Haaste
Asiakkaamme laiteohjain toimi hyvin, mutta siinä oli yksi kasvua estävä ongelma: laite ei osannut mukautua uuteen asennuspaikkaan itse. Asiantuntijan piti säätää jokainen asennus käsin ennen käyttöönottoa. Se teki tuotteesta vaikean myydä kumppaneiden kautta.
Jokainen asennus piti säätää käsin
Ohjain seuraa laitteen sähkönkulutusta ja pysäyttää laitteen, jos se havaitsee sitä vahingoittavan vikatilan. Eri asennuspaikoissa laite kuitenkin käyttäytyy eri tavoin. Kuormitus, laitteen koko, käyttötapa ja sähköverkon häiriöt vaihtelevat. Siksi asiantuntijan piti tarkastella laitteen käyttäytymistä ja määrittää käsin, milloin ohjaimen pitäisi tulkita tilanne viaksi. Työ vei noin kymmenen minuuttia jokaista asennusta kohden, mutta vaati osaamista, jota tavallisella kenttäasentajalla ei ollut.
Käsin tehtävä säätö esti myynnin kasvun
Kumppanijakelun kautta olisi ollut mahdollista tavoittaa noin sata uutta kohdetta. Jos jokainen laite olisi pitänyt säätää asiantuntijan avulla, kasvu olisi kuitenkin jäänyt asiantuntijoiden työajan varaan. Ongelma ei siis ollut itse tuotteessa tai kysynnässä, vaan siinä, että jokainen uusi asennus vaati erikoisosaajan apua.
Helpointa tekoälyratkaisua ei voitu rakentaa
Ensimmäinen ajatus oli opettaa malli päättelemään oikeat asetukset automaattisesti uuden asennuspaikan datasta. Se olisi kuitenkin vaatinut tietoa monista erilaisista asennuksista ja niiden toimivista asetuksista. Käytettävissä oli kunnollista dataa käytännössä vain yhdestä kohteesta. Siksi tätä ratkaisua ei voitu toteuttaa luotettavasti.
Mitä rakensimme
Toteutimme viiden työpajan AI Design Sprintin. Tarkoituksena ei ollut rakentaa valmista tuotetta, vaan selvittää nopeasti kaksi asiaa: voiko ongelman ratkaista tekoälyn avulla ja millainen ratkaisu kannattaa viedä tuotteeseen. Työpajojen välillä analysoimme dataa, testasimme eri malleja ja tarkensimme ratkaisua havaintojen perusteella.
Tulokset
AI Design Sprint osoitti, että asiantuntijasta riippuvainen käyttöönotto voidaan korvata tavalla, joka sopii kumppanikanavaan. Samalla asiakkaalle syntyi selkeä etenemispolku vuoden 2026 lanseeraukseen.
Koneoppimismalli tunnisti vaarallisen vikatilan 92–94 %:n tarkkuudella todellisesta käyttödatasta ja teki havainnon ensimmäisen minuutin aikana. Tämä osoitti, että ongelma voidaan ratkaista teknisesti ja antoi pohjan tuotteen jatkokehitykselle.
Kun jokaiseen asennukseen ei enää tarvita erikoisosaajaa, kumppanit voivat ottaa laitteen käyttöön itse. Se avaa noin sata uutta kohdetta, joita asiantuntijavetoinen toimintamalli ei olisi pystynyt palvelemaan.
Kun vika havaitaan ajoissa, noin 10 000 euron laitevaihto voidaan joissain tilanteissa välttää noin 2 000 euron laakeri- ja tiivistehuollolla. Samalla laite voidaan pysäyttää aiemmin, jolloin vikatilassa hukkaan menevän sähkön määrä pienenee merkittävästi.
AI Design Sprint tuotti selkeän ratkaisumallin ja kolme konkreettista jatkokoetta. Niiden avulla tuote voidaan valmistella kumppanijakeluun vuoden 2026 aikana ilman, että kaikkea tarvitsee ratkaista yhdellä kertaa. Ratkaisu voidaan myös myöhemmin päivittää entistä automaattisemmaksi, kun käyttödataa kertyy lisää.
