Ongelmia? Mitä jos olisit korjannut ne jo eilen?
Ennakoiva analytiikka (Predictive Analytics) tarjoaa ennennäkemättömiä mahdollisuuksia ymmärtää ympäröivää todellisuutta ja reagoida muutoksiin ennenkuin ne tapahtuvat. Toistaiseksi sen hyödyntäminen on kuitenkin ollut vaatimatonta johtuen osittain osaamisen ja kompetenssien rajallisuudesta, osaltaan myös teknisten järjestelmien monimutkaisuudesta. Meidän tavoitteemme on sekä helpottaa taitojen karttumista että nopeuttaaa liikkeellelähtöä poistamalla kompleksisuutta ja vähentämällä investoinnin kustannuksia.
Ennakoiva analytiikka siis mahdollistaa tulevien poikkeamatilanteiden hahmottamisen ja niihin reagoimisen jo ennen varsinaisen ilmiön tapahtumista. Se pohjautuu induktiiviseen päättelyyn, jossa luodaan sääntöjä ja malleja suuresta joukosta dataa. Otostietojoukon pohjalta luodaan malli, verifioidaan sen relevanttius ja validisuus tutkittavaan kohteeseen ja sitä vastaan voidaan automaattisesti arvioida suuriakin tietomääriä. Prosessin avulla on mahdollista ennakoida esim. erilaisia sensoreita sisältävien kohteiden tilaa ja huoltotarvetta, tai asiakaskäyttäytymisen muutoksia.
Useimmiten analyyttisten mallien taustalla on tiedonlouhinta, data mining. Sen hyödyntämisessä keskeistä on data ja sen eri suureiden kokonaisvaltainen ymmärtäminen suhteessa toimintaympäristöön ja liiketoimintaan. Pelkästään jo datan visuaalinen esittäminen voi helpottaa hyötyjen ja uusien perspektiivien hahmottamista.
Azure Machine Learning (ML)
Microsoft julkisti kesällä mielenkiintoisen palvelun koneoppimisen hyödyntämisestä helposti, visuaalisesti ja nopeasti. Azure Machine Learning –palvelua hyödyntäen voidaan ennakoida tulevia trendejä ja käyttäytymistä. Sen soveltamiskohteita voivat olla hakukoneet, online-suositukset, mainonnan kohdentaminen, kysynnän ennustaminen tai roskapostien suojaus. Itse asiassa siinä hyödynnettävät algoritmit ovat olleet käytössä Microsoftin tuotekehityksessä jo vuosia; Bing- ja xBox-sovellukset ovat perustuneet niihin.
Azure ML on tällä hetkellä vielä ns. Preview-tilassa, mikä tarkoittaa, että palveluun voi tutustua, sillä voidaan työstää ja validoida malleja ja luoda ennakointeja (Predictions). Jatkossa palvelua hyödynnetään tuotosten operationalisoinnissa eli hyödyntämisessä sen tarjoamaa API-rajapintaa vastaan. Esimerkiksi asiakkaan ostosta vastaan voidaan ennakoida muut ostoskäyttäytymismalliin soveltuvat tarjottavat tuotteet ja kohdentaa mainontaa. Toinen esimerkki voisi olla luottopäätöksen vahvistaminen. Asiakkaan tehtyä luottohakemuksen voidaan sen tiedot kvalifioida Azuren ennustemallia vastaan ja tuottaa arvio. Näin siis Azure Machine Learning palvelu integroituu omiin operatiivisiin järjestelmiin.
Onko analytiikan liiketoimintahyödyt vielä hahmottamatta?
Azure Machine Learning –palveluna mahdollistaa vaiheittaisen käyttöönoton, erityisesti organisaatioille, jotka ovat aikeissa kehittää kompetensseja ja ovat hahmottamassa analytiikan hyödyntämisen mahdollisuuksia. Graafisen mallinnuksen avulla data-analyytikko syventää intuitiivisesti osaamistaan. Organisaatio oppii tunnistaessaan soveltamiskohteita. Näin toimien voidaan luoda konsensus tavoiteltavasta analytiikkastrategiasta ilman, että alkuvaiheessa ollaan sitouduttu mittaviin investointeihin niin erityisosaamista vaativiin tuotteisiin kuin eksoottisiin palvelimiin.
Microsoftin tarjonnassa Azure ML laajentaa jo aiemmin tehtyjä suurten ja monimuotoisten tietovarantojen hallintaa ja hyödyntämistä. Se voi olla osa laajempaa modernia analyyttistä tietovarastoratkaisua (Analytics Platform System). Havaintojen raportoinnissa ja visualisoinnissa Power BI-tuotteet (Power View, Power Pivot, Power Map) mahdollistavat yhtä lailla omaehtoisen itsepalveluraportoinnin ja havaintojen esittämisen.