Tilastollinen malli päihitti testissämme ihmisen - näin luot tarkempia ennusteita päätöksenteon tueksi .

Etenkin epävarmoina aikoina myynnin ja talouden ennustaminen nousee arvoon arvaamattomaan. Tilastollisen ennustamisen avulla voidaan helposti ja ketterästi parantaa ennustetarkkuutta sekä päivittää ennusteita tiheämmin, esimerkiksi viikoittain. Automatisoidun talousennusteen rakentamiseen tilastollista mallia hyödyntämällä ei nykypäivänä tarvita kymmentä koodaria, isoa projektia tai suurta budjettia. Alkuun pääsee pienelläkin budjetilla, muutamassa päivässä.

Talouden ennusteiden tuottamisessa on perinteisesti turvauduttu yksinkertaiseen historiaan sekä kokemukseen perustuvaan, usein pitkälti manuaaliseen malliin, jossa historiadataa ei ole hyödynnetty tilastollisilla keinoilla. Tilastollisten mallien rakentaminen on ehkä koettu hitaaksi ja raskaaksi. Moderneissa järjestelmissä data voidaan ajaa sisään valmiiseen malliin, ja malli tarjoaa valmiin tilastollisen ennusteen. Yrityksen omilta talousammattilaisilta löytyy useimmiten osaamista ja ymmärrystä datan laatuun. Asiantuntijoita puolestaan on järkevää hyödyntää esimerkiksi eri kertoimien testauksessa sekä muissa ennustetta muokkaavissa toiminnoissa.

Lue lisää: Power BI -työkalu auttaa Carlsonia hyödyntämään dataa monipuolisesti ja vaivattomasti

Koska tilastollinen malli syntyy helposti ja kustannustehokkaasti, kannattaa alkuun lähteä vaikkapa toteuttamalla PoC (Proof of Concept) yhdelle liiketoimintayksikölle. Tilastollinen malli tulisi kuitenkin erottaa aidosta oppivasta mallista. Arkipuheessa monet asiat sekoittuvat AI-termin alle, vaikka kyseessä on itse asiassa monta eri asiaa. Siinä, missä tilastollinen malli pohjautuu pelkkään tilastofunktioon, ja oppivaa mallia opetetaan sekä sille syötetään jatkuvasti uutta dataa, eroja löytyy myös hintalapusta – tilastollisen mallin kustannukset voivat olla vain joitakin tuhansia euroja, kun taas oppiva malli voi maksaa moninkertaisesti enemmän.

Tilastollinen malli mahdollistaa helpon startin ja kevyet kokeilut

Tilastollinen malli perustuu aina historiadataan: mitä pidempi ajanjakso dataa on saatavilla, sitä parempi ennuste asiasta todennäköisesti saadaan. Tällöin ennusteen laatua voidaan parantaa erilaisilla kertoimilla, joilla esimerkiksi tasoitetaan kausipiikkejä, korjataan poikkeuksellisia arvoja tai jopa pudotetaan jokin poikkeusajanjakso datasta kokonaan pois. Esimerkiksi koronan vaikutukset monen yrityksen liiketoimintaan ovat olleet niin normaalista poikkeavat, että ennusteita halutaan mahdollisesti korjata ja parantaa. Keinoja on monia, mutta malli ja funktio tuottavat ennusteen aina menneeseen perustuen.

Oppiva malli sen sijaan kehittyy eli oppii. Tämä luonnollisesti vaatii dataa, jolla mallia opetetaan. Mitä enemmän dataa ja erilaisia tapahtumia saadaan opetusmalliin sisään, sitä tarkemmaksi ennuste muodostuu. Oppiva malli sisältää tyypillisesti dataa ulkopuolisista tekijöistä, jotka vaikuttavat ennustettavaan asiaan. Esimerkiksi myyntiennusteissa tämä data voi liittyä vaikkapa kuluttajien luottamusindeksiin, BKT:n kehitykseen, säähän tai korkotasoon – melkeinpä mihin hyvänsä, millä odotetaan olevan vaikutusta asiaan. Tilastollinen malli sen sijaan perustuu vain esimerkiksi myytyihin volyymeihin edellisten vuosien osalta.

Oppivassa mallissa voidaan toki huomioida laajemmin erilaisia muuttujia. Tilastollinen malli tarjoaa kuitenkin helpon, kustannustehokkaan ja nopean tavan kokeilla, millaisia tuloksia sillä syntyy. Jos niihin ei olla tyytyväisiä, voidaan kevyen kokeilun jälkeen miettiä, voisiko oppiva malli tarjota soveltuvampia tai tarkempia ennusteita.

Kokeilu toi erinomaisia tuloksia – ennustetarkkuus parani ja aikaa säästyi

Teimme Enfolla pitkäaikaisen asiakkaamme kanssa kokeilun, jossa tuotimme myynnin talousennusteen tilastolliseen malliin perustuen. Käytimme tässä Anaplan-suunnittelujärjestelmän valmista tilastollista mallia, johon ajoimme sisään parin yksikön osalta muutaman vuoden myyntidatan kaikille tuotteille. Kävimme asiakkaan kanssa läpi muun muassa datan korjauksia ja kertoimia, mutta muuten luotimme mallin suosituksiin sopivimmista funktioista kullekin tuotteelle. Joukossa oli hyvin erilaisia tuotteita: osa kasvavaa liiketoimintaa ja osa sen sijaan hiipuvaa toimintaa.

Lataa webinaaritallenne: Ota CRM-datastasi kaikki hyödyt irti modernilla planning-työkalulla

Testasimme ennustetarkkuutta tuottamalla ennusteet vuodelle 2019, minkä jälkeen vertasimme tuloksia toteumaan ja kyseisenä ajankohtana tehtyihin ennusteisiin. Tulokset olivat erinomaiset: suurimmassa osassa tuotteita tilastollinen malli antoi tarkemman ennusteen siihen nähden, mitä ihmisen tekemä ennuste oli kyseiselle ennustejaksolle ollut. Ennustetarkkuuden paranemisen lisäksi automatisoitu ennuste säästää tietysti myös aikaa ja resursseja. Joukkoon mahtui kokeilussamme toki tilanteita, joissa tilastollinen malli ei toiminut, mutta kuten aina, poikkeus vahvisti säännön.

Tämän kokeilun toteuttamiseen tarvittiin muutaman päivän verran konsulttityöaikaa sekä saman verran asiakkaan itsensä toteuttamaa analysointiaikaa. Näiden päivien aikana todettiin mallin toimivuus ja luotiin datan siirtoprosessi varsinaisen talousennusteen pohjaksi. Todella maltillinen työmäärä tuotti siis loistavia tuloksia, eli pieni investointi voi tuoda suuret edut.

Näinä aikoina ennustetarkkuuden paraneminen ja työajan säästyminen ovat varmasti tavoiteltavia asioita monessa yrityksessä. Suosittelenkin lämpimästi kokeilemaan, mihin kaikkeen tilastollinen ennustaminen soveltuu.

Kiinnostuitko tilastollisen mallin hyödyntämisestä? Haluatko kokeilla ketterästi ja kustannustehokkaasti, mitä hyötyjä tilastollinen malli voisi organisaatiollesi tuoda? Lue lisää palveluistamme tai jätä meille yhteydenottopyyntö!

Satu Pitkänen on toiminut lähes 20 vuotta erilaisten suunnittelutyökalujen ja -prosessien parissa sekä toimittajan että asiakkaan puolella. Hän vastaa Enfolla näiden järjestelmien konsultointipalveluista.

Artikkeli on julkaistu ensimmäisen kerran Kauppalehdessä 27.8.2020.