Niko Föhr kertoo, miten projektien kannattavuutta voi ennustaa jo ennen niiden alkamista.

Kuka olet ja mitä teet?

Olen Niko Föhr, Senior AI & Data Scientist. Työskentelen tekoälyn ja datan parissa ja autan asiakkaita ratkaisemaan liiketoiminnan ongelmia analytiikan ja mallinnuksen avulla. Käytännössä rakennan ennustemalleja ja teen analyysejä, joiden pohjalta asiakkaat voivat tehdä parempia päätöksiä. Työssäni yhdistyy kaksi maailmaa: ymmärrys mallien toiminnasta ja kyky kääntää tulokset liiketoiminnan kielelle.

‍

Sinulla on pitkä kokemus AI/ML-projektien implementoinnista. Onko jokin projekti, joka on jäänyt erityisesti mieleen?

Erityisen mieleenpainuva oli projekti, jossa ennustettiin projektien kannattavuutta jo ennen niiden alkamista.

‍

Malli ei tee päätöksiä asiakkaan puolesta, vaan se antaa ennusteen kateprosentista ja kertoo, näyttääkö projekti riskialttiilta. Tämä toimii päätöksenteon tukena: malli voi merkitä projektin korkeamman riskin kohteeksi. Tämän jälkeen asiakas pystyi itse päättämään, miten jatkaa. Vaihtoehtoja oli useita:

• projekti voidaan jättää ottamatta
• sopimusehtoja voidaan neuvotella uudelleen
• projektin rakennetta voidaan muuttaa
• tai tilanteeseen voidaan perehtyä tarkemmin ennen lopullista päätöstä.

‍

Mistä projektissa oli kyse?

Asiakas halusi välttää tilanteet, joissa projekti kääntyy tappiolliseksi. Ratkaisun kannalta olennaista oli tunnistaa historiallisesta datasta tekijät, jotka ovat vaikuttaneet projektien onnistumiseen tai epäonnistumiseen. Näiden pohjalta voitiin arvioida, miltä uusien projektien riskiprofiili näyttää.

‍

Miksi juuri tämä projekti jäi mieleen?

Tämä projekti jäi mieleen siksi, että emme tyytyneet ensimmäiseen, yksinkertaisimpaan ratkaisuun. Malleja on helppo rakentaa, mutta todellinen haaste on ymmärtää, miten pistemäistä ennustetta voidaan käyttää parhaiten hyödyksi päätöksenteossa.

Esimerkiksi pelkkä luku ”kate 5 %” ei kerro vielä paljoa. Mutta kun pystyy sanomaan, kuinka todennäköistä on, että projekti menee miinukselle, päätöksenteko muuttuu huomattavasti varmemmaksi ja perustellummaksi. Tämä teki ratkaisusta selvästi hyödyllisemmän kuin perinteinen pistemäinen ennuste. Se muutti päätöksenteon ennustamisesta riskienhallinnaksi.‍

‍

Millaiseen ratkaisuun päädyttiin?

Päädyimme ratkaisuun, jossa mallin toimintaa ei arvioitu pelkästään yksittäisen ennusteen perusteella, vaan sen vaikutuksia tutkittiin Monte Carlo -simulaation avulla. Malli koulutettiin useita kertoja eri datajoukoilla, ja tuloksena saatiin todennäköisyysjakauma mahdollisista lopputulemista. Näin päätöksenteon tueksi saatiin tietoa paitsi todennäköisistä tuloksista myös niiden vaihtelusta ja riskeistä.

Liiketoiminnan näkökulmasta tämä tarkoitti, että päätöksentekijät pystyivät näkemään riskit välittömästi. Jos katteen ennuste saattoi heilahdella negatiiviselle puolelle, he saattoivat neuvotella paremmat sopimusehdot, lisätä projektin seurantaa tai jopa päättää olla ottamatta projektia vastaan.

Simuloinnin avulla pystyttiin myös arvioimaan tekoälyn taloudellista hyötyä. Tulokset osoittivat, että päätösten tukeminen mallin avulla paransi keskimääräistä katetta noin 60 %, kun huonot projektit tunnistettiin etukäteen. Asiakas sai lopuksi selkeät ohjeet mallin tulkintaan ja käyttöön, jotta ratkaisu tukisi päätöksentekoa johdonmukaisesti myös jatkossa.

‍

Millainen vastaanotto ratkaisulle oli?

Vastaanotto oli erittäin positiivinen. Asiakas oli positiivisesti yllättynyt mallin ennustekyvystä, sillä heillä ei alun perin ollut suuria odotuksia oman datansa laadun tai ennustettavuuden suhteen. Nyt heillä on työkalu, joka auttaa välttämään tappiollisia projekteja ja tunnistamaan ne tilanteet, joissa sopimusehtoja kannattaa neuvotella uudelleen.

‍

Millaisia haasteita projektissa ilmeni?

Suurin haaste tämänkaltaisissa projekteissa ei useinkaan liity itse mallinnukseen, vaan kommunikointiin. Miten kiteyttää monimutkainen koneoppimismalli ja sen tuottama todennäköisyysjakauma siten, että myös liiketoimintajohto ymmärtää sen hetkessä ja pystyy tekemään päätöksiä sen pohjalta?

Tässä projektissa tämä onnistui hyvin, ja siihen vaikutti myös se, että asiakkaan data oli poikkeuksellisen hyvälaatuista ja helposti hyödynnettävissä.

‍

Muita mielenkiintoisia havaintoja?

Asiakkaita kiinnostaa usein, mitkä tekijät mallissa painavat eniten ja miten ne vaikuttavat lopputulokseen. Tässä piilee yksi koneoppimisen keskeisistä valinnoista: tarkkuus vai selitettävyys?

Yksinkertainen, lineaarinen malli on helppo selittää: "Kun alihankinnan euromäärä kasvaa, riski kasvaa suoraan suhteessa." Mutta todellisuus on harvoin näin mustavalkoinen. Monimutkaisempi malli on joustavampi ja tuottaa tarkempia ennusteita, koska se pystyy huomioimaan useiden muuttujien yhteisvaikutukset, mutta sen sisäinen logiikka on vaikeampi avata yksinkertaisesti.

Mallissa merkitseviä muuttujia voidaan tarkastella projektikohtaisesti, jolloin nähdään, miten eri tekijät ovat vaikuttaneet yksittäiseen ennusteeseen. Lopulta kyse on siitä, mikä on asiakkaalle tärkeintä: täydellinen tarkkuus vai se, että mallin toimintaa pystyy selittämään selkeästi.

‍

Voisiko samaa ratkaisukonseptia soveltaa muualle?

Kyllä, konsepti on hyvin yleistettävissä. Se sopii mihin tahansa ongelmaan, jossa halutaan ennustaa numeerista arvoa ja jossa on paljon muuttujia. Erityisesti se soveltuu tilanteisiin, joissa pelkkä keskiarvo ei riitä, vaan päätöksenteon tueksi tarvitaan ymmärrystä vaihteluvälistä ja todennäköisyyksistä. Näitä ovat esimerkiksi asiakkaan ostopotentiaalin arviointi tai tuotannon volyymin ennustaminen.

‍

Mikä oli parasta?

Parasta oli mallinnuksen onnistuminen yli odotusten sekä asiakkaan data, joka oli harvinaisen hyvässä ja käyttövalmiissa muodossa. Se mahdollisti sen, että pääsimme heti ongelman ratkaisuun datan siivoamisen sijaan.

‍

‍