käyttäjäpäivät 20.3.2003
Post on 21-Jan-2016
22 Views
Preview:
DESCRIPTION
TRANSCRIPT
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Käyttäjäpäivät 20.3.2003Käyttäjäpäivät 20.3.2003
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Käyttäjäpäivät 20.3.2003 ohjelmaKäyttäjäpäivät 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
1 Vaihe: rakennusalan analyysit – funktionaalinen näkymä1 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
2 Vaihe: rakennusalan analyysit - teknologianäkymä2 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Riskianalyysit – miksi ne ovat niin hankalia?Riskianalyysit – miksi ne ovat niin hankalia?
1. Riskit eivät ilmene yhdessä tai muutamassa tiedossa (muuttujan arvoissa) vaan ovat upotettuina moneen eri tekijään.
2. Ongelmat syntyvät yleensä seurauksena useasta yhteen-sattumasta.
3. Potentiaalisia riskitekijöitä on erittäin paljon – kaikista ei pysty keräämään tietoja etukäteen eikä niitä voi analysoida erikseen.
4. Tilanne muuttuu jatkuvasti, joten uudet tiedot pitää saada käyttöön nopeasti, vaikka ovatkin alussa puutteellisia.
5. Aina puuttuu paljon oleellista tietoa.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Riskin ennustaminen BayMineriä käyttäenRiskin ennustaminen BayMineriä käyttäen
1. Kerää taulukkoon oleellisimmat tiedot vanhoista projekteista.
2. Lähetä se BayesIT:n palvelimelle laskettavaksi.
3. Saat tuloksena pistepilvikuvan projekteista sen mukaan, miten ovat menestyneet.
4. Syötä käytettävissä oleva tieto uudesta projektista.
5. Näet, miten se sijoittuu suhteessa vanhoihin projekteihin.
6. Jos uusi projekti sijoittuu huonosti menestyneiden joukkoon, on hyvin todennäköistä, että uusikaan ei menesty.
7. Älä tarjoa tai nosta hintaa!
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Asiakaspalauteanalyysit - miksi ne ovat niin hankalia?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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Asiakaspalautteen analyysi BayMineriä käyttäenAsiakaspalautteen 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Spesifiset analyysit - laatuSpesifiset 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Spesifiset analyysit - myyntiSpesifiset 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Spesifiset analyysit - kiinteistötSpesifiset analyysit - kiinteistöt
Portfolio/Asset management. Salkkuanalyysi.
Facility management. Käyttökustannusmalli
Palvelutuottajien valinta ja seuranta.
Property management. Oikean hintatason löytäminen ja säätäminen.
Elinkaarikustannusmalli.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Business IntelligenceBusiness Intelligence
Business Intelligence (BI) on liikkeenjohdon tiedontarpeita palveleva ja päätöksentekoa tukeva toimintamalli, jonka avulla eri lähteistä kerätty tieto yhtenäistetään ja muokataan hyödynnettäväksi liiketoiminnan ohjauksessa.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Voidaan myös sanoa, että BI on laajennettua Voidaan myös sanoa, että BI on laajennettua laatu-, riski- ja kannattavuusanalyysiä.laatu-, riski- ja kannattavuusanalyysiä.
1. Lisää laatu- ja riskidataan asiakaspalautetiedot ja analysoi. Näet, missä kohtaa omaa organisaatiota riskit syntyvät.
2. Lisää omat sisäiset tiedot asiakkaista ja analysoi. Näet, mitkä asiakkaat todellisuudessa ovat parhaat.
3. Lisää menetettyjen kauppojen tiedot ja analysoi. Näet mm., mitä kannattaa tehdä hinnoille.
4. Lisää kilpailijatietoja ja analysoi malli. Näet markkinoiden koko kuvan.
Lopputulos on oikeata Business Intelligenceä.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Business Intelligencen hyödytBusiness 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Business Intelligence BayMineria käyttäenBusiness 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!
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Business Intelligence-sovelluskokemuksiaBusiness 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Business Intelligence - tärkeimmät opitBusiness 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
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!
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
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
Kaikille yhteinen - elinkaariajatteluKaikille yhteinen - elinkaariajattelu
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
2 Vaihe: rakennusalan analyysit - teknologianäkymä2 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Muut uudet, älykkäät menetelmätMuut 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Perinteiset menetelmätPerinteiset 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Tilastomatemaattiset – esim. faktorianalyysiTilastomatemaattiset – esim. faktorianalyysi
Perinteinen graafi
Klustereita tutkittavaksi Toimenpiteet kohdistettavissa Kehitys ajan suhteen näkyy Voi kysyä: ”toinen näkemys” Väliaikatietoja saatavilla heti
0
10
20
30
40
50
60
70
80
90
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr
Erittäin tärkeät teknologiaerot Faktorianalyysi BayMiner
Etukäteisoletukset datasta Normaali jakauma, lineaarinen Ei olettamia
Samanlaisuuden mitta Alkeellinen parittainen vertailu Todennäköisyys
BayMinerin 3D-visualisointi BayMinerin edut
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Uudet ”tekoälyteknologiat”Uudet ”tekoälyteknologiat”
Neuroverkkoja vastaan
Päätöspuita vastaan
• Analyysi onnistuu pienilläkin datamäärillä.
• Asiantuntijaa ei tarvita ohjaamaan oppimista.
• Hyväksyy kaikki datatyypit, myös sekaisin.
• Semanttinen merkitys – ei musta laatikko.
• Toimii myös, vaikka dataa puuttuu.
• Osaa käyttää todennäköisyysinformaatiota.
• Kykenee ennustamaan.
BayMinerin edut
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Datan keräysDatan keräys
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Rakennusalan optimaalinen datan virtausRakennusalan optimaalinen datan virtaus
Omis-taja
Omis-taja
Palveluntuottajat
Palveluntuottajat
Raken-taja
Raken-taja
AlihankkijatAlihankkijat
Ulkoinfra
Runko
Ulko
Sisä
Varustus
ICT
Kokonais-valtaisestioptimoitu
tulos
Kokonais-valtaisestioptimoitu
tulos
Bayminer-monimuuttuja-
analyysi
Otteita omista perustiedoistaOtteita omista perustiedoista
Otteita omista tiedoistaOtteita omista tiedoista
Osa-malli
Osa-malliRaken-
nuttaja
Raken-nuttaja
Perus- tietoja
Perus- tietoja
Perus- tietoja
Perus- tietoja
Käyttötietoja Käyttötietoja
Kokomalli
Kokomalli
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
TietolähteetTietolähteet
“Ei tekniset” tiedot
Myös tuotetiedot
Nettiperustainenpalautejärjestelmä
TaloushallintoMyynnin ohjaus-järjestelmä
Ulkoiset palautteet
Sisäiset, myös ns. “hiljaiset tiedot”
Nettiperustainenpalautejärjestelmä
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
Datan keräysDatan 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.
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
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.
Tärkeintä on asiakkaiden todelliset tarpeetTärkeintä on asiakkaiden todelliset tarpeet
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
BayMinerin positiointi analyysivälinekentässäBayMinerin positiointi analyysivälinekentässä
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
BayMiner-prosessiBayMiner-prosessi
Laskee Bayes- verkon & 3D-
kuvan
Datan keräys ja
valmistelu
Datan keräys ja
valmistelu
EXCEL, DB, MS Access ja vastaavat
Siirtotiedosto
Tietämyksenesitys
&käyttöliittymä
Tietämyksenesitys
&käyttöliittymä
Tulosten visualisointi:
3-D pistepilvet ja jakaumat
BayMiner
Vastaukset
Kysymysten ohjaus
Interaktiivinen
Tulos netissä
BayesITAsiakas
BayMiner
BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003
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.
Bayes-”teknologia” on kaksisataa vuotta vanhaBayes-”teknologia” on kaksisataa vuotta vanha
InspiringInsights
top related