Generatiivinen tekoäly osaa jo käsitellä aineistoja, kirjoittaa analyysikoodia, ehdottaa tilastollisia menetelmiä ja auttaa tulosten tulkinnassa. Tarvitaanko JMP:n, Sigma Magicin, Quantum XL:n tai Minitabin kaltaisia analyysiohjelmistoja siis enää tulevaisuudessa? Monissa tapauksissa kyllä.
Generatiivinen tekoäly muuttaa analyysityötä nopeasti, mutta luotettava analyysi edellyttää edelleen käyttökelpoista dataa, soveltuvaa menetelmää, prosessiymmärrystä ja tulosten kriittistä arviointia.
Itse asiassa mitä helpommaksi analyysien tekeminen muuttuu, sitä tärkeämmäksi nousevat kysymykset datan laadusta, mittaamisesta, vaikutusten todentamisesta ja päätöksenteosta.
Kuva 1. Ihminen määrittää analyysikysymyksen, tuo analyysiin prosessikontekstin ja vastaa johtopäätöksistä. Analyysiohjelmisto tarjoaa hallitun ympäristön laskennalle ja visualisoinnille. Tekoäly voi nopeuttaa aineiston käsittelyä, analyysien rakentamista ja tulosten tulkintaa.
Tekoälystä etsitään jälleen viisasten kiveä
Asiakkaiden kanssa keskustellessa törmään nykyään yhä useammin ajatukseen:
Eikö me voitaisi vain antaa generatiiviselle tekoälylle kaikki meidän data ja pyytää sitä analysoimaan se ja kertomaan, mistä meidän firman ongelmat johtuu ja kuinka ne korjataan?
Osa pohtii myös, tekeekö tekoäly jossain vaiheessa perinteiset tilastolliset ohjelmistot tarpeettomiksi. Ja todella moni on jo pidemmällä oletuksissaan siitä mitä kaikkea tekoälyllä voi tehdä. Moni tuntuu ajattelevan, että jos kerran generatiivinen tekoäly osaa käsitellä aineistoja, kirjoittaa analyysikoodia, ehdottaa menetelmiä ja selittää tuloksia, miksi sille ei voisi vain antaa dataa ja pyytää vastausta?
Tekoälystä etsitään helposti uutta viisasten kiveä: työkalua, joka ratkaisisi vaikeat ongelmat nopeasti ilman, että organisaation tarvitsee kyseenalaistaa omia toimintatapojaan, kerätä parempaa tietoa tai tehdä jotakin olennaisesti eri tavalla kuin ennen.
Ajatus on houkutteleva. Kukapa ei haluaisi ratkaista ongelmia nopeasti ja vähällä vaivalla?
Samanlainen ilmiö nähtiin Big Data -buumin yhteydessä reilu vuosikymmen sitten. Ajateltiin, että kunhan dataa kerätään riittävästi, siitä alkavat lähes itsestään löytyä oikeat vastaukset.
Datan määrä kyllä kasvoi, mutta samalla huomattiin, ettei suuri datamäärä automaattisesti tarkoita parempaa ymmärrystä. Jos data on huonolaatuista, väärin rajattua tai irrallaan tutkittavasta ilmiöstä, suurempi määrä dataa ei ratkaise ongelmaa. Se voi jopa vaikeuttaa olennaisen erottamista epäolennaisesta.
Generatiivisen tekoälyn kohdalla riski on samankaltainen. Nyt viisasten kivenä ei nähdä datan määrää vaan generatiivinen tekoäly tai siihen kytketty analyysiavustaja, jolle data voidaan antaa analysoitavaksi.
Käytännössä ongelma ei useinkaan ole se, ettei organisaatio osaisi analysoida dataa. Paljon useammin ongelma on, ettei mitata oikeita asioita, data on hajallaan tai mittausjärjestelmän luotettavuutta ei tunneta riittävän hyvin.
Ensin pitäisi arvioida datan laatu, tunnistaa aineistosta puuttuvat tekijät, ymmärtää prosessin todellinen toiminta ja erottaa pelkkä tilastollinen yhteys mahdollisesta syy-seuraussuhteesta.
Tekoäly voi auttaa kaikissa näissä vaiheissa. Se ei kuitenkaan tee niitä luotettavasti organisaation puolesta, jos tarvittavaa tietoa, osaamista ja prosessiymmärrystä ei tuoda mukaan analyysiin. Eikä tekoäly toteuta tarvittavia muutoksia käytännössä.
Koneoppiminen, neuroverkot ja muut ennustavan analytiikan menetelmät eivät sinänsä ole analyysiohjelmistoissa uusia asioita. Uutta on etenkin generatiivisen tekoälyn helppokäyttöisyys ja luonnolliseen kieleen perustuva käyttöliittymä. Generatiivista tekoälyä integroidaan jo analyysiohjelmistoihin, ja se tulee varmasti muuttamaan analyysityötä. Se ei kuitenkaan poista analyysiohjelmistojen, menetelmäosaamisen tai prosessiymmärryksen tarvetta.
Vakuuttava vastaus ei aina ole oikea vastaus
Generatiivinen tekoäly pystyy muodostamaan nopeasti uskottavan ja asiantuntevalta kuulostavan vastauksen. Se ei kuitenkaan takaa, että johtopäätös on oikea.
Jos aineistosta puuttuu olennainen muuttuja, kysymys on asetettu väärin tai analyysimenetelmä ei sovi tilanteeseen, tekoäly voi silti muodostaa hyvin perustellulta vaikuttavan johtopäätöksen.
Tilastollinen yhteys ei myöskään vielä tarkoita syy-seuraussuhdetta. Molempiin muuttujiin voi vaikuttaa jokin kolmas tekijä, jota datassa ei ole lainkaan.
Datasta voidaan löytää myös näennäiskorrelaatioita, joissa kaksi asiaa näyttävät olevan yhteydessä toisiinsa ilman todellista syy-seuraussuhdetta. Tyler Vigen on havainnollistanut ilmiötä kirjassaan Spurious Correlations kokoamalla esimerkkejä muuttujista, joiden väliltä löytyy erittäin vahva korrelaatio ilman mielekästä kausaalista yhteyttä. Judea Pearl puolestaan kuvaa kirjassaan The Book of Why, kuinka korrelaatioon perustuva tarkastelu ja syy-seuraussuhteiden ymmärtäminen ovat kaksi eri asiaa. Data voi kertoa, että kaksi ilmiötä esiintyvät yhdessä, mutta ei välttämättä miksi ne esiintyvät yhdessä tai aiheuttaako toinen toista.
Osa tällaisista yhteyksistä on ilmeisen absurdeja, mutta osa voi näyttää hyvinkin uskottavilta. Niiden tunnistaminen voi olla vaikeaa myös kokeneelle analyytikolle. Daniel Kahneman on kuvannut kirjassaan Ajattelu, nopeasti ja hitaasti, kuinka ihmiset muodostavat helposti uskottavia selityksiä rajallisen tiedon perusteella ja ovat usein ylivarmoja omista johtopäätöksistään.
Tekoälylle haaste on usein vielä suurempi, koska sillä ei lähtökohtaisesti ole prosessikontekstia eikä ymmärrystä siitä, mikä tutkittavassa järjestelmässä on aidosti mahdollista. Siksi pelkkä matemaattinen analyysi ei riitä. Tarvitaan myös prosessiymmärrystä, mekanismien tuntemista ja kykyä arvioida, onko havaittu yhteys aidosti mahdollinen.
Vaarana on, ettei mutuilu poistu. Se vain muuttuu aikaisempaa teknisemmän ja vakuuttavamman näköiseksi.
Tärkein kysymys ei ole mitä tekoäly osaa vaan mitä hyötyä siitä syntyy
Generatiivisen tekoälyn käyttöönotto etenee nopeasti. Samaan aikaan yrityksissä esitetään yhä useammin uusi kysymys: "Miten osoitamme, että tästä oli oikeasti hyötyä?"
Monessa organisaatiossa tekoälyhankkeiden onnistumista mitataan käyttöönottoasteella: kuinka moni käyttää tekoälytyökaluja ja kuinka aktiivisesti niitä käytetään. Todellinen kysymys on kuitenkin, paraniko suorituskyky asiakkaan, liiketoiminnan tai prosessin näkökulmasta. Pelkkä käyttöaste ei vielä tuota arvoa. Arvo syntyy vasta silloin, kun tekoälyn käyttö näkyy mitattavana parannuksena toiminnassa.
Jos tekoälyä käytetään asiakaspalvelussa, suunnittelutyössä, raportoinnissa tai tiedon analysoinnissa:
- lyhenikö läpimenoaika?
- vähenikö virheiden määrä?
- paraniko asiakaskokemus?
- kasvoiko tuottavuus?
Tässä kohtaa tarvitaan mittareita, dataa ja tilastollista ajattelua. Tilastollisten menetelmien avulla voidaan arvioida:
- onko muutos todellinen
- kuinka suuri vaikutus on
- johtuiko vaikutus todella tekoälyn käyttöönotosta
Koesuunnittelu, regressiomallit, prosessikyvykkyysanalyysit, ohjauskortit ja aikasarja-analyysit auttavat erottamaan todelliset vaikutukset normaalista vaihtelusta.
Tekoälyn käyttöönoton onnistuminen ei lopulta ratkea siihen, kuinka vakuuttavilta vastaukset näyttävät, vaan siihen, syntyykö toiminnasta mitattavaa hyötyä. Ilman luotettavaa dataa ja sopivia mittareita on vaikea osoittaa, mikä vaikutus tekoälyllä todella oli ja oliko havaittu muutos seurausta tekoälyn käyttöönotosta vai jostakin muusta tekijästä.
Tilastollinen analyysi auttaa arvioimaan, ovatko johtopäätökset oikeita.
Ongelma ei yleensä ole analyysityökalu
Tekoäly näkee sille annetun aineiston, muuttujien nimet ja käyttäjän kirjoittaman kuvauksen. Jos datasta puuttuu olennainen muuttuja, tekoäly ei välttämättä tiedä sen puuttuvan.
Ajatellaan tuotantoprosessia, jossa saanto on heikentynyt. Datassa näkyvät ehkä prosessiarvot, tuotantoerät ja laatumittaukset. Taustalla voi kuitenkin olla esimerkiksi toimittajamuutos, huoltotoimenpide, työohjeen muutos tai mittausmenetelmän ongelma.
Jos tätä tietoa ei ole datassa eikä sitä tuoda analyysiin muulla tavalla, tekoäly tai analyysiohjelmisto ei pysty ottamaan sitä huomioon.
Kuva 2. Luotettava johtopäätös syntyy vasta, kun data, analyysimenetelmät ja prosessiymmärrys yhdistetään.
Data on aina rajallinen kuvaus todellisuudesta. Prosessissa tapahtuu paljon sellaista, jota datataulukossa ei näy. Siksi ihmisen pitää yhdistää se, mitä data kertoo, siihen mitä prosessissa oikeasti tapahtuu ja mitä datasta puuttuu.
Kehitysprojekteissa törmää yllättävän usein tilanteeseen, jossa analysoitavaa dataa kyllä löytyy paljon, mutta kukaan ei oikein tiedä kuinka luotettavaa se on. Osa tiedoista löytyy ERP:stä, osa Excelistä, osa kunnossapidon järjestelmistä ja osa ihmisten muistista. Samalla voidaan seurata kymmeniä mittareita, vaikka asiakkaan kannalta tärkeimpiä asioita ei mitata lainkaan.
Olen törmännyt useammin kuin kerran tilanteeseen, jossa organisaatio on kerännyt valtavan määrän dataa, mutta analyysin jälkeen huomataan, ettei data vastaa siihen kysymykseen, johon vastausta oikeasti tarvittiin.
Generatiivinen tekoäly ja analyysiohjelmistot voivat auttaa analysoimaan olemassa olevaa dataa. Ne eivät kuitenkaan voi löytää datasta tietoa, jota sinne ei ole koskaan kerätty.
Jos mittausjärjestelmä ei ole luotettava, data on puutteellista tai prosessin kannalta tärkeimmät muuttujat puuttuvat aineistosta, ongelma ei ratkea analyysityökalua vaihtamalla.
Useimmiten analyysin suurin rajoite ei ole analyysiohjelmisto eikä tekoäly. Suurin rajoite on se, mitä dataa on kerätty, miten sitä on mitattu ja kuinka hyvin tutkittava prosessi ymmärretään.
Analyysiohjelmisto tuo analyysiin systematiikan
Nykyiset tekoälyratkaisut eivät vähennä analyysiohjelmistojen merkitystä. Päinvastoin. Yhä useammin tekoäly integroidaan osaksi analyysiohjelmistoja.
Kokenut analyytikko pystyy usein pyytämään tekoälyä tekemään samat analyysit kuin analyysiohjelmistolla.
Käytännössä suurin osa analyysityöstä ei kuitenkaan ole laskentaa. Aikaa kuluu: datan järjestelyyn analyysiä varten, datan tutkimiseen, visualisointiin, poikkeamien tarkasteluun, oletusten testaamiseen, mallien vertailuun tulosten validointiin. Tarkoitukseen suunniteltu analyysiohjelmisto tekee nämä vaiheet usein huomattavasti nopeammin ja systemaattisemmin.
Jotkin tilastollisista ohjelmistoista osaa ohjata kokemattomampaa analysoijaa löytämään oikeat työkalut oikeaa analyysiä varten ja kertoo mitä johtopäätöksiä analyysitulokseesta voi tehdä ja mitä kannattaa tehdä seuraavaksi. Esimerkiksi Minitabin Assistantin työkalut ohjaavat käyttäjää valitsemaan analyysimenetelmän tutkimuksen tavoitteen ja käytettävän datan perusteella. Se auttaa aineiston käsittelyssä, tarkistaa analyysin oletuksia, tulkitsee tuloksia ja tuottaa raportteja tulosten tulkinnan tueksi.
Systemaattinen analyysipolku auttaa pysähtymään oikeiden kysymysten äärelle:
- Mitä ollaan tutkimassa?
- Millaista data on ja miten se on kerätty?
- Onko mittausjärjestelmä luotettava?
- Millä menetelmällä voin analysoida ja tutkia datasta ongelmaan liittyvää mahdollista syyseuraussuhdetta tai prosessin nykytilaa?
- Täyttyvätkö menetelmän oletukset?
- Mitä tuloksesta voidaan päätellä?
- Mitä siitä ei voida päätellä?
- Miten mahdollinen syy-seuraussuhde varmistetaan?
Analyysiohjelmistokaan ei ratkaise prosessiongelmaa itsenäisesti. Se tekee analyysin vaiheet ja oletukset näkyviksi sekä tarjoaa hallitun ympäristön datan, visualisoinnille, graafiselle ja tilastolliselle analysoinnin ja ilmiöiden matemaattiselle mallintamiselle.
Kuva 3. Tekoäly nopeuttaa ja avustaa, analyysiohjelmisto tuo systematiikan ja ihminen vastaa kontekstista sekä päätöksistä.
Työnjaon voi tiivistää näin:
Analyysiohjelmisto auttaa tutkimaan systemaattisesti sitä, mitä datassa on. Ihminen ymmärtää, mitä prosessissa tapahtuu ja mitä datasta puuttuu. Tekoäly auttaa nopeuttamaan, yhdistämään ja selittämään näitä kahta.
Tekoäly ei siis tee analyysiohjelmistoja tarpeettomiksi. Se muuttaa tapaa, jolla niitä käytetään.
Miksi käytän edelleen analyysiohjelmistoja?
Koska nopein tapa tehdä analyysi ei aina ole tehokkain tapa ymmärtää dataa.
Käytän päivittäin Copilotia, ChatGPT:tä ja jonkun verran myös Cloudea, joten en kuulu siihen joukkoon, joka suhtautuu tekoälyyn varauksella. Ne nopeuttavat työntekoa ja auttavat monissa asioissa. Silti käytän edelleen JMP:tä, Sigma Magicia, Minitabia ja muita analyysiohjelmistoja lähes kaikissa vaativammissa datan analyysiprojekteissa.
Käytännössä suurin osa analyysityöstä ei kuitenkaan ole laskentaa. Aikaa kuluu datan tutkimiseen, visualisointiin, poikkeavien havaintojen arviointiin, oletusten tarkistamiseen, mallien vertailuun ja tulosten validointiin.
JMP syväanalyysiin, tehokkaaseen datan interaktiiviseen visualisointiin ja tutkimiseen
Kun data-analyysi kuuluu päivittäiseen työhön ja aineistot ovat vähänkin monimutkaisempia, JMP on erittäin kova työkalu.
JMP:n keskeinen vahvuus on interaktiivisen visualisoinnin ja tehokkaiden tilastollisten menetelmien yhdistäminen. Kuvaajia ei tehdä vain tulosten esittämistä varten. Niitä käytetään koko analyysin ajan datan tutkimiseen, ilmiöiden löytämiseen ja uusien kysymysten muodostamiseen.
JMP:ssä data, kuvaajat ja analyysit toimivat yhdessä. Kiinnostavat havainnot voidaan valita yhdestä kuvaajasta ja nähdä välittömästi muissa näkymissä. Aineistoa voidaan suodattaa, ryhmitellä ja tarkastella eri kulmista ilman, että jokaista kysymystä varten rakennetaan uusi irrallinen analyysi.
Kuva 4. JMP:n vahvuus on visuaalisessa tutkimisessa: data, suodattimet, kuvaajat ja mallit toimivat vuorovaikutuksessa.
Työ etenee käytännössä näin:
Tutki, havaitse, rajaa, vertaa, mallinna ja tarkenna.
Tässä JMP:n analyysityö on todella nopeaa ja joustavaa verrattuna perinteisempään, yksi analyysi kerrallaan etenevään työskentelyyn.
Ohjelmistossa on laaja valikoima tilastollisia malleja, ennustavaa analytiikkaa, koneoppimista, laatu- ja prosessianalyysejä sekä luotettavuusanalyysejä. Myös koesuunnittelussa eli DOE:ssa JMP on erittäin vahva. Custom Designerilla kokeet voidaan rakentaa todellisten rajoitteiden, resurssien ja budjetin mukaan.
JMP sopii erityisesti päätoimisille data-analyytikoille sekä Lean Six Sigma- ja DFSS Black Belteille, jotka analysoivat dataa säännöllisesti, tutkivat muuttujien välisiä yhteyksiä DOE:n ja regressioanalyysien avulla sekä haluavat päästä aineistossa pintaa syvemmälle.
Sigma Magic yhdistää analytiikan ja kehittämisen työkalut
Kaikki eivät analysoi monimutkaista dataa päivittäin. Monelle analysointi on yksi osa Lean Six Sigma -projektia, tuotekehitystä tai muuta kehitystyötä.
Tässä Sigma Magic on vahvimmillaan.
Sigma Magic toimii Excelin sisällä. Data, analyysin asetukset ja tulokset säilyvät tutussa ympäristössä. Analyysimenetelmän valinnassa ohjaavat toiminnot helpottavat satunnaisempaa käyttäjää, mutta ohjelmistosta löytyy myös pitkälle menevän analytiikan työkaluja.
Kuva 5. Sigma Magic yhdistää ohjatun analyysityön ja laajan kehittäjän työkalupakin tuttuun Excel-ympäristöön.
Sigma Magic sisältää muun muassa:
- koesuunnittelun
- Monte Carlo -simuloinnin
- optimoinnin
- toleranssi- ja luotettavuusanalyysit
- regressio- ja aikasarjamallit
- päätöspuut
- neuroverkot
- Bayes-mallinnusta.
Kun taustalle asennetaan avoimen lähdekoodin R-ohjelmisto, Sigma Magic voi hyödyntää R:n analytiikkakirjastoja ilman, että käyttäjän tarvitsee itse ohjelmoida R:llä.
Muista kehittämistä tukevista analyysiohjelmistoista Sigma Magic erottava tekijä on se, että Sigma Magic ei ainoastaan sisällä data-analytiikka työkaluja vaan lisäksi laaja valikoima Lean-, Six Sigma-, DFSS-, projektinhallinta- ja muutoksenhallintatyökaluja.
Hyvä esimerkki on Sigma Magicin VSM-työkalu. Se ei ole pelkkä arvovirtakaavion piirto-ohjelma, vaan mahdollistaa prosessin tunnuslukujen analysoinnin suoraan arvovirran näkökulmasta. Näin jonot, odotukset ja virtauksen pullonkaulat saadaan näkyviksi.
Monte Carlo -simuloinnilla voidaan puolestaan arvioida, miten tärkeiden muuttujien vaihtelu vaikuttaa lopputulokseen ja täyttääkö suunniteltu ratkaisu asiakkaan vaatimukset myös normaalin vaihtelun aikana.
Sigma Magic tukee jo nyt hyvin myös Design For Six Sigma menetelmiä, mutta NPI kehittää aktiivisesti yhdessä ohjelmistotoimittajan, Rapid Sigma Solutionin kanssa tukemaan entistä paremmin systemaattista DFSS-työtä asiakkaan tarpeiden tunnistamisesta koesuunnitteluun, robustin suunnittelun menetelmiin, simulointiin, optimointiin jne.
Sigma Magic ei siis ole JMP:n kevytversio.
JMP:n vahvuus on erittäin nopea ja visuaalinen syväanalyysi. Sigma Magic yhdistää pitkälle menevän analytiikan ja laajan kehittäjän työkalupakin Excel-ympäristöön.
Quantum XL teknisen tuotekehityksen tueksi
Quantum XL on Exceliin integroituva ohjelmisto, jonka vahvuuksia ovat koesuunnittelu, Monte Carlo -simulointi ja teknisen tuotekehityksen laatutyökalut.
Ohjelmistosta löytyy esimerkiksi faktorikokeita, vastepintasuunnitelmia, D-optimaalisia suunnitelmia, toleranssiketjujen tarkastelua, designin robusti optimointiin työkaluja, luotettavuusmallinnusta sekä QFD-, Pugh- ja FMEA-työkaluja.
Quantum XL sopii erityisesti tuotesuunnittelijalle, joka haluaa yhdistää asiakkaan tarpeet, tuotevaatimukset, riskienhallinnan, koesuunnittelun ja simuloinnin samaan Excel-pohjaiseen työnkulkuun.
Minitab laadun ja prosessien kehittämiseen
Minitab on pitkään käytetty tilasto-ohjelmisto erityisesti laadun, prosessien kehittämisen ja Lean Six Sigma -projektien tarpeisiin.
Sen työkaluvalikoimaan kuuluvat muun muassa hypoteesitestit, regressio- ja varianssianalyysit, mittausjärjestelmäanalyysit, kyvykkyysanalyysit, ohjauskortit, koesuunnittelu ja luotettavuusanalyysit. Minitabin Assistant auttaa käyttäjää analyysin valinnassa ja tulosten tulkinnassa.
Minitab on edelleen kova ohjelmisto ja monelle Lean Six Sigma -osaajalle tuttu ympäristö. JMP:n erityinen etu vs. Minitab tulee kuitenkin esiin, kun aineistoa tutkitaan jatkuvasti eri näkökulmista ja visuaalisista havainnoista halutaan edetä nopeasti uusiin analyyseihin.
Kuva 6. Ohjelmistovalinta kannattaa tehdä käyttäjän työn ja analysointitarpeen, ei pisimmän ominaisuusluettelon perusteella.
Oikea ohjelmisto valitaan käyttötarpeen mukaan
Yhtä kaikille parasta ohjelmistoa ei ole.
- JMP sopii päivittäiseen, vaativaan ja visuaaliseen syväanalyysiin.
- Sigma Magic yhdistää pitkälle menevän analytiikan Lean Six Sigma-, DFSS-, projekti- ja muutoksenhallinnan työkaluihin.
- Quantum XL painottuu tekniseen tuotekehitykseen, koesuunnitteluun ja simulointiin.
- Minitab on vakiintunut ja vahva vaihtoehto laatu-, prosessi- ja Lean Six Sigma -analyyseihin.
