttökustannusmalli – indeksit eivät kerro riittävästi koska kiinteistötyyppi ja käyttö eivät muodosta selkeitä luokkia. • Palvelutuottajien valinta ja seuranta –> moniulotteinen hankintaongelma.

17. Raportoinnista • Raportoinnin pitäisi olla: • Liikkeenjohdon tiedontarpeita palveleva ja päätöksentekoa tukeva toimintamalli. • Nykyinen raportointiprosessi ei sitä ole.

18. Perinteiset raporttien tuottamismenetelmät • Tilastomatemaattiset välineet vaativat ammattilaisen käyttöä monimutkaisuudesta johtuen. • Ns. ristiintaulukointi ei paljasta moniulotteisten ongelmien syitä. • Monimuuttuja-analyysivälineet tuottavat usein vain muutama-muuttuja-analyysejä. • Usein on liian vähän dataa käytettävissä luotettavan tuloksen saavuttamiseksi. • Taulukkolaskenta ei usein kelpaa hyödyllisen raportin tuottamisvälineeksi koska: • Dataa puuttuu aina. • Analyysivälineenä erittäin hidas. • Käyttö on prosessina virhealtis (jos potenssi 2 unohtuu .....) • Vaikea nähdä ”mitä taulukko sisältää”

19. Ongelmia raportoinnissa – ja miten BayMiner auttaa • Datan puute ja sen heikko laatu. BayMinerillä saa esille riippuvuuksia vaikka dataa ei ole paljon tai se on heikkolaatuista BayMinerin ainutlaatuisen laskenta-algoritmin ansiosta. • Jos yhdistäminen käy, mutta tiedetään, että tuloksiin ei voida luottaa, BayMiner auttaa tunnistamalla ja visualisoimalla poikkeamia. • BayMinerin avulla käyttäjä näkee muuttujien yhteisesiintymiset nopeasti.

20. Tärkeimmät opit • Datan keräykseen kannattaa panostetaa. • Erityisesti hajautettuja organisaatioita kuten rakennusalaa koskevaa: • Palautteen lisäksi kannattaa kerätä organisaation sisältä arvioita, vaikka se aiheuttaa vastarintaa! Samalla sitoutuminen paranee, käsitteistö selkeytyy ja muutosvastarinta heikkenee. • Jos yritys itse kehittää keräystä varten kaavakkeita, ne pitää testata käytännössä analysoimalla tuloksia, sillä ensimmäiset versiot ovat yleensä hyvin puutteellisia!

21. Tärkeimmät opit jatkuu • Valmiiksi suunniteltuja raportteja ei pidä käyttää ongelmien ratkomiseen – raportit on tarkoitettu rutiinianalyysejä varten. • Johto ei ehdi käsitellä mapeittain käyriä ja taulukoita. • Ongelmia ratkaistaessa pitää löytää syy-seuraussuhteet, ja siihen tarvitaan analyysin lisäksi syvällistä ajatustyötä. • Siksi ongelman omistaja pitäisi itse analysoida dynaamisia malleja liiketoiminnastaan, eikä lukea staattisia raportteja siitä.

22. Datan keräyksestä

23. Vinkkejä datan keräyksestä • Käytä useita pieniä nettikaavakkeita. • Kerää data pala palalta ja yhdistä ne. • Markkinoilla on useita hyviä ratkaisuja joilla voi itse tehdä kaavakkeen ja hoitaa keräyksen. • Lisädatan keräys kannattaa organisoida ensin erillisenä hankkeena IT-järjestelmän ulkopuolella. Näin säästyy paljon kiinteitä kustannuksia. • Prosessien keskeisten funktioiden ”omistajat” pitäisivät vastata kysymyksiin. • Jos ostat dataa selvitä ensin että se on liitettävissä teidän omaan dataan.

24. Vinkkejä datan keräyksestä jatkuu • Loppuasiakkaan palaute ainakin kolmelta edustajalta: • Päättäjä, ostaja ja käyttäjä. • Näillä on kaikilla oma intressinsä joka on ristiriidassa toisten kanssa. • Kannattaa kehittää datankeräys evoluutioperiaatetta käyttäen: • Kerätä vähän dataa ja testata analyysi. • Muuttaa tarvittaessa. • Kerätä lisää dataa jne. • Opitte välttämään manuaalisia työvaiheita - säästyy kustannuksia. • Opitte yhdistämään dataa.

25. Esimerkkejä hyvistä muuttujista • Tiedot muutoksista, esim.: • Arvio yleisessä muodossa, projektijohtajan toimesta, esim.: • erittäin paljon, paljon, normaali, vähän, erittäin vähän. • Raportointijaksoittain materiaalikulutus, työtunnit jne. • Malli oppii näin riippuvuudet muutosten ja kustannusten välillä. • Työjohtajan kilometrikorvaukset • Kohonneet luvut kuvaavat usein sitä että pikkumateriaalin logistiikka ei toimi (hän joutuu metsästämään tavaraa)

26. Seuraava asiakastapaaminen • Pidetään torstaina 19.5.2005 • Tässä samassa paikassa ja samaan aikaan. • Paino riskinhallinnassa. • Julkaisemme BayMiner sovelluksen projektin riskinhallintaa varten. • Kolleganne ovat tervetulleita!