Andmeanalüütika ja AI kasutamine keskmise suurusega ettevõttes

Ettevõtted võib andmete kasutuse mõttes jagada kolmeks:

-          Väikeettevõtted kus andmete analüüsist ei saa suurt kasu lõigata ärimahu väiksuse tõttu. (alla 10 töötaja)

-          Keskmise suurusega ettevõtted, kus on üks (või kaks) põhilist infosüsteemi. (10-200 töötajat)

-          Suured ettevõtted, kus on mitmeid infosüsteeme, erinevaid teenuseid ja suurem komplekssus (200 või enam töötajat)

Käesolevas artiklis räägime keskmise suurusega ettevõtetest ja sellest kuidas ning milleks neis tasub andmeanalüütikat kasutada. Ka sellest, kus ja kuidas päriselt äriliselt AI-d kasutada nii, et sellest äriliselt kasu on.

Tavaliselt on keskmise suurusega ettevõttes üks põhiline infosüsteem, milles igapäevane äri käib. See võib Eesti ettevõtete puhul olla näiteks Directo, Odoo, mõni tööde juhtimise või laosüsteem või muu antud ettevõtte tegevusvaldkonna spetsiifiline süsteem.

Need põhiäri toetavad süsteemid on head põhiäri toetamisel, aga sellest tulenevalt on nende fookus operatiivsel tegevusel. Näiteks tööde, kauba sisestamisel, selle staatuse muutmisel ja müümisel. Nende süsteemide kasutajaliidesed ja andmemudel on optimeeritud sellele, et protsesside läbiviimine oleks optimaalne ning selles on need süsteemid head.

Samas ei ole põhisüsteemid enamasti optimeeritud analüüsi ja otsuste tegemiseks. Enamasti ei ole neil ka väga head integratsiooni väliste andmeallikate jaoks. Ka ei ole põhiinfosüsteemide raporteerimise vahendid ja graafika nii hea nagu on seda raportite töövahenditel (Olgu viimaseks siis näiteks PowerBI, Google Looker või Tableau). Sellest tulenevalt kui ettevõtte töötajal on vaja teha kas mõni operatiivotsus või pikem analüüs, siis tihti kasutatakse selleks käsitsi tehtud Excelit. Näiteks kui on vaja otsustada milliselt pakkujalt ja kui palju kaupa osta, siis võetakse põhiinfosüsteemist laoseis, küsitakse oma müügiosakonnalt, et palju nad arvavad, et müüki võiks tulla, vaadatakse ja võrreldakse hinnakirju ning tehakse otsus. Kui on vaja analüüsida, et millised kliendid on tähtsamad, millised aga kahjumlikud, siis võetakse põhilise IT süsteemi ühest vaatest klientidele tehtud müük, teisest vaatest müügihinnad, kolmandast vaatest proovitakse kokku viia müüdud kaup nende hankehinnaga ja saadakse enam-vähem hinnang. Selge on aga see, et see on nii suur töö, et seda ei tehta väga tihti ja nii võib mõni klient olla mitu kuud äriliselt problemaatiline ilma, et seda keegi avastaks.

Lisaks tähendavad eel toodud näited, et nii otsuste kui analüüsi tegemiseks peab neid tegev töötaja olema pika kogemusega ja tundma põhjalikult ettevõtte protsesse, ärikeskkonda, tarnijaid ja kliente. Uuele töötajale ei anta töövahendiks ühte töölauda, kus on punasega rida: „See kaup saab kohe laos otsa, vali kas tellid 10eur/tk hinnaga 100tk või 8eur/tk hinnaga 500tk“ vaid talle tuleb teha mitme päevane praktika kus näidatakse, et siit saad selle info, see teine asi on hästi kriitline jälgida, seda pead küsima müügiosakonnast ja tarnija X pakub küll odavalt, aga tarne jääb alati hiljaks.

Kuidas andmeanalüütika ja AI aitavad otsustamist ja analüüsi lihtsamaks teha.

Keskmise suurusega ettevõtte andme- ja analüütika lahendus näeb skemaatilisel tasemel välja enam-vähem selline:

Lahenduse arendamisel lähtutakse tavaliselt antud skeemi paremast poolest. Kõigepealt on mõistlik defineerida otsus või analüüs, mille teostamiseks juhtimistöölauda vajatakse. Näiteks võib see olla müügihinna määramine. Müügihind võib olla üks number hinnakirjas, aga maailm liigub järjest enam dünaamilise hinnastamise suunas. Sellisel juhul tuleb müügihinna määramisel arvestada näiteks: allahindlusprotsenti, laoseisu, teisi tellimusi, sisseostuhinda, müügi suurust, kliendi potentsiaali jpm. Kogu see info peaks müügi spetsialistile olema juhtimislaual mugavalt näha. Seega esimesena disainitaksegi juhtimistöölaud/raport, kus on võimalikult palju infot otsuse tegemiseks võimalikult mugaval graafilisel kujul.

Kui juhtimislaua disain ja seal näidatav andmestu on teada, siis arendatakse järgnevalt andmeplatvorm, andmete laadimis- ja töötlemisprotsessid, et töölauale õiged, vajalikud ja täpsed andmed saada.

Siinkohal on ka tänapäeval võimalik kasutada AI-d. Tihti on nii, et mingi otsuse tegemiseks ei piisa olemasolevatest andmetest vaid on vajalik ka prognoos või ennustamine. Näiteks kui peate lattu kaupa tellima ja müügi poole pealt on teada, et läbirääkimised on parajasti käimas 150 diili osas, siis võib see tähendada 150 edukat diili …. või ka 0 edukat diili. Kui küsida müügimeestelt endilt, siis saate reeglina väga optimistliku prognoosi. (Müügis töötamiseks peab olema optimist. 😊) Küll aga võib siin olla abi AI-st, kes võrdleb seda kuidas on ajalooliselt müük läinud, mis toimus eelmisel kuul, milline on konjunktuur ja teha prognoosi selle pealt. Prognoosi tulemus võib omakorda olla üks number või graafik juhtimistöölaual.

Lisaks on oluline ära märkida, et AI-d tasub kasutada nii, et ta töötab täpsete ja õigete andmete peal ning on konkreetse ülesande jaoks treenitud ja spetsialiseeritud. Nii saab võimalikult väikese kuluga maksimaalselt õige tulemuse. Samas jääb antud mudelis viimane otsustus inimesele ja risk, et AI-agent tellib näiteks kogemata lao täie kirjaklambreid puudub.

Kui näete, et ka teie töötajatele oleks otsustamisel ja analüüsil abi juhtimistöölauast või AI-st, siis võtke meiega ühendust. Meie selliseid lahendusi just teemegi.