Päätöksenteon tukisovelluksista apua toimitusprojektien hallintaan

Teksti: Ralf Ekholm

Tietokonetuetusta päätöksenteosta voi löytyä apu pienten ja keskisuurten toimitusprojektien myyntiprosessin ongelmiin. Tietokonetuetut päätöksentekoteknologiat ovat jo siinä vaiheessa, että niiden käyttöönotto teollisissa projekteissa on realistista myös myynnissä ja operatiivisella tasolla.

Koneoppimiseen perustuvalla tietokonetuella tähdätään kokonaisvaltaiseen tuotantoprosessin hallintaan. Mitä tahansa projektia voi lähteä analysoimaan mittaamattoman monesta näkökulmasta. Bayes-verkkopohjaisella tietokonetuella saadaan projektiin oikeasti voimakkaasti vaikuttavat seikat esiin – niitäkin, joita ei varsinaisesti projektin seurannassa huomioitu. Projektidatan kokonaisvaltainen tietokonetuettu analysointi saattaa yllättää kokeneenkin asiantuntijan, sillä sen avulla voi pureutua monimutkaisiin syy-seuraussuhteisiin ja päästä käsiksi niihin tekijöihin, jotka johtavat tuotannon myöhästymisiin, budjettiylityksiin ja laadun puutteisiin. Esimerkiksi Bayes-verkkotekniikkaan perustuvaa analyysimallia voi käyttää sellaisenaan ennustamiseen; jatkossa samat ongelmat voidaan siis välttää.

Bayes-verkot ovat paras teknologia hallitsemaan epävarmuutta.  Tietokonetuettu analyysimalli paljastaa useimmiten, että tuotantoprosessin kulkuun voimakkaasti vaikuttavia seikkoja on yleensä erittäin vähän, mutta nämä seikat ovat sellaisia, joita muuten olisi ollut hankala havaita. Kun nämä vaikuttavat seikat ovat tiedossa, niitä on myös helppo seurata jatkossa. Usein työprosessia voidaan silloin tehostaa, kun montaa Bayes-mallissa hyvin vähän prosessiin vaikuttavaksi havaittua seikkaa ei enää tarvitse seurata ja dokumentoida.

Lähes minkälaisesta datasta tahansa syntyy Bayes-verkkoon perustuva ns. tietämysmalli, jota voidaan visualisoida mm. kuvan 1 esittämällä tavalla. Kyseessä on akseliton 3-D-esitysmuoto, jossa vaikkapa yrityksen reklamaatiotapauksia kuvaavat pisteet ovat sitä lähempänä toisiaan, mitä samankaltaisempia tapaukset ovat merkittäviltä osiltaan. Syntynyttä mallia voi muokata ja käsitellä eri tavoin. Käytetyistä muuttujista voi saada esille mm. kuvan 2 mukaisen täydellisen profiilin muutamassa sekunnissa. BayMinerin 3-D-esityksen kyky viestiä kokonaisuuksia on paljon tehokkaampi kuin iso joukko perättäisiä tilastollisia diagrammeja. Päätöksentekoa helpottava tuloksen visualisointi on tietokonetuetun mallinnuksen valtteja.

Ongelmallinen myyntiprosessi

Projektien ongelmat johtuvat usein myyntiprosessista. Liian monessa yrityksessä ei tuotekehitysvaiheessa pohdita lainkaan sitä, kuinka tuotetta myydään. Kuitenkin juuri myynti on avainasemassa sellaisessakin projektissa, jossa tuntuu, että kaikki resurssit olisi tarpeen keskittää monimutkaisen tuotteen kehittämiseen.

Myyjän on tiedettävä, mitä myy, vaikka tuote rakennettaisiin vasta myynnin jälkeen. Välillä tuotteen tunteminen on todella hankalaa, etenkin, jos laite tai tuote sisältää ja rakentuu useista eri teknologioista. Tämän lisäksi laite voi edellyttää asentamista, vaatia opettelua, sitä voidaan käyttää moneen eri tarkoitukseen: pienenkin myyntiprojektin hallinta voi olla vaikeaa.

Apua ongelmiin tuo tietokonetuettu päätöksenteko. Esimerkiksi myyntiprosessissa kertyneen kovin erilaisenkin datan, vaikka reklamaatiotietojen, tietokoneanalyysi paljastaa paljon mielenkiintoista informaatiota asiakkaista, laadusta ja kannattavuudesta. Aiemmilla tekoälymenetelmillä, esimerkiksi case based reasoning - tai fuzzy logic -menetelmillä, todellisten ympäristöjen mallintaminen oli mahdotonta tai erittäin kallista. Uudemmallakin teknologialla sellaisen organisaation luominen, jossa osataan täysin hyödyntää tietokonetuettua päätöksentekoa myyntiprosessissa, on vaikeata ja vie paljon aikaa. Siksi teknologiaa on syytä harjoitella jo nyt, etteivät kilpailijat aja lähivuosina laadulla ja alemmilla kiinteillä kustannuksilla ohi.

Miksi myynnissä ylipäätään on niin paljon ongelmia? Myynnin osuuden ja myynnin suunnittelun huomiotta jättämiseen on moniakin syitä. Aina ymmärrys tekniikasta ei yhdisty ymmärrykseen myynti- ja markkinointiprosesseista. Suurten asiakkaiden kanssa hankittu neuvottelukokemus ymmärretään myös virheellisesti myyntikokemukseksi. Usein ratkaisuyritykset aiheuttavat lisää ongelmia: sen sijaan, että myyntiä suunniteltaisiin teknisen kehittämisen rinnalla ja osana kokonaisprosessia, etsitään ratkaisuja myynnin vaikeuksiin esimerkiksi muuttamalla organisaatiorakennetta.  

Jo se, että yritys suunnittelee tietokonetukea prosesseihinsa, pakottaa yrityksen tutkailemaan toimintamallejaan – ja huomaamaan hankaluudet.

Montako teknologiaa myynnin pitää hallita?

Yrityksellä on rajattu määrä teknistä tietotaitoa. Projektin onnistuneessa hallinnassa on pitkälti kyse siitä, mihin nämä tietotaidon omaavat henkilöt sijoitetaan – kuinka suuri tiedon tason tarve tarvitaan tuotekehittelyssä, kuinka suuri myynnissä ja niin edelleen.

Tärkeintä on tietenkin tietotaito kehityksessä ja valmistamisessa, mutta  osaamista tulisi pystyä sijoittamaan muuallekin. Esimerkiksi, jotta palvelu- tai huoltotoiminta olisi tehokasta, on näiden funktioiden osaamisen oltava lähellä asiakasta. Näiden painopistealueiden ja osaamisen jakamisen apuna voi käyttää tietokonemalleja; niistä on hyötyä yrityskulttuurille  –  ja ne säästävät kustannuksia.

Jos tuotteessa on hyödynnetty useita keskeisiä teknologioita, on itsestään selvää, ettei yksittäinen myyntiedustaja voi niitä hallita. Edes koulutus ei ratkaise, koska myyjältä vaadittaisiin laajaa ja syvää moniteknologista taustaa.

Uusilla teknologioilla yleensä leikataan kustannuksia ja tuotetaan lisäominaisuuksia, mutta uudet teknologiat ovat usein tärkeitä myös imagosyistä. Ihanteellisinta tietenkin olisi, ettei ostajan edes tarvitsisi huomata, millaisia teknologioita tuotteisiin ja palveluihin on upotettu. Asiakkaiden haluamat uudet tekniset ominaisuudet peilautuvat usein voimakkaina ja monimutkaisina vaikutussuhteina valmiin tuotteen muihin osiin ja kokonaisuuteen – joten myynnin olisi hyvä hallita vaikutussuhteet, jotta se osaa ohjata asiakkaita toimiviin ratkaisuihin.

Myös asiakkaan osaaminen on tärkeää!

Tietokonetuettu päätöksenteko-ohjelmisto voi olla kelpo työkalu myyjän ja asiakkaan pohtiessa, millainen tuote on asiakkaalle tarpeen.

Uusi teknologia tuo mukanaan usein rajoituksia, jotka ovat sekä myynniltä piilossa, että hyvin vaikeasti ohitettavissa tuotantovaiheessa kohtuullisin kustannuksin. Vaikka asiakas saataisiin ostamaan kalliimpi uutuustuote, se ei takaa kannattavaa kauppaa valmistajan näkökulmasta – uuden monimutkaisen tuotteen valmistaminen on kallista useiden vuosien ajan. Tällaisia kustannustekijöitä ovat mm. robottien asettamat rajoitukset valmistuksessa, uusien komponenttien tehovaatimukset sekä IT-infrastruktuurit, kuten verkko- ja käyttöjärjestelmät, joiden muuttaminen asiakaskohtaisten erityisvaatimusten takia on yleensä erittäin kallista.

Asiakkaat tuovat projektimyyntiin riskinsä: asiakkaalla ei ehkä ole aikaa, asiakas ei tiedä tarpeitaan, asiakas ei osaa päättää tai asiakkaalla ei ole neuvotteluresursseja. Asiakkaat eivät voi hallita valmistajan ja tuotekehityksen jargonia, joten myynnin ja myynnin tukiorganisaation on osattava selittää tuotekehityksen kieli asiakkaalle ymmärrettävästi. Jargon-ongelmat kiteytyvät yleensä tarjouspyynnöissä, tarjouksissa ja spesifikaatioissa: asiakkaat luulevat saavansa jotakin muuta kuin sitten saavatkin. Tästä saattaa seurata valtavia riskejä.

Analyysityökalu ja mallinnus voivat varoittaa esimerkiksi liian riskialttiista asiakkaasta. Toisaalta asiakkaan riskialttius saattaa pienentyä, kun heikot kohdat tunnistetaan projektin suunnitteluvaiheessa. Toinen puoli asiakkuusanalyysia on tunnistaa toimittajan mahdolliset riskit etukäteen. Tietokonetuki kertoo, missä asioissa toimittaja voi joustaa ja missä sen täytyy pitää kiinni omista eduistaan.

Päätöksentekosovelluksella parannetaan kustannusten hallintaa ja tiedonkulkua

Tuotekustannukset ja myynnin yleiskustannukset ovat sidoksissa toisiinsa paljon voimakkaammin kuin yleensä uskotaan. Tämän osoittaa esimerkiksi jälkimyynnin datan tarkempi analyysi Bayes-verkoilla.

Oleellista onkin tulevien projektimyynnin ongelmien ennakointi riittävän suurella todennäköisyydellä. Tämä työ säästää kustannuksia prosessin seuraavissa vaiheissa. Mutta miten ennakoida? Vastaus on tietokonetuessa: käytetään todennäköisyysperustaisia dynaamisia malleja sekä analyyseihin että tosiaikaisiin tukipalveluihin. Ne todella kykenevät ennustamaan.

Osa yrityksistä on ehkä jo kokeillut tietokonemallinnuksen hyödyntämistä myynnissä - ja saattanut pettyä. Yleisimmät syyt pettymykseen ovat olleet teknologian kypsymättömyys, liian suuret odotukset sekä epäonnistuminen käyttöönotossa. Mallien tuottamisprosessia vaivaa usein kaksi erittäin hankalaa ongelmaa:

-       hyvän asiantuntijaryhmän vaikeus,

-       markkinoiden nopea muutos.

Bayes-verkkoihin pohjautuvat mallit saadaan rakennettua niin nopeasti, että markkinoiden muutokset eivät ehdi niitä vanhentaa. Yleensähän markkinoiden nopea muutos johtaa siihen, että ”rakennetut mallit” ovat vanhoja jo syntyessään. Markkinoiden nopea liikkuvuus vaivaa myös tietotaidon säilymistä kehittelytiimissä, jos sen kokoonpano muuttuu: tärkeä tietotaito saattaa olla vain yhdellä henkilöllä, ja kun hän ei ole paikalla, koko prosessi on haavoittuvainen.

Tietokonetuetut järjestelmät pitävät projektia ajan tasalla muutenkin kuin suhteessa markkinoiden liikkeisiin. Dokumentaatio, tärkeä tukiprosessi, aiheuttaa kehnosti hoidettuna jatkuvia tiedonliikkumisen ongelmia. Pitkällä aikavälillä integroidut tuotemallit, jotka mm. sisältävät dokumentaation, ratkaisevat osan tästä ongelmasta. Dynaamisilla malleilla voi ratkaista osan myynnin dokumentointiin liittyvistä ongelmista, koska malli tunnistaa riskipitoiset riippuvuussuhteet, joita muuten on hyvin vaikea dokumentoida.

Aivan keskeisessä asemassa projektiliiketoiminnassa on tiedon nopea liikkuminen. Hitaasti liikkuvan tiedon ongelmaa pyritään parantamaan mm. työryhmäohjelmistoilla sekä keskitetysti ylläpidetyillä malleilla. Dynaamiset mallit siirtävät tiedon käytettäväksi erittäin tehokkaasti - asiakas saa parempaa palvelua. Tietokonetuettu päätöksenteko myynnissä on järkevintä, kun myyntiprosessia ei voida organisoida yhden henkilön tietämyksen varaan eikä projektien koko ole niin suuri, että tiimimyynti kannattaisi.

Päätöksentekosovelluksen käyttäminen vaikuttaa osaamisen organisointiin

Henkilöstön motivaation huomioiminen on hankalaa, mutta tärkeää tietokonetuetun päätöksenteon järjestelmäkehityksessä.

Perusongelma on, että kohdealueen asiantuntija ei halua hyväksyä järjestelmän tarjoamaa tulosta itsestäänselvyytenä. Ensimmäinen reaktio on aina halu testata järjestelmää sen selvittämiseksi, pärjääkö kone. Tästä seuraa uusi ongelma: nopeat ja huolimattomat testit ja niistä väärät tulokset ja liian nopeat johtopäätökset. Mutta kokeilijan huomattua syvempien testien jälkeen, että kyse on aidosti hyödyllisestä uudesta teknologiasta, seuraa epäröintiä ja selitysten vaatimista. Selitysten tuottaminen onkin eräs osa päätöksentekojärjestelmää: tietokonetuetussakin järjestelmässä järjestelmän tuottaman datan analyysi ja johtopäätösten teko jää aina ihmiselle, sitä ei kone voi tehdä. Mutta: tähänkin intuitiivinen käyttöliittymä tuo helpotusta.

Bayes-verkoilla päästään eroon staattisten signaalimuuttujien ongelmasta, eli siitä, että varmana pidettyjen ennakoivien muuttujien riippuvuuden suunta (kausaliteetti) saattaa kääntyä esim. suhdanteista johtuen. Todettu ja varmana pidetty vaikutuksen suunta voi myös kääntyä joidenkin kulttuurirajojen ylityksen yhteydessä. Tällaisiin staattisiin signaaleihin perustuvat päätökset ovat tietenkin pahasti pielessä, jos kausaliteetti on kääntynyt sen jälkeen kun staattisen järjestelmän signaalimuuttujat on valittu. Dynaamiset mallit sisältävät tiedon siitä, että riippuvuussuhteet ovat tietyssä tilanteessa muuttuneet. Näin esimerkiksi kovin suhdenneriippuvaiset rakennusliiketoiminnan ennusteet saadaan luotettavammiksi.

Dynaamisten mallien käyttöön voi perehtyä Bayes Information Technology Oy:n tosiaikaisessa BayMiner-analyysipalvelussa. Sen avulla yritys voi analysoida projektiensa menestystekijöitä. Käyttäjän ei tarvitse osata ohjelmoida eikä häneltä edellytetä tilastotieteellisiä tietoja. Analyysi tehdään ja tulosta tutkitaan internetselainta käyttäen.

Ralf Ekholm
Toimitusjohtaja

Bayes Information Technology Oy
GSM: 050-5497109
Ralf.Ekholm@bayesit.com

www.bayminer.com

Ennen oman ohjelmistokehitysyrityksen perustamista kirjoittaja on toiminut mm. projekti- ja tuotepäällikkönä KONE Oyj:ssä.