Tekoälyn avulla ennustettavuutta yrityksen analytiikkaan

Jos mediaa on uskominen, kaikki haluavat nyt hyötyä tekoälystä ja koneoppimisesta. Ja järkeväähän se onkin: tekoäly ei korvaa ihmistä, mutta se on oiva tukiäly esimerkiksi päätöksentekoon. Tekoälyn avulla voidaan esimerkiksi parantaa ja tehostaa yrityksen raportointia: automatisoida tietojen keruuta ja analysointia, tehdä historiadataan pohjaavia ennusteita ja luoda eri sidosryhmille personoituja raportteja. Miksi tekoälyä sitten hyödynnetään raportoinnissa yhä niin harvoin? Mitä pitäisi huomioida, jos tekoäly halutaan valjastaa yrityksen raportoinnin jatkeeksi?

Tekoäly auttaa ihmistä ja parantaa raportointia

Tekoäly voi automatisoida tylsiä tehtäviä, analysoida suuria tietomääriä ja parantaa raportointiprosessia. Tekoälyn todennäköisyyksiin perustuvat vastaukset eivät korvaa perinteistä eksaktia talousraportointia, eikä tekoäly voi myöskään olla laillisesti vastuullinen esimerkiksi tilinpäätöksen oikeellisuudesta. Puutteistaan huolimatta tekoälyllä on paikkansa, sillä se auttaa näkemään suuria suuntaviivoja ja ennakoimaan tulevaa. Epätarkkakin myyntiennuste on parempi kuin ei mitään, ja ehdottomasti parempi tuki päätöksentekoon kuin intuitio. 

Ihmisen rooli raportointityössä on edelleen oleellinen, sillä ihmiset kykenevät tulkitsemaan tietoja kontekstissa, ymmärtämään liiketoimintastrategioita ja tekemään päätöksiä. Tekoäly voi auttaa ihmisiä tekemään näitä päätöksiä paremman tiedon pohjalta ja nopeuttamalla prosesseja.

Tekoäly ei siis korvaa inhimillistä älykkyyttä, ainoastaan täydentää sitä tarjoten uusia tapoja käsitellä ja hyödyntää tietoa raportoinnissa ja päätöksenteossa. Tekoälystä ei olla tekemässä isäntää, mutta ihan kelpo rengiksi sen voi palkata.

Aseta realistiset odotukset

Tyypillisiä esimerkkejä tekoälyn käytöstä yrityksen analytiikassa ovat myynnin, tilauskannan tai kustannusten ennustaminen. Tekoälyn avulla voidaan löytää trendit historiadatasta, ja niinpä voidaan arvioida esimerkiksi lomakausien vaikutus kysyntään. 

Tekoäly ei kuitenkaan vielä pysty hallitsemaan useita modaliteetteja. Kysynnän ennustemallia kehittävästä Relexistä kertovassa artikkelissa (Talouselämä 22/2023) kerrottiin, että kauppojen myymäläkohtaisilla menekkiennusteilla on saatu parannettua hyllysaatavuutta siten, että myynti on kasvanut jopa useita prosenttiyksikköjä. Piña colada -ainesten suursuosiota Relexkään ei kuitenkaan kyennyt ennustamaan, sillä moista ei oltu historiassa nähty. Tekoälyyn ja koneoppimiseen pohjautuvia ennusteita tehtäessä täytyykin muistaa, että ennusteet pohjaavat historiadataan, eikä tulevaisuuden yllättäviä tapahtumia pystytä ennustamaan. Kannattaa myös huomioida, että piña colada tuskin myy yhtä hyvin ensi keväänä. 

Oikea toteutus käyttötapauksen mukaan

Joitain vuosia sitten tekoälyn ja koneoppimisen sovellukset olivat vielä kalliita ja vaikeita käyttää, tarjoten mahdollisuuksia lähinnä suuryrityksille. Nyt pinnalla olevat large language model eli LLM-sovellukset ovat tulleet helppokäyttöisemmiksi. Ne ovat ostettavissa edullisina palveluina ja siten kaikkien saatavilla. 

Kun tekoälyä räätälöidään tarpeeseen, kompleksisuus ja myös hinta nousevat. Käyttötarkoituksesta riippuen analytiikkaa voidaan usein parantaa geneeristen, valmiiden palvelumallien avulla, mutta vaativampiin tarpeisiin tarvitaan räätälöityjä ratkaisuja. Räätälöityjen ennustemallien luomista ei kannata lähteä itse opiskelemaan ainakaan oman työn ohessa.

Lopputuloksena syntyvä ennustava malli on vain jäävuoren huippu. Vedenpinnan alla on valtava massa asioita, joiden oikeellisuudesta ja toimivuudesta huolehtiminen on asiantuntijoiden tonttia. Hyvä laajan palvelun partneri osaa tutkia käytettävissä olevan historiadatan, arvioida sen riittävyyden, työstää haluttuja käyttötapauksia ja kertoa rehellisesti, kannattaako haluttu idea toteuttaa. Lisäksi toteutusta kannattaa sparrailla teknisten konsulttien kanssa ja kartoittaa, löytyykö käyttötarkoitukseen valmiita pilvipohjaisia työkaluja.

Kehitä systemaattisesti

Kuten kaikkea digitaalista tekemistä, myös tekoälyn ja koneoppimisen hyödyntämistä kannattaa ajatella systemaattisena kehityskohteena. Kaikkien sidosryhmien tulee sitoutua prosessiin, jota lähdetään viemään läpi systemaattisesti. Ensimmäisen Proof-of-Conceptin kohdalla ei kannata vielä juhlia – ainakaan kovin montaa päivää – eikä toisaalta ensimmäiseen vastoinkäymiseen kannata luovuttaa. 

Mikäli haluat kuulla lisää tekoälyn mahdollisuuksista raportoinnissa ja päätöksenteossa, lataa Päätöksen Paikka - ennakoinnin voima liiketoiminnan modernissa raportoinnissa -webinaariimme tallenne!