Tekoäly ennustaa jääkiekossa Liigan voittajan – miten samaa mallia voi hyödyntää muilla toimialoilla

Digia toteutti tekoälyennusteen jääkiekon SM-liigan voittajasta. Miten samalla mallilla voisi tarkentaa ennusteita ja päätöksentekoa vaikkapa kaupan alalla tai energia- tai sote-sektorilla?

Urheilu on luonteeltaan dynaamista eikä ihan helppoa ennustaa: lopputulokseen vaikuttavat lukuisat muuttujat, ja yksittäisen pelaajan suoritus tai jokin yllättävä tapahtuma, vaikkapa flunssa-aalto, voi muuttaa pelin tulosta. 

Samanlaisessa dynaamisessa ja ennakoimattomassa ympäristössä operoivat yritykset eri toimialoilla. Yrityspäättäjät kohtaavat päivittäin dilemman: kuinka tehdä päätöksiä dynaamisessa, jatkuvasti muuttuvassa toimintaympäristössä? Mitä seikkoja painottaa päätöksenteossa?

Tekoäly voikin tulla avuksi paitsi lätkäfaneille, myös yritysjohtajille.

Tarkempia ennusteita päätöksenteon tueksi tekoälyllä

Ennuste jääkiekon SM-liigan voittajasta päätettiin toteuttaa niin kutsutulla satunnaismetsä-mallilla (random forest). Se yhdistää useita päätöspuita ja tekee lopullisen päätöksen sen mukaan, minkälaiseen tulokseen enemmistö päätöspuista tulee. Digian analyytikko Teemu Salmela avaa satunnaismetsä-mallia tarkemmin tässä kirjoituksessa.

”Tämän tyyppinen ennustemalli pääsee hyviin tuloksiin, kun muuttujia on paljon ja halutaan selvittää, mitkä niistä ovat tärkeitä. Tällainen vaikuttavuusanalyysi auttaa toiminnan tulosten ennustamisessa ja parantamisessa, koska se auttaa ymmärtämään, mikä omassa organisaatiossa tai omassa toimintaympäristössä vaikuttaa eniten, kun tulosta halutaan kehittää johonkin suuntaan”, Digian teknologiajohtaja Juhana Juppo kuvaa.

Teemu Salmelan mukaan malli on hyödynnettävissä laajasti eri toimialoilla. Salmela listaa esimerkkejä:

Kaupan ala ja verkkokauppa: Tuotesuositukset

Vähittäiskauppa voi hyödyntää satunnaismetsä-mallia segmentoidakseen asiakkaansa ostokäyttäytymisen, demografisten tietojen ja markkinointikampanjoihin osallistumisen perusteella. Malli auttaa ennustamaan, mitä eri segmenttien asiakkaat todennäköisimmin ostavat seuraavaksi, ja millaisia tuotesuosituksia heille kannattaa esittää. Tuntemalla asiakassegmentit paremmin yritys voi räätälöidä markkinointistrategiansa kohderyhmille tehokkaammin ja optimoida markkinointikulujen tuoton.

Energia-ala: Energian kulutuksen ennustaminen

Energiayhtiöt voivat käyttää satunnaismetsä-algoritmeja tulevan energiankulutuksen ennustamiseksi. Algoritmi voi auttaa yrityksiä tehokkaassa energianjakelussa ja sähköverkon hallinnassa analysoimalla sääoloja, ajankohdan vaikutusta (Miten kulutus vaihtelee eri kellonaikoina ja viikonpäivinä) ja historiallisia käyttötietoja, mikä voi vähentää kustannuksia ja varmistaa luotettavamman tarjonnan.

Valmistava teollisuus: Toimitusketjujen optimointi

Valmistava yritys voi käyttää satunnaismetsä-algoritmeja tuotekysynnän ennustamiseen ja varastonhallinnan optimointiin. Analysoimalla esimerkiksi historiallista myyntiä, kausiluonteisia trendejä ja taloudellisia indikaattoreita, algoritmi voi auttaa optimaalisen varastotason ylläpitämisessä, kustannusten vähentämisessä ja asiakastyytyväisyyden kasvattamisessa.

Finanssiala: Petosten (anomalioiden) havaitseminen

Finanssilaitos voi käyttää satunnaismetsä-algoritmeja maksutapahtumatietojen analysoimiseen petollisten tapahtumien tunnistamiseksi ja ennustamiseksi. Arvioimalla esimerkiksi maksutapahtumien tiheyttä, määrää, sijaintia ja aikaa, algoritmi voi auttaa merkitsemään epäilyttävät transaktiot ja minimoimaan taloudelliset menetykset sekä havaitsemaan valepersoonat.

Sote-sektori: Ennaltaehkäisevää hoitoa

Terveydenhuollossa voidaan käyttää satunnaismetsä-algoritmeja ennustamaan kroonisten sairauksien, kuten diabeteksen tai sydänsairauksien, kehittymisen todennäköisyyttä. Analysoimalla esimerkiksi ikää, elämäntapoja, perhehistoriaa ja verikokeiden tuloksia algoritmi voi auttaa varhaisessa diagnoosissa ja varhaisissa yksilöllistetyissä ennaltaehkäisevissä hoitosuunnitelmissa.

Kiinteistöala: Hintaennusteet

Kiinteistöyhtiö voi käyttää satunnaismetsä-algoritmeja kiinteistöjen hintojen ennustamiseen eri alueilla. Analysoimalla esimerkiksi sijaintia, kiinteistön kokoa, alueen palveluja ja historiallisia hintatrendejä algoritmi voi antaa tarkkoja arvioita kiinteistöjen arvosta, mikä auttaa sekä ostajia että myyjiä tekemään tietoisempia päätöksiä.

Katso kuka voittaa

Pääset tutustumaan tekoälyn tekemään Liigan voittajaennusteeseen täällä >