käyttäjäpäivät 20.3.2003

BayesIT/BayMiner käyttäjäpäivät 16.1.2003 © Bayes Information Technology Oy 2003

Käyttäjäpäivät 20.3.2003Käyttäjäpäivät 20.3.2003


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.


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.


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.


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.


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!


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.


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.


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.


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.


Spesifiset analyysit - kiinteistötSpesifiset analyysit - kiinteistöt

Portfolio/Asset management. Salkkuanalyysi.

Facility management. Käyttökustannusmalli

Palvelutuottajien valinta ja seuranta.

Property management. Oikean hintatason löytäminen ja säätäminen.

Elinkaarikustannusmalli.


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.


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.


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.


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!


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.


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.


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!


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


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.


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.


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.


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


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


Datan keräysDatan keräys


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


TietolähteetTietolähteet

“Ei tekniset” tiedot

Myös tuotetiedot

Nettiperustainenpalautejärjestelmä

TaloushallintoMyynnin ohjaus-järjestelmä

Ulkoiset palautteet

Sisäiset, myös ns. “hiljaiset tiedot”

Nettiperustainenpalautejärjestelmä


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.


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


BayMinerin positiointi analyysivälinekentässäBayMinerin positiointi analyysivälinekentässä


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


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

käyttäjäpäivät 20.3.2003

Documents