© Bayes Information Technology Oy 2001 Uusi tapa analysoida netissä Jari Valo, NCC Finland ja Ralf Ekholm, Bayes Information Technology Oy www.bayminer.com.

Esitys aiheesta: "© Bayes Information Technology Oy 2001 Uusi tapa analysoida netissä Jari Valo, NCC Finland ja Ralf Ekholm, Bayes Information Technology Oy www.bayminer.com."— Esityksen transkriptio:

1 © Bayes Information Technology Oy 2001 Uusi tapa analysoida netissä Jari Valo, NCC Finland ja Ralf Ekholm, Bayes Information Technology Oy www.bayminer.com

2 © Bayes Information Technology Oy 2001 Tosiaikainen analyysipalvelu internetissä  Asiakas analysoi oman aineistonsa itsenäisesti.  Tulokset saatavilla välittömästi.  Uutta tietämystä tunnistaa erittäin nopeasti.  Luotettava tulos myös pienistä aineistoista.  Käyttäjältä ei edellytetä tilastotieteellisiä tietoja.

3 © Bayes Information Technology Oy 2001 Tietotyövälineiden roolit tietokanta raportti taulukko tilasto Internet artikkeli kirja Tiedon lähteet Tiedon muokkaus tekstinkäsittely esitysgrafiikka kuvankäsittely videoeditointi vektorigrafiikka Tietämyksen välitön muodostus BayMiner

4 © Bayes Information Technology Oy 2001 1.Laatu riippuu liian monesta tekijästä. 2.Käsitteiden sekamelska; ihmiset eivät ymmärrä ja tarkoita samaa. 3.Pehmeiden arvojen muuttaminen luvuiksi aiheuttaa virheitä. 4.Hyödyn saaminen irti tuloksesta on vaikeata. Analyysit kärsivät ongelmista

5 © Bayes Information Technology Oy 2001 1.Lasketaan yleinen dynaaminen malli. 2.Tunnistetaan klustereita (tyytyväisiä, tyytymättömiä jne.). 3.Valitaan yksi klusteri kohteeksi. 4.Tutkitaan valittu klusterin. lPerinteellisistä analyysivälineistä poiketen BayMinerin käyttäjä saa välittömästi kaikki muuttujat huomioivan tietokonemallin ja siitä 3-D kuvan. Tutkimalla sitä hän saa datasta irti hämmästyttävän paljon enemmän tietoa kuin isosta joukosta peräkkäin näytettyjä, vain 2-3 muuttujaa kerrallaan, näyttävistä pylväsdiagrammeista. Uutta ajattelua

6 © Bayes Information Technology Oy 2001 Klustereita ja niiden syntyminen 1 minuutin jälkeen2 minuutin jälkeen3 minuutin jälkeen

7 © Bayes Information Technology Oy 2001 Sovellusesimerkkejä  Projektien ongelmien juurisyiden löytäminen.  Projektien riskin ja kannattavuuden ennustaminen.  Menestyvän projektijohtajan profiilin selvittäminen.  Reklamaatioanalyysit.  Markkinoiden segmentointi.  Työmaaonnettomuuksien juurisyiden paljastaminen.  Oikean hintatason löytäminen ja säätäminen.  Alihankkijoiden suorituskyvyn seurantaa ja valintaa.

8 © Bayes Information Technology Oy 2001 Miten BayMiner toimii?  Data, esim. Excel taulukko.  Sarakkeissa muuttujat, riveillä tapaukset.  100 – 50.000 riviä ja 10 – 500 muuttujaa.  Prosessi on automaattinen  Data lähetetään BayesIT nettisivuille.  Ensin data analysoidaan ja luokitellaan.  Seuraavassa vaiheessa lasketaan ns. Bayes-verkko.  Kolmannessa vaiheessa tulos esitetään 3-D muodossa.  Tuloksia tutkitaan reaaliajassa netissä selaimen avulla

9 © Bayes Information Technology Oy 2001 Hyödyt  Päätöksenteon laatu paranee koska jo aikaisessa vaiheessa tunnistatte uusia syy-seuraussuhteita:  Laatu paranee.  Säästyy kustannuksia.  Asiakastyytyväisyys lisääntyy.  Prosessinne muuttuvat tehokkaammiksi.  Me saamme palautetta ja tunnistamme uusia tarpeita.

10 © Bayes Information Technology Oy 2001 DEMO ja jatkosta  Verkkosivuille ladattavaksi tarkoitetussa kalvosarjassa on jonkun verran enemmän tietoa kuin tässä sarjassa.  Tarjoamme  eProM jäsenille ohjelman ajaksi 20 % alennusta.  Koulutusta sopimuksen mukaan.  Kokeiluja varten saatte vierastunnukset seminaarin jälkeen. www.bayminer.com

11 © Bayes Information Technology Oy 2001 DEMO Jatkossa lisää taustatietoa!

12 © Bayes Information Technology Oy 2001 BayesIT:n analyysipalvelu  Tiedot käsitellään ja lasketaan BayesIT:n omilla palvelimilla.  Tietoja käsittelee vain asiakas itse.  Lasketut tietokonemallit voi säilyttää BayesIT:n palvelimilla.  Analyysitulokset ovat turvassa ja aina käytettävissä

13 © Bayes Information Technology Oy 2001 Miksi ei Bayes-verkkoja ole käytetty aikaisemmin?  Kiinnostus Bayes-verkkoihin on herännyt vasta viime vuosikymmeninä.  Tänään meillä on riittävästi laskentatehoa käytettävissä edullisesti.  Toimiva systeemi edellytti laskennallisesti tehokkaita algoritmejä.

14 © Bayes Information Technology Oy 2001 Kenelle BayMiner on tarkoitettu? Johtajille jotka ovat tyytymättömiä perinteellisten tutkimusten korkeisiin kustannuksiin ja heikkoon tulokseen. BayMiner on uusi menetelmä jonka avulla voit itse analysoida "elävää" tietokonemallia esim. asiakkaistasi. Se myös korvaa raportit. Toisin kuin sarja pylväsdiagrammeja jotka näyttävät muutaman piirteen kerrallaan Bayminer näyttää kaikkien muuttujien vaikutus yhtä aikaa. BayesIT tarjoaa poikkeuksellisen helppokäyttöisen, myös prosessiin upotettuun, jatkuvaan analyysiin tarkoitetun tehokkaan ratkaisun. Kustannuksissa säästät 50-90 % vastaavan perinteellisen analyysin kokonaiskustannuksista.

15 © Bayes Information Technology Oy 2001 Yhteenveto - BayMiner:n vahvuudet ja edut  Varma analyysiteknologia kaikkiin analyyseihin  datastanne varmat ja turvalliset tulokset.  BayesIT:n omat algoritmit ja palvelimet  kumpikin osapuoli keskittyy siihen mitä osaavat parhaiten  ASP palvelu - toimiva logistiikka  oikeat tulokset oikeassa paikassa oikeaan aikaan

16 © Bayes Information Technology Oy 2001 Kustannusten optimointi  Tänä päivänä pitää säästää, siksi kannattaa kokeilla paljon: •Protoilla hankitaan ensin osaamista. •Sitten päätetään järjestelmistä ja investoinneista.  Edetkää kolmessa vaiheessa 1.Tehkää pilotti omalla datalla varmistamaan että tulette löytämään uutta tietämystä. 2.Koekäyttäkää itsenäisesti jolla varmistatte optimaaliset käyttöprosessinne (huomaatte todennäköisesti että teidän on syytä muuttaa datan keräystänne) 3.Mahdollinen integrointi omiin järjestelmiinne.

17 © Bayes Information Technology Oy 2001 Liiketomintanäkökulmia  Hyötyjä  Tehokkaampi tapa kuin perinteelliset pylväät ja käyrät.  Eliminoi raportin tekokustannukset.  Parantaa budjettikontrollia – maksat vain käytöstä  IT:tä toimittajana tai koordinattorina ei tarvita.  Varsinkin jos organisaatio on jo tiedostanut:  että tieto on tärkein pääoma.  segmentoinnin arvon.  että kaikkia asiakkaita ei kannata palvella tasapuolisesti.

18 © Bayes Information Technology Oy 2001 Analyysivarmuus  HIIT (Helsinki Institute for Information Technology) tutkijaryhmä yksi johtavista maailmassa.  BayesIT:llä on markkinoiden paras teknologia käytössään.  2 sija ”COIL competition 2000”. •> 40 osanottajaa, 3 ensimmäistä Bayes-verkkoja.  2 sija ”KDD Cup 2001”. •> 140 osanottajaa, 2 ensimmäistä Bayes-verkkoja.

19 © Bayes Information Technology Oy 2001 Englantilainen amatöörimatemaatikko Thomas Bayes julkaisi tutkielmansa 1700 luvun keskivaiheilla. Kyseessä on todennäköisyyslaskentaan perustuva yleinen lähestymistapa monimutkaisissa järjestelmissä esiintyvän epätäsmällisen informaation hallitsemiseksi. 1990-luvun alussa Helsingin Yliopiston tietojenkäsittelytieteen laitoksen tutkijaryhmä alkoi Tekesin tukemana kehittää Bayes-verkkoihin perustuvia menetelmiä. Ryhmä on nyt eräs maailman johtavista alalla. Tekes tukee edelleen BayMiner kehitystä. Bayes-teknologia on kaksisataa vuotta vanha

20 © Bayes Information Technology Oy 2001  Helsinkiläinen ohjelmistotalo.  Perustettu 1998, 11 omistajaa.  Bayes-verkko perustaiset tuotteet ja niihin liittyvät palvelut.  Kumppani HIIT (Helsinki Institute for Information Technology) CoSCo* tutkimusryhmä.  6 henkilöä. www.bayesit.com www.bayminer.com *Complex Systems Computation group Bayes Information Technology Oy