Uutiset

Tekoäly ennusti NHL-mestarin oikein – miten simulaatiota ja koneoppimista voi soveltaa liiketoiminnassa?

Kirjoittanut Digia | 29.9.2020 11:14

Digian tekoäly-ennustetta seuranneille NHL:n Stanley Cupin ratkaisu ei tullut yllätyksenä: osasihan tekoäly kertoa voittajan jo neljä viikkoa sitten! Syyskuun alussa julkaistu, tekoälyyn ja koneoppimiseen perustuva ennustemalli nosti lisäksi Dallas Starsin pudotuspelien mahdolliseksi yllättäjäksi pudotuspelien kolmanneksi parhailla voitonmahdollisuuksilla. Ennusteen osumatarkkuus osoittautui kohtalaisen hyväksi, kun joukkueet lopulta kisasivat vastakkain Stanley Cup -finaalissa.

Digian ennustesivulla on lisäksi seurattu tekstianalytiikan keinoin sävymuutoksia NHL-joukkueita koskeneessa Twitter-keskustelussa.


”Tampa Bay Lightningin ja Dallas Starsin menestyminen Stanley Cupin pudotuspeleissä voitiin ennakoida jo kolme viikkoa sitten Twitter-keskustelun sävyanalyysin perusteella. Jo silloin joukkueisiin liittyvä keskustelu oli positiivisempaa kuin muiden”, analytiikan senior liiketoimintakonsultti Timo Kohtala kertoo.

Kone yhdistää enemmän tietoa kuin ihminen – mutta ei tunnista tunteita ja perheongelmia

Kun kaksi suunnilleen tasavahvaa joukkuetta kohtaavat, monet pienet asiat vaikuttavat lopputulokseen. Myös sattumalla on suuri rooli. Koska pudotuspeleissä joukkueiden tasoerot ovat pienimmillään, on ennustaminen vieläkin vaikeampaa.

”Esimerkiksi pelaajien tunteet, väsymys, perheongelmat, media ja loukkaantumiset voivat vaikuttaa otteluiden lopputuloksiin. Koska kaiken tämän tiedon kerääminen on käytännössä mahdotonta, ei koneoppimisalgoritmimme myöskään osannut hyödyntää edellä mainittuja asioita ennusteessa. Kun Boston menetti ykkösmaalivahtinsa Tuukka Raskin, algoritmimme ei osannut huomioida Raskin poissaoloa. Tämä johti Bostonille liian positiiviseen ennusteeseen. Sama tapahtui myös ainakin Tampa Bayn kohdalla välierissä”, datatutkija Joachim Wahlström Digialta kertoo.

Toisaalta koneoppimisen avulla on mahdollista tunnistaa vaikuttimia ja ilmiöitä, jotka ovat ihmiselle näkymättömiä: kone pystyy käsittelemään suuria määriä dataa eri lähteistä pitkältä ajalta.

“Ennusteemme arvio Tampa Bayn mestaruusmahdollisuuksista korreloi useiden viikkojen ajan varsin hyvin vedonlyöntiyhtiöiden kertoimien kanssa. Toisaalta Dallas Stars oli joukkue, joka sai meidän ennusteemme mukaan jatkuvasti liian korkeita kertoimia vedonlyöntiyhtiöiltä. Tämä indikoi jääkiekosta kiinnostuneiden mahdollisesti olleen liian pessimistisiä Dallasin mestaruusmahdollisuuksista”, Wahlström kertoo.

Lue lisää Joachim Wahlströmin huomioita NHL-ennusteesta blogikirjoituksesta.

Millaisia ongelmia simuloinnilla ja koneoppimisella voi ratkaista?

Simulointia ja koneoppimista voidaan hyödyntää myös liiketoiminnan ennustamisessa ja kehittämisessä. Stanley Cup -analyysi auttaa ymmärtämään menetelmien käyttökohteita.

Koneoppiminen on tehokas työkalu, kun halutaan tunnistaa yksittäisiä datapisteitä, kuten mihin segmenttiin asiakas X kuuluu tai oliko asiakaspalaute negatiivista vai positiivista. Koneoppiminen sopii myös operatiivisten työkalujen luomiseen, mistä esimerkkejä ovat chatbotit ja itseajavat autot. Koneoppiminen vaatii aina dataa.

Simulaatiolla on mahdollista mallintaa monimutkaisia, sattumanvaraisia tapahtumaketjuja. Esimerkiksi globaalin pandemian leviäminen on monimutkainen ongelma, jossa toisiinsa vaikuttavat, sattumanvaraisesti etenevät tartuntaketjut on loogisinta mallintaa simulaatiolla. Toinen esimerkki simulaatio-ongelmasta voisi olla yrityksen makroympäristössä tapahtuvien muutosten vaikutus liikevaihtoon tai alihankkijoiden toimintakykyyn. Simulointi soveltuu siis tilanteisiin, joissa dataa ei vielä ole, kuten erilaisissa ennusteissa.

”Oli mielenkiintoista soveltaa menetelmiä vaihteeksi viihteellisessä aiheessa. Stanley Cup -analyysi auttaa toivottavasti hahmottamaan, minkälaisiin ongelmiin jokapäiväisessä työssä ja liike-elämässä pystymme näillä analytiikkamenetelmillä vastaamaan”, Joachim Wahlström sanoo.

Tutustu Digian NHL-ennusteeseen täällä >>

Lue blogista, kuinka koneoppiva simulointimalli toteutettiin >>

Lisätietoja:

Joachim Wahlström
Data Scientist, Digia
Puh. 040 834 6220
joachim.wahlstrom(a)digia.com

Päivi Karesjoki
Johtaja, analytiikkaliiketoiminta, Digia
Puh. 040 902 2212
paivi.karesjoki(a)digia.com