Moni yritysjohtaja pähkäilee huolestuneena, onko oman yrityksen osalta juna jo mennyt. Onko kilpailijat saaneet etumatkaa rekrytoimalla tekoälyn tehokkuuden vauhdittajaksi?
Tekoälyn tarjoamia mahdollisuuksia kilpailukyvyn parantamiseksi kannattaa punnita kaikilla toimialoilla. Ratkaisua ei kuitenkaan voi ostaa valmiina pakettina hyllyltä. On lähdettävä liikkeelle peruskysymyksistä: Mikä on liiketoiminnalle juuri nyt tärkeää? Halutaanko esim. tehostaa olemassa olevia prosesseja vai kenties siirtyä kokonaan uudelle liiketoiminta-alueelle. Mitä haastetta ollaan ratkaisemassa? Mitä dataa on tarjolla? Mitkä ovat käytössä olevat työkalut?
Tekoälyprojektin tulee aina lähteä liiketoimintatarpeista. Vain ymmärtämällä liiketoimintaprosessit ja niitä ohjaavat päätöksentekopisteet, voidaan nähdä tekoälyn tarjoamat mahdollisuudet prosessien tehostamisessa. Esimerkiksi yhdistämällä tekoäly mediaostamisen prosesseihin, kyetään mainonan panostuksia ohjaamaan ennennäkemättömällä tarkkuudella ja samalla saadaan realiaikainen näkymä tuloksiin. Aiheesta voi lukea lisää Edi Sandblomin blogista
Toinen tärkeä, valmisteleva vaihe on luoda ymmärrys käytettävissä olevaan dataan, sen määrään, laatuun ja ennen kaikkea sen kykyyn vastata määriteltyyn liiketoimintaongelmaan. On myös syytä luoda ymmärrys mahdollisuuksiin rikastaa omaa dataa ulkopuolisilla datalähteillä.
Kun tiedetään, mikä on liiketoiminnan tarve ja mitä dataa on saatavilla, on arvioitava tarkoituksenmukaisimmat tavat kehittää ja ylläpitää tekoälyyn liittyviä ratkaisuja. Mihin oman organisaation kannattaa sisäiset resurssit ohjata ja millä alueilla turvaudutaan ulkopuoliseen apuun? On syytä muistaa, että monia sovelluksia kuten esimerkiksi koneoppimista hyödyntäviä automatisoituja ennusteprosesseja on mahdollista ostaa SaaS-palveluna.
Neljäs ja tärkein asia on uudistuksessa mukana olevan porukan sitouttaminen. Liiketoiminnan ei tarvitse olla tekoälyeksperttejä, mutta myös muut kuin IT-ekspertit on saatava mukaan muutokseen. Muutoksen ”myynti” eli toimintatapojen muutoksesta kertominen, yhdessä työstäminen ja uusien työkalujen käytön opettelu ovat projektin onnistumisen kannalta kriittisiä vaiheita. Muutoksen pyörteissä on tärkeää, että koko tiimi pysyy mukana ja ajantasalla.
Matka kohti tekoälyn laaja-alaista hyödyntämistä liiketoiminnassa kannattaa tehdä pienin mutta määrätietosin askelin. Silloin selkeät nuotit ovat oiva apu. Meillä Houston Analyticsilla on käytössä monissa tekoälyprojekteissa erittäin toimivaksi osoittautunut Cross Industry Standard Process for Data Mining (CRISP-DM-malli), joka antaa hyvän, tavoitteellisen etenemisjärjestyksen ja roolitetun yhteistyökuvion analytiikasta ja työkalujen valinnasta tekoälyn käyttöönottoon osaksi tehokkaampia prosesseja. Oheisesta linkistä pääset katsomaan, mitä mallin isä, Houston Analyticsin Chief Strategy Officer Colin Shearer kertoo mallista.
Matkalle kohti tekoälyn hyödyntämistä kannattaa ehdottomasti lähteä jo tänään.
