Houstonin lukion toisluokkalaiset olivat lähdössä luokkaretkelle Suomen Turkuun. Tätä varten luokka keräsi rahaa järjestämällä perinteiset myyjäiset. Leivontaan ilmoittautui 20 jauhopeukaloa, joista kukin lupautui uhraamaan luokkaretken hyväksi tarvittaessa kaksi tuntia. Leivonnaisiksi valittiin aikaisempien vuosien kokemuksen perusteella klassikot: korvapuusti 1,40 €/kpl ja munkki 1 €/kpl. Talkoomalli oli osoittautunut edellisvuosina toimivaksi mutta tehottomaksi. Tällä kertaa haluttiin minimoida sähellys, raaka-aineiden käyttö ja optimoida tuotetarjonta - ja edelleen maksimoida tuotto!
Koska itse leipominen oli vuosittaisen harjoittelun ansiosta hallussa, luokkaretkitoimikunnan puheenjohtaja marssi määrätietoisin askelein opettajainhuoneeseen. Hän halusi tavata opettajainhuoneen tuoreen vahvistuksen, matematiikan lehtorin, jota yleisesti kutsuttiin Algoritmiksi. Seuraavat matematiikan tunnit muistuttivat termien puolesta ajoittain kotitaloustuntia. Mutta oppilaat osallistuivat harvinaisen intensiivisesti ongelmaratkaisuun, sillä olihan kyseessä yhteinen matkakassa.
Hyödyllistä tietoa myyjäisten myynnin optimointiin oli tarjolla hyvin. Edellisten vuosien perusteella yhteen korvapuustin tekoon suttaantuu talkooporukalla aikaa taikinan vaivaus ja paistaminen mukaan lukien keskimäärin viisi minuuttia. Munkki on nopeampi pyöräyttää, aikaa kuluu kolme minuuttia, mutta toisaalta uppopaisto sitoo talkooresursseja. Edellisten vuosien perusteella kananmunat ja voi olivat osoittautuneet leivontamäärän ja kustannusten suhteen kriittisiksi tekijöiksi, joten niiden määrät eri leivoksille pitää jakaa erityisen tehokkaasti. Lisäksi taikinoihin tarvittiin laktoositonta maitoa, jauhoja, sokeria, kardemummaa, hiivaa ja paistoöljyä.
Oppilaat olivat kartoitusvaiheen jälkeen tyytyväisiä. Heillä on päätöksentekoon tarvittavat tiedot: reseptit, hinnat, kapasiteetit, leivontaan tarvittava aika ja tuotantoprosessi. Puuttuva palanen oli enää optimointi, joka kokoaisi talkootuotannon matemaattiseksi malliksi. Onneksi tämäkään ei ollut lehtori Algoritmin ja luokan tekemän taustatyön ansioista ongelma.
Kokemuksesta tiedettiin, että asiakaskunnan sitoutumisen vuoksi kaikki leivonnaiset menisivät kaupaksi, joten lähtökohdaksi otettiin yksinkertaisesti tuloksen optimointi. Kun korvapuusteja ja munkkeja leivottiin edellisenä vuonna 250 + 250, nyt optimoinnin avulla päädyttiin leipomaan 360 korvapuustia ja 140 munkkia. Myynti saatiin näin kasvatettua lähes kymmenen prosenttia ja lopullinen tuotto raaka-ainehävikin vähentyessä toistakymmentä prosenttia.
Optimointi, oppiminen ja pullantuoksu voivat kaikki kuulua onnistuneisiin leivontatalkoisiin yhtä hyvin kuin leivonnaisten teolliseen tuotantoon. Kun optimoinnilla koulun myyjäisissä saadaan näin selvää hyötyä, miksi valmistavassa teollisuudessa jätetään tämä optimointikortti käyttämättä?
Julkaistu ensimmäisen kerran 23.2.2016.
Lisää analytiikan mahdollisuuksista liiketoiminnan tehostamiseen löydät kirjasta Analytiikkamatka datasta tietoon ja tiedolla johtamiseen http://www.liikekirjat.fi/catalog/analytiikkamatka/
| VINKKI Tänään luovan tekoäly eli Generative AI mahdollistaa tekstissä kuvatun optimoinnin entistä helpommin niin Houstonin lukion luokkaretkitoimikunnalle kuin vastaavia päätöksiä isommassa mittakaavassa pohtiville teollisuuden ja kaupan päätöksentekijöille. Valikoimien, tuoteportfolion ja hinnoittelun optimointi yhdistettynä luovaan tekoälyyn ei vaadi syvällistä teknistä asiantuntemusta. Kun tehtävä päätös ja siihen liittyvät kysymykset on kirjattu ja data koottuna yhteen on päätöksen ja tuoton optimointi tehtävissä. |
