BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Käyttäjäpäivät 17.02.2005.

Esitys aiheesta: "BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Käyttäjäpäivät 17.02.2005."— Esityksen transkriptio:

1 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Käyttäjäpäivät 17.02.2005

2 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Käyttäjäpäivät 17.02.2005  13.10 Avaus.  13.15 Probabilististen mallien eduista, Petri Myllymäki, prof. CoSCo/HIIT.  13.45 Käyttökokemuksia, Vesa Pirinen, kehityspäällikkö, YIT.  14.15 Keskustelua ja tauko.  14.35 BayMiner-käyttöesimerkkejä, Antti Tuominen, projektipäällikkö, BayesIT.  15.00 Analyysejä ja raportointia, Ralf Ekholm, toimitusjohtaja, BayesIT.  15.45 Loppukeskustelu.

3 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Ainutlaatuinen osaaminen  BayMineri perustuu maailman johtavien Bayes-verkkoasiantuntijoiden pitkäaikaiseen tutkimustyöhön (CoSCo)  Menetelmä patentoitu:  US pat appl. no 0/1019477  European pat.appl. no 00944080.1  Bayes-verkot: Multinet™  Visualisointi: B-Vis™

4 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 1 Osa: Analyysit.  Ydintoimintojen analyysit.  Projektien riskianalyysit.  Asiakaspalautteen analyysit.  Laatuanalyysit  Myyntianalyysit  Esimerkki muista analyyseistä.  Työturvallisuus.  Kiinteistöjen analyyseistä lyhyesti

5 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 2 Osa: Raportit  Perinteiset menetelmät.  Tilastotieteelliset menetelmät, ristiintaulukointi ym.  Taulukkolaskenta, esim. mitä jos–laskenta ja graafit niistä.  Uudet, älykkäät datankäsittelymenetelmät.  Neuroverkot, geneettiset algoritmit, sumea logiikka.  Lopuksi käytännön asioita, mm.:  Datan keräys ja esikäsittely.

6 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 BayMiner-prosessi Laskee Bayes- verkon & 3D- kuvan Datan keräys ja valmistelu EXCEL, DB, MS Access ja vastaavat Siirtotiedosto Tietämyksen esitys & käyttöliittymä Tulosten visualisointi: 3-D pistepilvet ja jakaumat BayMiner Vastaukset Kysymysten ohjaus Interaktiivinen Tulos netissä BayesIT Asiakas BayMiner

7 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Riskianalyysit – miksi ne ovat niin hankalia? 1.Riskit eivät ilmene yhdessä tai muutamassa tiedossa (muuttujan arvoissa) vaan ovat upotettuina moneen eri tekijään. 2.Ongelmat syntyvät yleensä seurauksena useasta yhteen- sattumasta. 3.Potentiaalisia riskitekijöitä on erittäin paljon – kaikista ei pysty keräämään tietoja etukäteen eikä niitä voi analysoida erikseen. 4.Tilanne muuttuu jatkuvasti, joten uudet tiedot pitää saada käyttöön nopeasti, vaikka ovatkin alussa puutteellisia. 5.Aina puuttuu paljon oleellista tietoa.

8 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Nämä voisivat olla teidän hankkeita! Kuva näyttää minkälaista tietämystä tietokannoissa piilee lukujen takana. Jokainen piste kuvaa hankketta. Pisteet sijoittuvat kolmeen ryhmään. Värisiirtymä kuvaa hankkeiden hyvyyttä. Kuva on luotu kokonaisvaltaisen vertailulaskennan avulla. Kaikki muuttujat vaikuttavat samanaikaisesti ja muuttujien keskinäinen paino on tunnistettu laskemalla se datasta.

9 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Riskin ennustaminen BayMineriä käyttäen 1.Kerää taulukkoon oleellisimmat tiedot toteutuneista hankkeista. 2.Lähetä se BayesIT:n palvelimelle laskettavaksi. 3.Saat tuloksena pistepilvikuvan hankkeista ryhmiteltynä sen mukaan, miten ovat menestyneet. 4.Syötä käytettävissä oleva tieto uudesta hankkeesta. 5.Näet, miten se sijoittuu suhteessa toteutuneisiin hankkeisiin. 6.Jos uusi hanke sijoittuu huonosti menestyneiden joukkoon, on hyvin todennäköistä, että uusikaan ei menesty.

10 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Asiakaspalauteanalyysit - miksi ne ovat niin hankalia?  Vaikeuksia kysymysten kanssa.  Lähes aina käytetään liikaa kysymyksiä.  Lähes aina kysymykset ovat liian tuote-orientoituneita.  Vastaajat ovat ymmärtäneet kysymykset eri tavoin.  Tulokset eivät ole sellaisia, joita odottaa:  Tulokset ovat ”tasapaksuja”.  Uutta informaatiota on vaikeita löytää.  Suuret ongelmat ovat jo tiedossa.

11 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Asiakaspalautteen analyysi BayMineriä käyttäen  Kaikki tärkeimmät liiketoimintanäkökulmat mukaan malliin, jotta tulosta voi tarkastella ”eri suunnista”.  Testatkaa kaavakkeet todellisessa koetilanteessa.Tulosten ”käyttäjä” (johtaja) pitää itse testaa, ei joku hänen edustaja.  Arvioijan rooli mukaan muuttujaksi sillä organisaatiossa on aina sisäisiä intressiristiriitoja.  Riittävästi myös huonoja palautteita.  Oire huonosta kaavakkeesta: Jos moneen peräkkäiseen kysymyksiin tulee sama arvo on todennäköistä että: Vastaaja ei ole ymmärtänyt kysymysten eroja. Kysymyksiä on ollut niin paljon että hän on kyllästynyt vastaamaan.

12 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Laatuanalyysit  Riittävän ”laaja” kuva eli muuttujat useasta funktiosta: tuotanto, logistiikka, talous ja myynti samaan taulukkoon.  Spesifikaatioiden epäselvyys myyntivaiheessa on usein huonon laadun aiheuttava juurisyy.  Tämä johtaa hallitsemattomaan muutoskierteeseen josta seuraa virheitä jotka ilmenevät ”huonona laatuna”.  Prosessirajapinnasta ”kuva” kummastakin suunnasta.  Vastaukset samoihin kysymyksiin.

13 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Myyntianalyysit  Riittävän ”laaja” kuva eli muuttujat useasta funktiosta: logistiikka, kannattavuus, alueellinen organisaatio, asiakaspalaute.  Alue- ym. tiedot mukaan jotta voitte kohdistaa kehityspanos oikein.  Oikean hinnan löytäminen.  Mallin avulla organisaation on helpompi muuttaa hintoja.  Menetettyjen kauppojen datankeräys pitäisi olla organisoitua joka tapauksessa.

14 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Turvallisuusanalyysit  Uusi onnettomuusluokitus (ESAW) tuottaa paremmanlaatuista dataa.  Alue-, alihankkija, vierastyövoima ym. tiedot mukaan vaikka ne ovat puutteellisia.  Ensimmäinen versio työturvallisuusmallista esitettiin 4.6.2004 RATUKE hankeen seminaarissa.  Jatkohanke käynnissä, Rakennusteollisuus RT vetää hanketta.  Seuraavan version tulokset esitetään kesällä 2005 RATUKE seminaarissa.

15 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Kiinteistöanalyyseistä  Property management.  Elinkaarikustannusmalli.  Korjausvelkamalli  Energiasäästön seurantamalli.  Facility management.  Käyttökustannusmalli  Palvelutuottajien valinta ja seuranta.  Portfolio/Asset management.  Salkkuanalyysi.

16 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Kiinteistöanalyysejä vaivaa datan puute  Dataa puuttuu nimenomaan kiinteistön käytöstä.  Korjausvelkamalli. Talous- tai tekniset trendi-mallit korvataan yhteisellä teknis-taloudellisilla mallilla.  Energiasäästön toteutuksen seurantamalli. EU direktiivi johtaa koviin haasteisiin, vielä ei tiedosteta mitä kaikkea siitä seuraa.  Facility management.  Käyttökustannusmalli – indeksit eivät kerro riittävästi koska kiinteistötyyppi ja käyttö eivät muodosta selkeitä luokkia.  Palvelutuottajien valinta ja seuranta –> moniulotteinen hankintaongelma.

17 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Raportoinnista  Raportoinnin pitäisi olla:  Liikkeenjohdon tiedontarpeita palveleva ja päätöksentekoa tukeva toimintamalli.  Nykyinen raportointiprosessi ei sitä ole.

18 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Perinteiset raporttien tuottamismenetelmät  Tilastomatemaattiset välineet vaativat ammattilaisen käyttöä monimutkaisuudesta johtuen.  Ns. ristiintaulukointi ei paljasta moniulotteisten ongelmien syitä.  Monimuuttuja-analyysivälineet tuottavat usein vain muutama-muuttuja-analyysejä.  Usein on liian vähän dataa käytettävissä luotettavan tuloksen saavuttamiseksi.  Taulukkolaskenta ei usein kelpaa hyödyllisen raportin tuottamisvälineeksi koska:  Dataa puuttuu aina.  Analyysivälineenä erittäin hidas.  Käyttö on prosessina virhealtis (jos potenssi 2 unohtuu.....)  Vaikea nähdä ”mitä taulukko sisältää”

19 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Ongelmia raportoinnissa – ja miten BayMiner auttaa 1.Datan puute ja sen heikko laatu. BayMinerillä saa esille riippuvuuksia vaikka dataa ei ole paljon tai se on heikkolaatuista BayMinerin ainutlaatuisen laskenta-algoritmin ansiosta. 2.Jos yhdistäminen käy, mutta tiedetään, että tuloksiin ei voida luottaa, BayMiner auttaa tunnistamalla ja visualisoimalla poikkeamia. 3.BayMinerin avulla käyttäjä näkee muuttujien yhteisesiintymiset nopeasti.

20 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005  Datan keräykseen kannattaa panostetaa.  Erityisesti hajautettuja organisaatioita kuten rakennusalaa koskevaa:  Palautteen lisäksi kannattaa kerätä organisaation sisältä arvioita, vaikka se aiheuttaa vastarintaa! Samalla sitoutuminen paranee, käsitteistö selkeytyy ja muutosvastarinta heikkenee.  Jos yritys itse kehittää keräystä varten kaavakkeita, ne pitää testata käytännössä analysoimalla tuloksia, sillä ensimmäiset versiot ovat yleensä hyvin puutteellisia! Tärkeimmät opit

21 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Tärkeimmät opit jatkuu  Valmiiksi suunniteltuja raportteja ei pidä käyttää ongelmien ratkomiseen – raportit on tarkoitettu rutiinianalyysejä varten.  Johto ei ehdi käsitellä mapeittain käyriä ja taulukoita.  Ongelmia ratkaistaessa pitää löytää syy-seuraussuhteet, ja siihen tarvitaan analyysin lisäksi syvällistä ajatustyötä.  Siksi ongelman omistaja pitäisi itse analysoida dynaamisia malleja liiketoiminnastaan, eikä lukea staattisia raportteja siitä.

22 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Datan keräyksestä

23 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Vinkkejä datan keräyksestä  Käytä useita pieniä nettikaavakkeita.  Kerää data pala palalta ja yhdistä ne.  Markkinoilla on useita hyviä ratkaisuja joilla voi itse tehdä kaavakkeen ja hoitaa keräyksen.  Lisädatan keräys kannattaa organisoida ensin erillisenä hankkeena IT-järjestelmän ulkopuolella. Näin säästyy paljon kiinteitä kustannuksia.  Prosessien keskeisten funktioiden ”omistajat” pitäisivät vastata kysymyksiin.  Jos ostat dataa selvitä ensin että se on liitettävissä teidän omaan dataan.

24 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Vinkkejä datan keräyksestä jatkuu  Loppuasiakkaan palaute ainakin kolmelta edustajalta:  Päättäjä, ostaja ja käyttäjä.  Näillä on kaikilla oma intressinsä joka on ristiriidassa toisten kanssa.  Kannattaa kehittää datankeräys evoluutioperiaatetta käyttäen:  Kerätä vähän dataa ja testata analyysi.  Muuttaa tarvittaessa.  Kerätä lisää dataa jne.  Opitte välttämään manuaalisia työvaiheita - säästyy kustannuksia.  Opitte yhdistämään dataa.

25 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Esimerkkejä hyvistä muuttujista  Tiedot muutoksista, esim.:  Arvio yleisessä muodossa, projektijohtajan toimesta, esim.: erittäin paljon, paljon, normaali, vähän, erittäin vähän.  Raportointijaksoittain materiaalikulutus, työtunnit jne.  Malli oppii näin riippuvuudet muutosten ja kustannusten välillä.  Työjohtajan kilometrikorvaukset  Kohonneet luvut kuvaavat usein sitä että pikkumateriaalin logistiikka ei toimi (hän joutuu metsästämään tavaraa)

26 BayMiner käyttäjäpäivä 17.02.2005© Bayes Information Technology Oy 2005 Seuraava asiakastapaaminen  Pidetään torstaina 19.5.2005  Tässä samassa paikassa ja samaan aikaan.  Paino riskinhallinnassa.  Julkaisemme BayMiner sovelluksen projektin riskinhallintaa varten.  Kolleganne ovat tervetulleita!