Tekoälyä Blondille: Osa 2

Pari viikkoa sitten raapaisin pintaa teemalla tekoälyä blondille. Viime viikkojen aikana olen jatkanut aiheen tutkimista, ja seurannut kiinnostuneena keskustelua asian tiimoilta, jopa siinä määrin, että kulutin eilen osan aurinkoisesta lauantaipäivästä Akateemisessa kirjakaupassa. Kiinnostusta aiheeseen selkeästi on, sillä ystävänpäivänä julkaistu Antti Merilehdon ”Tekoäly – Matkaopas Johtajalle” on myyntilistan kärjessä. Ja miksi ei olisi, kirja avaa aiheen kansantajuisesti esimerkkien avulla. Blondin näkökulmasta pisteitä myös pinkistä ilmeestä, joka lienee harkittu veto – teknologiabrändit kun tyypillisesti esittävät asiansa insinöörinsinisenä tai räväkän harmaana. Joukosta on erottauduttava!

Kannattaa aloittaa NYT HETI

Jos Merilehtoa on uskominen tekoälyn ymmärtäminen kannattaa aloittaa nyt. Samaa viestiä toistaa Kauppalehti Tero Ojanperän suulla – yrityksestä ja toimialasta riippumatta on olemassa suuri joukko ongelmia joiden ratkaisussa data voi auttaa. Olen samaa mieltä, mutta en usko, että tekoäly on ensimmäinen asia jota lähdetään kehittämään, vaan etenisin seuraavien askeleiden kautta:

#1 Määrittele ongelma jota lähdetään ratkaisemaan: Toimialasta riippumatta uskoisin, että esimerkiksi hinnoittelun parempi ymmärtäminen on monelle yritykselle pullonkaula. Myytävän tuotteen, markkinahinnan ja vaikkapa asiakassegmentin parempi ymmärrys voisi tuoda kaivattuja lisäeuroja viivan alle nopeastikin. Oppia voitaisiin hakea vaikkapa lentoyhtiöiden ja Onnibussin dynaamisista hinnoittelumalleista, joissa analytiikka ja koneoppiminen ovat käytössä jo tänä päivänä.

Tohtori rohkaisee: Maailma ja liiketoiminta ovat täynnä ongelmia – tai mahdollisuuksia. Kannattaa siis lähteä liikkeelle yhdestä hyvin määritellystä ongelmasta, kuin viidestä väljästi ymmärretystä.

#2 Data kuntoon: Ennen kuin päästään kehittämään tekoälyä, tai ylipäätään yhtään mitään analytiikkaan viittaavaa, on data saatava sellaiseen muotoon, että sitä voidaan analysoida ja visualisoida. Ei aina ihan helppo juttu. Usein erityisesti asiakasdatan laadun parantaminen ja erilaisen datan saattaminen analysoitavaan muotoon – eli datamallien ja datavarastojen muokkaaminen saattaa viedä enemmän aikaa kuin kuvitellaan.

Tohtori rohkaisee: Pienelläkin datamäärällä pääsee alkuun. Olennaista on aloittaa NYT.

#3 Analytiikkastrategia: Vaikka tekoäly on keskusteluissa saanut suurta huomiota, ovat ensiaskeleet sen kehityksessä usein enemmän analytiikkaa. Uskonkin, että vaikka tekoäly tuntuisi kaukaiselta tämän hetken kyvykkyyksien näkökulmasta, kannattaa asiaa lähestyä strategisesti – ja miettiä miten ongelman määrittely ja datan saatavuuden ja laadun parantaminen johtavat kohti ensin datan parempaa visualisointia ja sitten kohti monimutkaisempia koneoppimista ja tekoälyä hyödyntäviä sovellusalueita.

Tohtori rohkaisee: Ongelman määrittely, datan kuntoon laittaminen ja analytiikkastrategia eivät vielä vaadi syvää koneoppimisosaamista. Tärkeää on, että tunnistetaan oman liiketoiminnan haasteet ja mahdollisuudet, omat datavarannot ja niiden mahdolliset pullonkaulat – ja lähestytään asiaa avoimin mielin.

Ihminen koneen kaverina: Data haltuun

Olennaista ei siis ole koneoppimisen syväosaaminen, vaan oman liiketoiminnan ymmärtäminen. Se vaatii ihmisiä jotka ymmärtävät asiakkaiden tarpeita ja ongelmia koko asiakaskentässä, osaavat markkinoinnin, myynnin, toimituksen ja asiakaspalvelun prosessit. Lyhyesti sanottuna asiakkaan elinkaaren ja sen mitä dataa syntyy elinkaaren eri vaiheissa. Sitä voidaan yleistää vaikkapa seuraavasti:

Markkinointi: Potentiaalisen asiakkaan tarpeiden tunnistaminen mahdollistaa oikeanlaisen sisällön kohdentamisen oikeaan aikaan. Jokainen klikki tuottaa dataa – ja suosittelumoottoreiden rakentaminen onkin erityisesti kuluttajabrändeille elinehto. Mitä Zalando edellä, sitä suomalainen teollisuusyritys perässä?

Myynti: Ostoprosessin ja hinnoittelun parempi ymmärrys on kultakaivos, jota kannattaa lähestyä ensin lapiolla ja sitten kun data on kunnossa kaivinkoneella. Uskoisin, että kannattavuus paranee matkan varrella.

Tuotanto: Riippumatta siitä onko ”tuote” tavara tai palvelu, uskon, että tuotannon tehokkuutta ja laatua on mahdollista parantaa jos sen tuottama data saadaan hyötykäyttöön.

Toimitus: Myös toimituksen aikana syntyy dataa. Fyysisen tuotteen kuljetus- ja asennusprosessi voivat olla analysoinnin arvoisia, samoin esimerkiksi pilvipalveluiden konversioiden tehostaminen.

Käyttö: Riippumatta siitä onko kysymyksessä vaikkapa laivan moottori tai puhelimessa käytettävä sovellus, on käytön aikainen data kullanarvoista. Moottori voidaan varustaa sensoreilla, jotka mahdollistavat ennakoivan huollon ja minimoivat käyttökatkoja, sovelluksen käyttö voi paljastaa esimerkiksi siihen liittyviä suunnitteluvirheitä ja asiakkaiden turhaumia. Törmäsin viime viikolla Pihlajalinnan sovelluskehittäjiin, ja ohjasin heidät lukemaan tohtorin kirjoituksen Terveystalon sovelluksesta – heikompi olisi luovuttanut sovelluksen vaatiessa kolmatta sisäänkirjautumista.

Asiakaspalvelu leikkaa läpi kaikkien edellä mainittujen elinkaaren vaiheiden. Se on lempiaiheitani, ja uskon, että chat -sovellukset automatisoituvat vauhdilla lähitulevaisuudessa. Niiden kehityksessä tarvitaan ihmistä – sekä asiantuntijaa joka kehittää palvelua, mutta erityisesti käyttäytymistieteilijää, joka opettaa konetta puhumaan asiakkaan kieltä.

Usko pois: Kannattaa aloittaa NYT

Sinä olet liiketoimintasi paras asiantuntija. Jos haluat olla mukana oppimassa tekoälyn mahdollisuuksista, kannattaa aloittaa katsomalla minkälaista dataa on käytettävissä nyt. Data itsessään ei ole minkään arvoista, mutta jos se saatetaan hyötykäyttöön sen avulla voidaan parantaa asiakaskokemusta, tehostaa nykyistä liiketoimintaa ja ennen kaikkea luoda uutta. Tärkeää on, että keskitytään suunnittelun sijasta toimintaan ja aloitetaan viimeistään huomenna. Usko pois!