Blog Archives

Johtamisen tekoälyllä kilpailuetua

Seuraavassa avaan lyhyesti tekoälyn toimintaperiaatteita ja selitän, miksi johtamisen tekoäly luo merkittävän kilpailuedun.

Tekoälyn soveltaminen johtamisessa mahdollistaa viisaampien päätöksien tekemisen ja ennakoivan johtamisen. Kyse ei ole pelkästään ongelmien välttämisestä, vaan ennen kaikkea ihmisten voimavarojen paremmasta hyödyntämisestä työntekijöiden ja organisaation parhaaksi.

Tekoäly (artificial intelligence) voidaan jakaa kahteen yläluokkaan ja kolmeen osa-alueeseen. Tekoälyn kaksi yläluokkaa ovat data- ja malliohjattu tekoäly. Dataohjatussa tekoälyssä käytetään algoritmeja datan syy-seurausvaikutusten tulkintaan sekä ennustamiseen. Malliohjatussa tekoälyssä tavoitteena on kontekstin syvällisen ymmärryksen (mallin) avulla muuttaa käyttäytymistä, jotta voidaan saavuttaa parempi tulevaisuus. Malliohjattu tekoäly perustuu vahvistetun oppimisen algoritmeihin (reinforcement learning). Dataohjatussa tekoälyssä käytetään ei-ohjattua (unsupervised) ja ohjattua oppimista (supervised learning).

Tekoalyn_periaate

Ei-ohjattu oppiminen (unsupervised learning) hyödyntää luokittelematonta dataa. Algoritmien avulla voidaan tunnistaa datassa olevia asioita ja indikaatioita, jotka liittyvät johonkin ilmiöön. Datasta voidaan selvittää, mitkä tapahtumat liittyvät todennäköisesti esimerkiksi sairauspoissaolojen kasvuun, työkyvyttömyyteen tai ei-toivottuun irtisanoutumiseen. Sen avulla saadaan suosituksia; esimerkiksi urakehityksessä tiettyyn koulutukseen hakeutuneille suositellaan jatkokursseja, jotka on koettu hyödyksi. On selvää, että organisaatiokontekstin ymmärrys on tärkeää, sillä ei-ohjattu oppiminen ei itsessään ymmärrä asiayhteyksiä ja syy-seuraussuhteiden kausaalisuutta.

Ohjattu oppiminen (supervised learning) on datan hyödyntämistä tapauksissa, joissa tieto on luokiteltua ja lopputulos tiedetään. Analysoinnissa käytetään regressiotarkasteluja, jotka ovat monelle tuttuja mm. Excelin kautta. Ohjattu oppiminen hakee datapisteitä noudattavan funktion, jonka avulla voidaan ennustaa tulevaa kehitystä. Esimerkiksi työelämän laadun (QWL) ja sairauspoissaolojen välillä on havaittu yhteys: työelämän laadun huonontuessa sairauspoissaolot lisääntyvät. Voidaan siis hakea funktio, joka mallintaa työelämän laadun yhteyttä sairauspoissaoloihin ja siten ennustaa sairauspoissaolojen kehitystä mittaamalla työelämän laatua.

Vahvistettu oppiminen (Reinforcement learning) opastaa käyttäytymään siten, että lopputulos on parempi. Se siis vahvistaa käyttäytymistä, jonka avulla saadaan optimaalinen lopputulos pitkällä aikavälillä. Vahvistettu oppiminen vaatii luotettavan mallin, joka simuloi organisaation toimintaa ja johtamisen vaikutusta siihen. Mallia voidaan ”pyörittää” eteenpäin, jolloin nähdään, miten johtamiskäyttäytyminen vaatii tiettyjä uhrauksia (aikaa ja kuluja), mutta järkevästi toteutettu johtaminen tuo tulosta myöhemmin ja tämä tulos maksaa moninkertaisesti takaisin (vrt. ROI eli return on investment). Vahvistetun oppisen tekoäly siis mallintaa kontekstin ROI vaihtoehtoja, vahvistaen sellaista käyttäytymistä (strategiaa), joka johtaa maksimaaliseen takaisinmaksuun eli tuottoon pitemmällä aikavälillä.

Kaikki tekoälyn osa-alueet voidaan valjastaa johtamisen avuksi esimerkiksi seuraavasti: ei-ohjattu tekoäly seuraa datavirtaa ja indikoi, että jossain ryhmässä on henkilöstön suorituskyky heikentynyt. Pulssityyppinen henkilöstökysely käynnistyy tällöin automaattisesti ja mittaa työntekijöiden kokeman työelämän laadun. Tiedot menevät tekoälyavusteiseen simulaatioon, jossa esimies voi tekoälyltä kysyä, mitä johtamisaktiviteetteja kannattaa toteuttaa, jotta saadaan paras takaisinmaksu ROI tuottona. Ennakoiva johtaminen parantaa työyhteisön työelämän laatua, jolloin tuottavuus paranee ja uhkaavat sairauspoissaolot vältetään.

Mitä tämä tarkoittaa yrityksen kilpailukyvyssä? Yksi tuottavuuden suurimpia haasteita on esimiestoiminnan huono laatu ja suuri hajonta. Vain erittäin harva organisaatio on kyennyt ratkaisemaan tämän ongelman. Yritys, joka käyttää tekoälyä johtamisen apuna, kykenee nostamaan esimiestoiminnan laatua merkittävästi. Työelämän laadun parantuminen tuotantotekijänä nostaa tehollista työaikaa kuormittamatta työntekijöitä. Yrityksen tehollisen työtunnin kustannus voi näin olla yli 20% alhaisempi kuin kilpailijalla, vaikka yritys maksaa henkilöstölleen parempaa palkkaa (vrt. Time-Driven-Activity-Based-Cost, BSC, Kaplan). Lisäksi tyytyväisemmät asiakkaat tuovat kilpailuetua, sillä henkilöstön kokema työelämän laatu parantaa asiakaskokemusta.

Rohkaisen johtajia käynnistämään tekoälyn “evoluution” omassa organisaatiossa. Dataa pitää kerätä ja ymmärtää aiempaa paremmin. Ihan ensimmäiseksi tekoälyn hyödyntäminen vaatii tiedolla-johtamisen tason nostoa ja seuraavaksi rohkeutta lähteä kokeilemaan ja oppimaan.  

Lisätietoa marko.kesti(at)ulapland.fi

Digital Twin for Performance Management – Bayesian People Analytics Simulation with AI

Digital twins are emerging new technology that enables companies to solve problems faster and improve operational efficiency. Think about performance effect when every supervisor has world’s best leader as a personal advisor.

Digital twin is a near-real-time digital model of reality that helps optimize business performance. We have created AI powered digital twin that simulates business unit’s performance. It will provide help with human asset management and improving business performance. There are sophisticated algorithmic analyzing techniques that simulate human capital productivity. Digital twin can be in connection with organization ERP-system, collecting various data. We have scientifically approved the algorithms and rules, so it is not an AI-black-box.

Over time, digital representations of virtually every aspect of our world will be connected dynamically with their real-world counterparts and with one another and infused with AI-based capabilities to enable advanced simulation, operation and analysis” David Cearley, Gartner Research.

Digital twin is continuously evolving digital model of organization system that helps optimizing business performance. It simulates human performance and includes real-life data that improves prediction accuracy. Digital twin models complicated human assets that interact in many ways with organization environment, thus making the outcomes that are difficult to predict by human mind. With the digital twin, the manager can learn by simulating the problems and actions outcomes.

Twin provides near-real-time comprehensive link between physical and digital worlds. Digital twin is a virtual replica of what is actually happening in the organization performance. It knows how the organization performance-system works. There is artificial intelligence assistant that you can ask advice. This AI-assistant will simulate the future using Bellman function and suggest the leadership activities that produce sustainable business value. Digital twin simulates specific complex human assets utilization in order to monitor and evaluate human capital productivity. Simulation may uncover insight into operational inefficiencies, that otherwise would remain unseen.

How does the performance digital twin create measurable business value? With better human assets management there are multitude positive effects on organization performance:

  • Improve employee quality of working life as a production parameter
  • Enhance change management process undependable of the change in hand
  • Reduce sickness leave
  • Reduce employee turnover
  • Increase effective working time to make more revenue and profit
  • Improves customer satisfaction
  • Predict work and staff related problems

Besides the business values mentioned above, there are strategic benefits, which create competitive advantages in longer period. We are looking for companies for testing and further developing the emerging new technology of digital twin.

References

Kesti M. (2019) Architecture of Management Game for Reinforced Deep Learning. In: Arai K., Kapoor S., Bhatia R. (eds) Intelligent Systems and Applications. IntelliSys 2018. Advances in Intelligent Systems and Computing, vol 868. Springer, Cham

Marr, Bernard (2017). What is digital twin technology – and why is it so important. Forbes Mar 6 2017, https://www.forbes.com/sites/bernardmarr/2017/03/06/what-is-digital-twin-technology-and-why-is-it-so-important/#6ea8eea92e2a

Panetta, Kasey (2017). Gartner Top 10 Strategic Technology Trends for 2018. Gartner October 3, 2017, https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2018/

Parrott, Aaron and Warshaw, Lane (2017). Industry 4.0 and the digital twin. Deloitte University Press. https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/cip/deloitte-cn-cip-industry-4-0-digital-twin-technology-en-171215.pdf