Analytiikan ja teollisen internetin neljä teesiä

Elämme eksponentiaalisen muutoksen aikaa, jossa keskeisenä ajurina on tietotekniikan ja analytiikan kehittymisen yhteisvaikutus. Kokemus ja tutkimukset osoittavat, että edistynyttä analytiikkaa hyödyntävät yritykset myös näkevät sen potentiaalin suurempana kuin muut. Oppi luo siis ymmärrystä. Edellisessä kirjoituksessani käsittelin teollisen internetin viittä peruspilaria, joista ensimmäinen on edistynyt analytiikkaa. Seuraavat neljä väitettä ovat mielestäni keskeisimmät teollisesta internetistä ja analytiikan mahdollisuuksista keskusteltaessa.

Analytiikkaosaaminen on modernin yrityksen perusosaamista. Valitettavasti tästä osaamisesta on kuitenkin puutetta. Tiedän, että työvoimapulan ennustaminen on riskialtista, mutta sekin seikka on otettava huomioon. Uskon kuitenkin, että nuoret ja matemaattisesti lahjakkaat ihmiset tuntevat vetoa analytiikkaa kohtaan, joten suurta huolta ei ole. Lisäksi käytössä on partnereita ja pilvipalveluita, eikä työkalujen ja menetelmien opettelu ole aikaa vievää. Kysymykseksi jää, miten menetellään kypsässä iässä olevien johtoryhmäläisten kanssa?

Analytiikka ei johda mihinkään ilman toiminnallisia kyvykkyyksiä. Oletetaan, että meillä on prediktiivinen malli, joka ennustaa, että tietty asiakas lähtee kolmen kuukauden kuluessa, mikäli jotain ei tehdä. Oletus ei ole kovin kaukaa haettu. Tällaisia mallejahan on jo paljon käytössä. Nyt pitäisi vain selvittää, mitä se ”jotain” on, ja panna toimeksi. Jos palvelu ei ole pelannut, laitetaan se pelaamaan. Jos tavara ei ole tullut, toimitetaan se. Näinkö yksinkertaista se on? No ei, vaan tarvitaan melko pitkä toimintojen ketju ja kunnon prosessit siihen, että toiminta korjaantuu asiakasta tyydyttävällä tavalla.

Teollisuudessa ensimmäisiä Internet of Things -aihioita on ennakoiva huoltotoiminta. Kun aikaisemmin huolto on ollut ennaltaehkäisevää, niin nyt siitä tulee ennakoivaa. Tämän palvelun lisäarvo on täysin selkeä. Ennakoiva huolto ehkäisee käyttökatkoksia, mutta ei tuhlaa resursseja varmuuden vuoksi tehtäviin laitevaihtoihin tai korjauksiin. Ennakoiva huolto edellyttää kykyä mallintaa hoidettava prosessi. Oppiva algoritmi tarvitaan, jotta malli löytää itse muuttujien väliset korrelaatiot. Tämä on selvää ja tehtävissä. Haaste on saada omat prosessit toimimaan näiden mallien edellyttämällä tavalla myös tosielämän operaatioissa. Erinomaisena esimerkkinä toimii Outokumpu, jonka huoltoprosessit toimivat ennakoivasti. Tämän ansiosta koneiden käyttöastetta ja suorituskykyä voidaan nostaa huomattavasti.

Analytiikan soveltamisessakin hitaat syödään. MIT Sloan ja IBM tekivät yhteisen tutkimuksen, jossa selvitettiin, miten yritykset ovat ottaneet analytiikan käyttöön ja hyötyneet siitä. Neljä keskeisintä havaintoa olivat:

• Enemmistöllä big dataan investoineista yrityksistä takaisinmaksuaika on alle vuoden.
• Asiakasanalytiikka dominoi vielä, mutta organisaatiot ovat yhä enemmän suuntaamassa huomionsa operatiivisen tehokkuuden haasteisiin.
• Digitaalisten kyvykkyyksien yhdistäminen liiketoimintaprosesseihin uudistaa organisaatioita transformatiivisella tavalla.
• Big datan hyödyntämisessä aletaan painottaa tietomäärän sijaan käsittelyn nopeutta ja reaaliaikaista analyysia.

Kuilu nopeiden soveltajien ja empijöiden välillä on kasvamassa. Ne, jotka ovat paneutuneet asiaan ja kehittäneet kyvykkyyksiään, saavat liiketoimintahyötyjä ja osaavat suunnata jatkokehitystään paremmin. Sillä aikaa toiset vielä miettivät tai harrastavat irrallisia kokeiluja ilman selkeää suunnitelmaa. Varmaa on kuitenkin se, että syödyksi ei ole kiva tulla.

Mikäli pohdit, miten tarttua teollisen internetin mahdollisuuksiin konkreettisesti, tule kuulemaan lisää aiheesta seminaariimme 8. maaliskuuta.

Kirjoittaja:

Ari Kannisto

Johtava liikkeenjohdon konsultti, IBM Global Business Services