24.01.2019

Päätöksenteon automatisointi mukaan tietojohtamiseen

Hei,

Johannes tässä  jälleen kirjoitushommissa.

Olen kuullut viime aikoina puhuttavan tietojohtamisesta. Sillä tarkoitetaan tietysti sitä, että tehdään päätöksiä tietoon nojaten. On BI:tä, raportointia ja tietovarastoja.

Kuuntelin taannoin erästä esitelmää aiheesta ja siinä kerrottiin, että tietojohtamisen korkein aste on hyvät BI-välineet ja hieno tietovarasto. Ok, tämä on ihan hyvä juttu, mutta miten Netflix tai Amazon? Voisinko heille esittää, että ns Self -Service BI on tosi kova juttu?

Luonnollisesti kaikki eivät ole Netflixejä, mutta mielestäni tietojohtamisen piiriin voisi nostaa uuden tavan hyödyntää tietoa, eli automaattisen päätöksenteon. On mielestäni hieman outoa, että usein tietojohtamisen yhteydessä ei mainita lainkaan tätä.

Käyn seuraavassa läpi, miten automatisoidaan päätöksentekoa dataan ja algoritmeihin perustuen.

Käytän esimerkkinä erään yrityksen ponnisteluita datan hyödyntämisen parissa. He halusivat kehittää globaalia rekrytointiprosessiin sekä paremmaksi, että kustannustehokkaammaksi.

Case-Rekrytointi

Yrityksen rekrytointiprosessi perinteisesti lähti siitä, että valitaan rekrytointikriteerit tiettyyn tehtävään. Niitä voisivat esim yritysmyyjän kohdalla viiden vuoden kokemus toimialasta, ylempi korkeakoulututkinto, englannin kieli sekä perus IT-taidot.

Kriteerit päätetään tyypillisesti mututuntumalla, esimies ja hänen esimiehensä tekevät päätökset perustuen omiin kokemuksiin sekä vanhoihin hakuilmoituksiin.

Tämän jälkeen rekrytoija luokittelee hakijat kolmeen luokkaa kriteerien perusteella : 1) ei jatkoon 2) potentiaalisesti jatkoon 3) jatkoon. Esimiehet haastattelevat sitten viisi parasta hakijaa ja valitsivat heitä parhaan.

Yritys päätti kuitenkin kehittää prosessia ja hyödyntää datatiedettä (Data Science) sen tehostamisessa.

Alettiin miettiä, että voisimmeko tutkia datan avulla kriteerien määritystä, nythän ne perustuvat yksittäisten esimiesten mielipiteisiin. Seuraavaksi päätettiin selvittää, mikä yrityksen menestyjiä yhdisti, eli pyrittiin löytämään tekijät, joka selittää tilastollisesti menestymistä kyseisessä työtehtävässä.

Näin saatiin aikaiseksi tutkimukseen perustuvat kriteerit. Sen jälkeen ohjelmoitiin algoritmi, joka tunnisti hakukriteereitä vastaavat hakijat sähköisistä hakemuksista. Kone myös luokitteli hakijat automaattisesti luokkiin 1-3 (ei jatkoon, potentiaalisesti jatkoon, jatkoon)

Tämä toimi hyvin, koska datatieteen avulla saatiin parempi käsitys siitä, miksi joku menestyy yrityksen myyntitehtävissä ja toiset eivät. Työn tuottavuus myös parani, koska rekrytoijien manuaalinen työ vähenee.

Yritys halusi kuitenkin mennä pidemmälle, sillä heillä oli osaavat datatieteilijät. He päättivät lisätä kierroksia, koska nälkä kasvoi syödessä.

Edellisessä esimerkissä datatieteilijä tutki dataa, eli haki sitä eri IT-järjestelmistä ja hyödynsi edistynyttä analytiikkaan selvittääkseen mikä yrityksen menestyjiä, minkä tyyppisellä profiililla varustettuja ihmisiä haluaisimme palkata. Koodari sitten kehitti algoritmin, joka automaattisesti teki hakijoiden luokittelun.

Mutta mitä jos kaikki työtekijädata siirtyisi automaattisesti yhteiseen tietokantaan sitä mukaan kun sitä kertyisi?  Sitten siihen käytettäisiin koneoppimis-algoritmi, joka rupeaisi heti niputtamaan dataa automaattisesti luokkiin etsien säännönmukaisuuksia ja kaavoja työntekijöiden tiedoista.

Moottori päivittäisi jatkuvasti kriteereitä, eli algoritmiä, ja se tarkentuisi koko ajan. Sama systeemi lajittelisi reaaliaikaisesti  ja automaattisesi hakijat luokkiin 1-3 ilman ihmisen väliintuloa. Näin myös tehtiin ja se toimi, kuten ajateltiin.

Tämä on oikea esimerkki automaattisesta päätöksenteosta rekrytointiprosessien tehostajana. Haluammeko kutsua tuota tekoälyksi? Se on mielipidekysymys, mutta yllä kuvattu malli on se, mihin tekoäly tänä päivänä kykenee.

Jos tutkimme esimerkkiä tarkemmin, huomaamme, että lopullista päätöstä ei annettu koneen tehtäväksi. Kukaan ei tietääkseni tee koneellisesti lopullista rekrytointipäätöstä. Mutta ison globaalin yrityksen rekrytointiprosessia se voi silti tehostaa melkoisesti.

Ok, esimerkki voi olla hieman makaaberi, koska työnhakijan kannalta tuo aiheuttaa puistatuksia, koska tuon tyyppinen toiminta tuntuu hieman..no, konemaiselta. Mutta ymmärtänette pointin.

Kun sanotaan, että ammatteja katoaa, niin noin se juuri käy. Yrityksissä tehdään yllättävän paljon tämäntyyppisiä päätöksiä ihmisten toimesta, joissa kategorisoidaan havaintoja luokkiin.

Esimerkiksi vakuutuspäätökset ja useat muut rahoitus-, pankkipalveluihin liittyvät päätökset ovat pystytty automatisoimaan jo jonkin aikaa. Nämä ovat viimeisen kymmenen vuoden aikana muuttaneet pankki-, ja finanssialaa rajusti.

Case-Netflix

Kuvitellaan hypoteettisesti, että suoratoistopalvelu Netflix toimisi manuaalisesti. Se toimisi näin:  Netflixin esimiehet luokittelevat sarjat mututuntumalla kategorioihin, eli vaikka toiminta-, ja draamasarjoihin. Tuttua esim videovuokraamo Makuunista (ennen konkurssia), kategoriat eri hyllyissä.

Sitten Netflixin asiakaspalvelija suosittelisi, että koska tykkäät draamasarjoista, niin ehkä tykkäät myös tästä uudesta brittidraamasta.

Kehittyneempi versio Netflixistä puolestaan toimisi niin, että datatieteilijä tutkisi, että mitä käyttäjät katsovat ja luokittelu perustuisi tutkimukseen, eikä enää mutuun. Sitten Netflixin asiakaspalvelija lähettäisi sähköpostilla suositukset käyttäjille, että saattaisit tykätä tästä uudesta brittisarjasta.

Nyt kun Netflix hyödyntää tekoälyä, tämä kaikki tapahtuu automaattisesti. Data siirtyvät tietokantaan automaattisesti ja koneoppimis-algoritmi luokittelee datat välittömästi, ja algoritmi suosittelee sinulle sopivia sarjoja.

Samoin kun lopulliseen rekrytointipäätökseen vaaditaan ihminen, myös lopullisen sarjavalinnan Netflixissä tekee ihminen, eli sinä. Edes miljardiluokassa oleva Netflixin algoritmi ei päätä täysin puolestasi, että nyt katsot tämän sarjan koska tiedämme paremmin kun sinä, että mistä tykkäät.

Jos joku pitää tekoälyä uhkana tai humpuukina, niin ei kannattaisi. Sehän on hyvä, että rutiini-, ja luokittelupäätökset siirtyvät koneille. Aikaa jää tärkeimmille hommille. Kukaan rekrytointia ammatikseen tekevä tuskin on pahoillaan, että tylsä luokittelu homma poistuisi työpöydältä.

Mieti siis, mitkä päätökset ovat omassa liiketoiminnassasi luokittelevia, eli sellaisia päätöksiä, jotka voidaan automatisoida.

Parasta tässä on se, että vaikka mitään ei lopulta automatisoidakkaan, kyseisen harjoitus kannattaa tehdä. Tulet nimittän samalla tutkineeksi tiettyyn prosessin vaikuttavat tekijät hyvin tarkkaan ja näin perinteiseen BI:hin nojaava päätöksenteko kehittyy siinä samalla.

Jos mietitään, että meidän rekrytointi esimerkissä ei oltaisikaan tehty mitään automatisointia, olisiko se ollut turha harjoitus? Ei missään nimessä. Esimiesten ymmärrys rekrytointiin vaikuttavista tekijöistä olisi noussut joka tapauksessa dramaattisesti ja otettaisiin askelia datakeskeiseen ajatteluun (data driven).

Halusin tällä kirjoituksella tuoda esiin uusia ja moderneja tapoja hyödyntää data perinteisen tietojohtamisen rinnalle.

Ai niin, yksi asia unohtui. Tarvitset paljon hyvälaatuista dataa kehittämästäsi kohteesta. Ja se onkin suurin pullonkaula. Tässä siis yksi syy lisää panostaa datan laatuun ja saatavuuteen. Kuten arvata saattaa, Ari kirjoittaa tästä lisää.

Suurin datakysymys odottaa vielä ratkaisemistaan: miten saada yrityksen kaikki työntekijät jakamaan oman yksikkönsä datat yhteiselle alustalle, jotta näitä harjoituksia olisi helpompi tehdä?

Muista vielä kurkata materiaalisivumme, eli pyrimme sinne tuottamaan mielenkiintoista sisältöä data-alasta. SQL-opas on varsinainen hitti, sitä on tilattu jo tuhansia.

Ystävällisin terveisin,

Johannes & co

Ps. Vielä ehdit laajentaa tiedonhallinnan osaamistasi ja suorittaa uusitun DAMA-yhdistyksen virallisen sertifointikokeen:

Data Management Fundamentals and Dama Certification Preparation, 11.02.2019 – 13.02.2019

Koulutus on erittäin kattava katsaus tiedonhallinnan käytäntöihin ja periaatteisiin. Mikäli haluat saada kokonaisvaltaisen kuvan datan hyödyntämisen eri näkökulmista, ja osoittaa olevasi alan asiantuntija, suosittelen tutustumaan tähän. Sertifiointi takaa myös koko tiimisi kyvykkyyden kehittää tiedonhallintaa, olit sitten konsulttiyrityksen edustaja tai asiakkaan sisäinen asiantuntija.

Lisätietoa kurssista tästä

Saattaisit olla kiinnostunut myös näistä

Microsoft Fabric: Shortcuts

Lue lisää

Data Lakehouse -projektit käytännössä: Kokemuksia asiantuntijoilta

Lue lisää

Eettinen tiedonkäyttö: Vastuullisuuden peruspilarit

Lue lisää