Useimmat menestyvät organisaatiot pitävät tietoon perustuvaa päätöksentekoa ensisijaisena tavoitteena ja pyrkivät siihen uskonnollisella innolla. Tietoon perustuvaa päätöksentekoa, siihen johtavia vaiheita ja sitä, miten tekoäly muuttaa sitä, ei kuitenkaan ole tarkkaan määritelty.

Tekoälyä käyttävässä yrityksessä tietoon perustuva päätöksenteko tarkoittaa

• Strategisia päätöksiä tekee monipuolinen ryhmä, johon kuuluu myös johtohenkilöitä, jotka tukeutuvat riittävän kattavaan ja laadukkaaseen tietopakettiin. Määritelmän mukaan huonon strategisen päätöksen pitäisi olla niin tärkeä, että se voi johtaa yrityksen epäonnistumiseen.
• On olemassa operatiivisia päätöksiä, joilla on merkittäviä liiketoiminnallisia vaikutuksia ja joiden kohdalla out-of-the-box-ratkaisut eivät tuota tyydyttäviä tuloksia. Nämä tuotetaan räätälöidyillä koneoppimismalleilla. Nämä mallit voidaan rakentaa järjestämällä datatieteellisiä kilpailuja, sisäisillä tiimeillä tai tekemällä yhteistyötä alan johtavien yritysten kanssa.
• Useimmat muut operatiiviset päätökset hoidetaan jatkuvasti oppivilla koneoppimismalleilla, jotka tuottavat selitettäviä päätöksiä. Operatiiviset päätökset tehdään usein (kerran viikossa tai useammin) eivätkä ne ole kriittisiä (yksittäinen virhe ei todennäköisesti johda yrityksen epäonnistumiseen).
• Toiminnalliset päätökset, joita ei voida automatisoida hyvällä tarkkuudella, siirretään ihmisille.
  • Jos tietoja ei ole, tehdään mielipiteisiin perustuvia päätöksiä.
  • Jos tietoja on olemassa ja ne on analysoitu, päätöksentekijä luottaa analyysiin.
  • Jos tietoja on olemassa, mutta niitä ei ole vielä analysoitu, analyysin kustannukset määräävät, tehdäänkö mielipiteisiin vai tietoihin perustuva päätös.

Ennen kuin päädymme tähän nykyaikaisten yritysten päätöksenteon viitekehykseen, meidän on selvitettävä, miten voimme arvioida erilaisia päätöksentekomalleja. Voit kuitenkin halutessasi siirtyä suoraan sinua kiinnostaviin osioihin:

Miksi se on tärkeää?

Vaikka on selvää, että tietoon perustuva päätöksenteko on tärkeää, olisi sääli, jos emme olisi tietoon perustuvia sen todistamisessa. Vaikka kvantitatiivista tietoa datalähtöisestä päätöksenteosta on vaikea saada, on olemassa merkittävää näyttöä siitä,

• että tuotetun tiedon määrä kasvaa. Joka päivä luomme 2,5 kvintiljoonaa tavua dataa Domon vuonna 2017 tekemän analyysin mukaan. 90 % nykyään maailmassa olevasta datasta on luotu kahden viime vuoden aikana.
• Yritykset investoivat yhä enemmän dataan ja koneoppimisteknologiaan saadakseen oivalluksia tuosta datasta.

New Vantage Partners teki asiaa koskevan tutkimuksen, joka koski yritysten Big Data -investointeja. Tuloksissa korostuu, että yritykset pyrkivät saamaan etumatkaa toisiinsa nähden ottamalla Big Datan käyttöön koko yrityksessä. Tässä ovat tutkimuksen luvut:

Miten arvioida erilaisia päätöksentekomalleja?

Päätöksenteossa on 3 KPI:tä: Nopeus, laatu, tarkastettavuus. Minkä tahansa näistä puuttuminen voi johtaa kriittisiin epäonnistumisiin.

• Hidas päätöksenteko rampauttaa organisaatiot ja antaa kilpailijoiden saada markkinaosuuksia.
• Huonot päätökset johtavat epäonnistumiseen. Huono päätös, vaikka se olisi kuinka hyvin toteutettu, ei todennäköisesti tuota arvoa. Esimerkiksi Motorolan päätös jatkaa investointeja miljardeja dollareita maksaviin Iridium-satelliitteihin johti yrityksen suureen alaskirjaukseen. Hyvällä toteutuksella ei voitu muuttaa lopputulosta, sillä matkaviestintä tarjosi halvemman ja laadukkaamman vaihtoehdon satelliittipuhelimille Iridium-puhelinten lanseeraukseen mennessä.
• Jos päätöksiä ei voida tarkastaa, niitä on vaikea parantaa. Päätösten laatua on vaikea mitata päätöksentekohetkellä, mutta sitä voidaan arvioida myöhemmin ottamalla huomioon muut vaihtoehdot ja nykyiset markkinaolosuhteet. Tällaisen jälkikäteisanalyysin pitäisi johtaa parempiin päätöksiin

Mitä ovat erilaiset päätöksentekomallit?

Päätöksentekomallit alimmasta kehittyneisyystasosta alkaen ovat:

1- Mielipidepohjainen

Vaikka se tuottaa nopeita päätöksiä, päätöksen laatu voi olla heikko, mikä on vaarallista strategisille päätöksille. Sitä voidaan kuitenkin soveltaa nopeaan päätöksentekoon tapauksissa, joissa:

• Laadukasta dataa ei ole saatavilla
• Analyysin kustannukset ovat suuremmat kuin hyvän päätöksen arvo

2- Rajoitettuun datamäärään perustuva

Organisaatiot, joilla on datan laatuun tai saatavuuteen liittyviä ongelmia, tukeutuvat todennäköisesti rajoitettuun datamäärään päätöksiä tehdessään. Tämä on mahdollisesti vaarallisin päätöksentekomalli, sillä päätöksentekijät voivat käyttää rajallisia tietoja mielipiteidensä tukena, mikä johtaa laajasti kannatettuihin, mutta mielipiteisiin perustuviin päätöksiin.

Merkittävä osa konsultointihankkeista kuuluu tähän kategoriaan, jossa konsultteja saatetaan kannustaa etsimään rajallisia tietopisteitä mielipiteisiin perustuvien hypoteesien tueksi.

Päätösten laatu voi olla parempi kuin mielipiteisiin perustuva päätöksenteko, jos päätöksentekijät ovat avoimia uudelle tiedolle, ottavat huomioon psykologiset ennakkoluulot, varioivat lähestymistapaansa ennusteiden tekemiseen (sisäinen näkemys vs. ulkoinen näkemys) ja etsivät vastauksia sen sijaan, että etsisivät tietoja mielipiteensä tueksi.

3- Tietoon perustuva päätöksenteko manuaalisen analyysin avulla

Tässä mallissa tiedon on oltava saatavilla, sen on oltava laadukasta, ja tiedon oikeellisuudesta on oltava yksimielisyys. Se on suositeltavin lähestymistapa tärkeissä päätöksissä, joissa ajoitus ei ole kriittinen ja joissa automaation kustannukset ovat kohtuuttomat verrattuna sen hyötyihin.

Jotta tämä olisi mahdollista, yritysten on:

• hallitsemaan tietojaan tehokkaasti ja vaikuttavasti
• varmistamaan tietojensa laatu
• luottamaan tehokkaisiin analytiikka-/liiketoimintatiedonkeruuvälineisiin

4- Automatisoitu tietoon perustuva päätöksenteko

Tiedot ovat saatavilla ja laadukkaita, ja tietojen oikeellisuudesta vallitsee yhteisymmärrys, ja ne on käsitelty niin, että päätökset tehdään automaattisesti. Tulosten perusteella päätöksentekomalli parantaa itseään jatkuvasti ajan myötä. Tarkastus on kuitenkin haastavaa, kun päätöksiä ei perustella.

Tämän saavuttamiseksi yritysten on sovellettava uusimpia koneoppimis- ja tekoälylähestymistapoja rakentaakseen automaattisia, toimivia malleja datan pohjalta.

5- Automaattinen dataan perustuva selitettävä päätöksenteko

Automaattisen dataan perustuvan päätöksenteon lisäksi päätöksentekoon käytetään selitettäviä koneoppimismalleja. Selitykset auttavat tarkastamaan päätöksiä ja parantamaan jatkuvasti taustalla olevaa mallia manuaalisten interventioiden avulla automaattisen jatkuvan oppimisen päälle.

Miksi kirjoitin tämän?

Vietin suurimman osan ammattiurastani McKinseyssä, jossa tietoon perustuva päätöksenteko on yksi keskeisistä periaatteista. Se oli hieno periaate, mutta melko haastavaa toteuttaa konsulttina ilman pääsyä sisäiseen dataan. Ottaen huomioon tämänhetkisen kokemukseni tekoälystä halusin miettiä, miten voimme paremmin määritellä datalähtöisen päätöksenteon.

Miten yrityksestäsi voi tulla datalähtöinen yritys tekoälyn aikakaudella?

1. Yritysten on saavutettava digitaalinen transformaatio varmistaakseen, että niillä on digitaaliset prosessit. Meillä on esimerkiksi yksityiskohtainen opas RPA:n käytöstä toistuvien prosessien digitalisointiin ja automatisointiin. Digitaalisen transformaation avulla yritys pystyy tuottamaan dataa, jota käytetään mallien rakentamiseen ja päätöksenteon operationalisointiin. Datan on oltava laadukasta ja saatavilla, jotta se mahdollistaa transformaation jatkamisen.
2. Tekoälytransformaatio voi alkaa, kun prosesseja digitalisoidaan. Korkean arvon prosessit, joissa on olemassa kypsiä out-0f-the-box-ratkaisuja, ovat ensimmäisiä alueita tekoälytransformaatiolle.
3. Kun yritykset ottavat käyttöön enemmän koneoppimiseen/tekoälyyn perustuvia ratkaisuja, tulee alueita, joilla out-of-the-box-ratkaisut ovat riittämättömiä. Yritysten on alettava ottaa käyttöön räätälöityjä tekoälyratkaisuja automatisoidakseen päätöksentekoa tällaisilla alueilla.
4. Kun malleja käytetään yhä useammin päätöksenteossa, yritysten on varmistettava, että ne ovat selitettävissä ja että niissä ei ole ennakkoluuloja.
5. Tämän matkan varrella myös yritysjohdon on omaksuttava tietoon perustuva päätöksenteko. On tehtävä tietoisia kompromisseja data-analytiikan vaivannäöstä ja päätöksen laadusta. Tämä kulttuurinen muutos ei ole erillinen vaihe, vaan sitä olisi kehitettävä sitä mukaa, kun yrityksen analyyttiset valmiudet kypsyvät. Yrityksellä, jolla on kypsiä digitaalisia prosesseja, on varaa tehdä enemmän päätöksiä datapohjaisesti kuin yrityksellä, jolla on offline-prosesseja, koska tällaisten prosessien tulosten yksityiskohtainen analysointi vaatii huomattavia ponnisteluja.

Näiden vaiheiden jälkeen yritys on saavuttanut artikkelin alussa kuvatun kypsyystason. Tarkat askeleet sinne pääsemiseksi riippuvat yrityksen tämänhetkisestä kypsyystasosta. Yritykset voivat tehdä yhteistyötä eri kumppaneiden kanssa saadakseen tukea tällä matkalla:

• digitaalisen transformaation konsulttiyritykset dx-tiekartan määrittämiseksi ja keskeisten aloitteiden toteuttamiseksi
• analytiikkakonsultit yrityksen analytiikkakehyksen luomiseksi, joka mahdollistaa kriittisten päätösten tekemisen yhdistelmällä automatisoitua ja manuaalista analyysia
• datatieteen / tekoälyn konsultit yrityksen datan operationalisoimiseksi toiminnallistamalla rakentamalla räätälöityjä malleja, jotka tekevät itsenäisesti liiketoimintapäätöksiä, kuten lainojen tai saatavien käsittelyä
• datatieteiden kilpailujen järjestäjät, jotka auttavat yrityksiä hyödyntämään väkijoukkojen viisautta tehokkaiden mallien rakentamiseksi rajoitetuin kustannuksin

Jos sinulla on relevanttia dataa koneoppimisen ongelmien ratkaisemiseksi, mutta tarvitset kumppaneiden tukea koneoppimismallien rakentamisessa, me voimme auttaa:

Etsiä kumppaneita räätälöityjen tekoälyratkaisujen rakentamiseen

Jos sinulla on lisäkysymyksiä, autamme mielellämme:

Anna meidän löytää yrityksellesi sopiva myyjä.