Rss

  • linkedin

Archives for : Liiketoiminta

Päätöksiä ristiriitaisten tavoitteiden maailmassa

”Haluan ostaa asunnon, joka olisi hyväkuntoinen ja sijainti on keskeinen, mutta asuinalueen pitäisi olla rauhallinen. Hinnan pitäisi myös olla edullinen.”

”Perheellemme pitäisi löytää lomakohde, josta löytyy mielenkiintoista tekemista isälle, äidille ja lapsille. Reissu ei saisi olla kuitenkaan kohtuuttoman kallis.”

”Haluan sijoittaa rahani niin että varallisuuteni kasvaisi mahdollisimman suureksi, mutta rahan häviämisen riski olisi mahdollisimman pieni.”

Yllä olevat kommentit kuvaavat erilaisia valintatilanteita, missä on useampi kuin yksi tavoite. Lisäksi tavoitteet ovat ainakin osittain ristiriitaisia. Tämä tarkoittaa sitä ettei ole olemassa sellaista ratkaisua, joka olisi optimaalinen kaikkien tavoitteiden suhteen. Joudumme siis etsimään kompromisseja.

Kompromissiloma

Toisessa kommentissa isän unelmaloma voisi olla Valioliiga-ottelun näkeminen Liverpoolissa, äidin surffausloma Balilla ja lapset haluaisivat Disney Worldiin. Kompromissivalinta voisi olla esimerkiksi Malaga, missä pääsee katsomaan Espanjan jalkapalloliigaa, löytyy merenranta surffaukseen (vaikkei aallot vastaakaan Balia) sekä vesipuisto lapsille. Jokaisen perheenjäsenen tavoitteessa jouduttiin hieman antamaan periksi. Silti valinta tyydyttää kaikkia ja budjetti on vanhemmille miellyttävämpi kuin Euroopan ulkopuolisissa kohteissa. Tämän tyyppisiä valintatilanteissa turvaudutaan monitavoitteiseen (tai monikriteeriseen) päätöksentekoon.

Kun useat tavoitteet vetävät eri suuntiin, pitää löytää paras mahdollinen kompromissi

Varaston optimointia

Sen kunniaksi että ikuisuusprojektin viittaa kantanut toinen väitöskirjaani tuleva artikkeli vihdoin syksyllä julkaistiin, käyn tässä läpi monitavoiteoptimointia artikkelissa olevan sovelluskohteen näkökulmasta. Kyseessä on yrityksen varaston optimointiongelma: päätöksentekijänä on ostopäällikkö, jonka pitää päättää kuinka paljon tilataan varastoon alihankkijalta tavaraa, jonka toimitusaika on 3 kk. Kyseessä oli teollisuusyritys ja tilattava tavara oli kallis komponentti, jota tarvitaan lopputuotteen valmistamiseen. Matematiikka kuitenkin täsmää vaikka tavara olisi tukkukauppiaalta tilattava valmis tuote jälleenmyytäväksi.

Yrityksen ostotoimintoihin ja varaston ylläpitöön liittyy useita kustannuksia. Esimerkiksi kuljetuskustannukset, pääomakustannukset (yrityksen varoja sitoutuu varaston tuotteisiin) ja tuotteiden vanheneminen/pilaantuminen. Mikäli ostopäällikkö pelkästään minimoisi kustannuksiaan, hänen ei koskaan kannattaisi tilata mitään. Ikävänä sivuseurauksena silloin yrityksen liiketoimintakin loppuisi kun ei ole mitään myytävää.

Ostopäällikon ongelma on siis seuraava:

– jos hän tilaa usein / paljon tavaraa varastoon, kustannukset nousevat pilviin

– jos hän tilaa liian vähän, kaikille asiakkaille ei riitä lopputuotetta myytäväksi.

Ostopäällikön liian suuret tilaukset aiheuttavat säpinää varastossa

Eräs ratkaisu on arvioida, mikä kustannus yritykselle tulee yhdestä pettyneestä asiakkaasta ja lisätä tämä muihin varastointikustannuksiin, jolloin tilauspäätös voitaisiin tehdä kaikkia näitä kustannuksia minimoimalla. Nyt oleellisia kysymyksiä ovat:

– Kuinka paljon yksi pettynyt asiakas pitkällä tähtäimellä maksaa?

– Onko yrityksen brändiarvon heikkeneminen lineaarista vai onko 5:n peräkkäisen pettymyksen hinta suurempi kuin 5 kertaa yksi pettymys?

Sen sijaan että ravistelee hihasta euromääräisen hinnan asiakkaan pettymykselle, on mahdollista mitata ajallaan palveltujen asiakkaiden määrää omalla mitta-asteikollaan. Eli ei yritäkään muuttaa asiakkaiden kokemia pettymyksiä Euroiksi. Tästä pääsemmekin monitavoiteoptimoinnin maailmaan.

Kahden tavoitteen optimointi yhtäaikaa

Nyt meillä on päätöksenteolle kaksi tavoitetta:

1. varastointikustannusten minimointi

2. asiakkaiden palvelutason maksimointi

Nämä ovat ristiriitaisia tavoitteita, koska ensimmäisen tavoitteen kannalta pitäisi tilata varastoon mahdollisimman vähän ja toisen kannalta mahdollisimman paljon. Sopivan kompromissin löytämisen avuksi tulee käsite Pareto-optimaalisuus.

Tutkimuksessa ostopäällikön ostostrategiassa käsiteltiin kolmea aikapistettä yhtäaikaa: kuinka paljon tilataan ensimmäisessä mahdollisessa erässä, kuinka paljon seuraavassa ja kuinka paljon sen seuraavassa. Yhden eräkoon vaihdellessa välillä 0-250 kpl, mahdollisia kombinaatioita on 251^3 = 15813251 kpl. Otetaan tässä kuitenkin käsittelyyn hieman yksinkertaistettu kuvitteellinen esimerkki, missä eräkoko voi vaihdella välillä 0-9, jolloin kombinaatioita on ”vain” 1000 kpl. Ne on kuvattu pisteinä alla olevassa koordinaatiossa. Tässä esimerkissä oletetaan 100€ kiinteä kuljetus- ja käsittelykustannus aina kun tilataan nollaa suurempi erä.

Kuvaajassa vaaka-akselilla on odotettu palvelutaso (kuinka suuri %-osuus kysynnästä saadaan ajallaan tyydytettyä) ja pystyakselilla odotetut kustannukset eri tilausmäärä-valinnoilla. Hyvät vaihtoehdot sijaitsevat alhaalla oikealla, mutta mikä valinnoista on paras? Tähän ei ole yksiselitteistä vastausta, mutta sen sijaan me osaamme sanoa, mitkä eivät ainakaan ole parhaita. ”Harmaiden pisteiden sanotaan olevan dominoituja, koska yhden tavoitteen parantamiseksi ei toisesta tavoitteesta tarvitse tinkiä.”

Sen sijaan punaisia pisteitä ei ole dominoitu. Mikäli punaista ratkaisua haluaa parantaa yhdessä tavoitteessa, on pakko heikentää toista tavoitetta. Näitä punaisia ratkaisuja sanotaan Pareto-optimaalisiksi. Ostopäällikön tehtäväksi jää näistä Pareto-optimaalisten ratkaisujen joukosta löytää näkemystään hyödyntäen sopivin kompromissi.

Jos viime aikoina on usealle asiakkaalle jouduttu myymään ”ei oota” ostopäällikkö saattaisi nyt pelata varman päälle ja tavoitella lähelle 100% olevaa palvelutasoa. Lopullinen valinta voisi olla ympyröity piste. Tällä valinnalla odotettavissa on 97.6% palvelutaso (vaaka-akseli) ja 390 euron (pystyakseli) varastointikustannukset. Siihen päästään kun tilataan varastoon ensimmäisessä erässä 9, toisessa 9 ja kolmannessa 0 tuotetta.

Tämä esimerkki kuvaa myös eroa monitavoiteoptimoinnin ja rajoitetun optimoinnin välillä. Mikäli ostopäällikkö olisi määrittänyt rajoitteeksi 98% palvelutason (sininen pystyviiva) ja minimoinut sitten pelkästään kuluja, hän olisi päätynyt pystyviivan oikealla puolella olevaan ratkaisuun. Siten hän ei olisi koskaan saanut tietää että vain 0.04%-yks. pudotuksella 98% tavoitteesta pystyi saamaan merkittävän n. 70€ säästön. Tätä säästöä selittää 100€ säästö kuljetus- ja käsittelykutannuksissa kun kolmas tilauserä jätetään nollaksi.

Ratkaisujen laskeminen

Kun mahdollisia päätöksiä (tai päätöskombinaatioita) on miljoonia tai jatkuvien muuttujien tapauksessa rajaton määrä, kaikkien mahdollisten ratkaisujen laskeminen veisi aivan liian paljon aikaa myös nopeimmilta tietokoneilta. Niinpä on kehitetty laskenta-algoritmeja, jotka etsivät pelkästään Pareto-optimaalisia ratkaisuja päätöksentekijän toiveiden mukaisesti. Algoritmeja on paljon erilaisia erilaisiin sovelluksiin, mutta tunnetuin yleiskäyttöinen algoritmi lienee NSGA (Non-dominated Sorting Genetic Algorithm).

Vielä lisää tavotteita

Tavoitteiden määrä ei välttämättä rajoitu kahteen. Tutkimuksessa ostopäälliköllä oli vielä kolmaskin tavoite: varaston kiertonopeus (=kuinka usein tavara vaihtuu varastossa). Vaikka kiertonopeus korreloikin varastointikustannuksen kanssa, se tuo tärkeää lisäinformaatiota ostopäällikölle. Mikäli kiinteät kuljetus- ja käsittelykustannukset ovat korkeat, kustannusten minimointi suosii isoja kertatilauksia. Isot tilausmäärät kuitenkin pienentävät varaston kiertonopeutta tuottaen käytännön ongelmia varastotilojen riittävyyteen, varastotyöntekijöiden työturvallisuuteen ja nostavat riskiä että tuotteet vanhenevat varastoon.

Vaikka kolmen tavoitteen pohjalta muodostettu Pareto-optimaalisten ratkaisujen joukko on hankalampaa (ja neljän tavoiteen mahdoton) visualisoida koordinaatistossa, monitavoiteoptimointialgoritmit kyllä hoitavat Pareto-optimaalisten ratkaisujen etsimisen samoin kuin kahden tavoitteen tapauksessa.

Kysynnän ennustaminen

Päätöksentekijällä on vielä yksi ongelma. Tavoitteiden laskemiseen tarvitaan tietoa tulevien kuukausien kysynnästä lopputuotteelle, mutta yleensä tätä ei varmaksi tiedetä etukäteen. Sen sijaan historiadatan avulla pystymme arvioimaan todennäköisyyksiä erilaisille kysyntäskenaarioille. Tähän sukellamme tarkemmin jossain toisessa blogikirjoituksessa, mutta mikäli asia kiinnostaa voit tutustua tähän kaikkeen lukemalla itse artikkelin. Virallinen julkaisu löytyy maksumuurin takaa täältä, mutta yliopistolla on myös ilmainen rinnakkaisjulkaisu vähemmän viimeistellystä versiosta, joka löytyy täältä.

Yhteenveto

Yksi tapa kuvata monitavoitteista päätöksentekoprosessia on Daniel Kahnemanin populariosoiman kahden ajattelusysteemin (lue esittely esim. täältä) yhdistäminen. Ensiksi käytetään hidasta, eli 2-systeemin, ajattelua määrittelemällä päätökseen hyvyyteen vaikuttavat tavoitteet. Laskenta-algoritmeja hyödyntämällä näiden tavoitteiden perusteella karsitaan huonot vaihtoehdot pois. Jäljelle jääneistä Pareto-optimaalisista vaihtoehdoista tehdään lopullinen valinta nopeaa, eli 1-systeemin, ajattelua hyödyntäen. Näin saadaan sulavasti tietokoneen laskentateho sekä ihmisen näkemys ja intuitio tekemään yhteistyötä tilanteeseen sopivan kompromissin etsimisessä.

Facebooktwitterredditpinterestlinkedinmail

Asiantuntijat kuplissa ja kommuuneissa

Sosiaalisten medioiden suosittelualgoritmit sanotaan ajavan käyttäjiä syvemmälle omiin kupliinsa samanhenkisten ihmisten pariin. Mutta mitä se haittaa? Eikö se nimenomaan ole kiva, että ihmiset löytävät uutta samanhenkistä seuraa? Totta tämäkin puoli, mutta ongelma on, että “kuplautuminen” tekee meistä tyhmempiä.

Twitterkupla

Itse en ole vielä löytänyt tietäni Instaan/Tiktokkiin, joten lähestyn asiaa Twitterin näkökulmasta. Luultavasti samat ajatukset sopivat kyllä myös muihin medioihin. Oma Twitter-kuplani muodostuu pääasiassa tilastotieteilijöistä, vedonlyöjistä, sijoittajista ja taloustieteilijöistä. Tätä kautta saan paljon itselleni hyödyllistä informaatiota, mutta kuplani kattaa lopulta aika rajoittuneen kirjon ihmiselämän osa-alueista.

Keskenään korreloivat asiantuntijat

Robertit Clemen ja Winkler julkaisivat jo vuonna 1985 mielenkiintoisen tutkimuksen erilaisten taustojen omaavien ihmisten tarjoaman informaation arvosta, vaikka laajassa käytössä oleva internet oli vasta pilke koodareiden silmäkulmassa. Tausta-ajatuksena ja oletuksena on että erilaiset asiantuntijat tarjoavat ennusteita jostain tulevasta tapahtumasta (esim. työttömyysasteen muutos ensi vuonna) ja nämä ennusteet noudattavat k-ulotteista normaalijakaumaa, missä k tarkoittaa asiantuntijoiden lukumäärää.

Oleellinen asia on, että saman kuplan sisällä ihmisten näkemykset korreloivat voimakkaasti. Näin ollen toinen asiantuntija saman kuplan sisällä ei enää tarjoa yhtä paljon infoa kuin ensimmäinen. Informaation arvo romahtaa yllättävän voimakkaasti korrelaation kasvaessa. Otan esimerkiksi sijoitusvihjeen. Huomaan, että lyhyen ajan sisällä 5 eri pätevänä pitämääni sijoittajaa ilmoittaa Twitterissä ostaneensa yhtiön Z osaketta. Tällaisessa tilanteessa olen joskus tehnyt itsekin perässä sijoituksen hyvin kevyellä omalla perehtymisellä. “Jos 5 eri itseäni kokeneempaa sijoittajaa näkee yhtiön hyvänä sijoituskohteena, ei sijoitus voi pahasti metsään mennä.” Tässä kohtaa pitäisi kuitenkin pohtia esim:

– Seuraavatko nämä 5 sijoittajaa toisiaan Twitterissä?

– Perustavatkohan he sijoituspäätöksiään samoihin analyysiraportteihin?

Molemmat kasvattavat heidän näkemystensä välistä korrelaatiota. Alla on kuvaaja, missä X akseli kertoo asiantuntijoiden välisen korrelaatiokertoimen (kaikki parittaiset korrelaatiot oletetaan samoiksi) ja Y-akseli kertoo kuinka monen yksittäin yhtä pätevän, mutta keskenään riippumattoman, asiantuntijan tietomäärää kyseisten viiden kuplautuneen asiantuntijan ennusteen tietomäärä vastaa. Kuvaajasta nähdään esimerkiksi: “Viiden asiantuntijan, joiden välinen korrelaatio on 0.375, ennusteen informaation määrä vastaa kahta riippumatonta, mutta muuten vastaavaa asiantuntijaa.”

Tutkimuksessa osoitetaan myös yläräja vastaavan riippumattoman asiantuntijan määrälle kun kuplan sisällä oletetaan kaikki parittaiset korrelaatiot samoiksi. Se on 1/korrelaatio. Eli jos kuplan sisäinen korrelaatio on 0.5, haastattelemalla kaikki kuplan jäsenet ei voida saada hyödyllisempää ennustetta kuin kahdelta (1 / 0.5 = 2) vastaavalta toisistaan riippumattomalta asiantuntijalta. Eli vaikka kuplassa olisi satoja jäseniä, heidän yhdessä tarjoaman ennusteen informaation määrä vastaa korkeintaan kahta riippumatonta (mutta yksittäin yhtä tarkkaa) asiantuntijaa.

Edellisissä laskelmissa käytettävät oletukset ovat toki hyvin karkeita yksinkertaistuksia, mutta artikkelissa johdetaan kaavoja myös hieman realistisempiin tilanteisiin, missä kaikkien asiantuntijoiden ennusteet eivät ole yhtä tarkkoja (siellä käsitellään myös vaihtelevien korrelaatioiden tapaus, vaikken sitä tässä tekstissä käsittele). Oletetaan, että omassa kuplassasi on kaikki parhaat asiantuntijat, joiden ennusteet ovat maailman tarkimpia. Toisessa kuplassa olisi myös eräs asiantuntija, mutta hänen arviot ovat 1.5 kertaa epätarkempia kuin oman kuplasi “huippuasiantuntijoiden”. Täsmällisemmin, toisen kuplan asiantuntijan ennusteiden keskihajonta on 1.5-kertainen. Saadaan lasketuksi, että mikäli omassa kuplassasi korrelaatiokerroin on 0.5, yhden oman kuplasi jäsenen ja toisen epätarkemman, mutta riippumattoman asiantuntijan muodostama, ennuste on tarkempi kuin kahden oman kuplasi “huippuasiantuntijan” muodostama yhdistetty ennuste.

Oman kuplani venytys

Eräs esimerkki omasta kuplani venyttämisestä on ollut sosiologi-kansanedustaja Anna Kontulan seuraaminen Twitterissä, vaikka aluksi hänen positiiviset ajatukset kommunismia kohtaan hieman jännittivätkin. Vieläkään minusta ei ole tullut kommunistia muualla kuin perheen ja läheisten ystävien parissa, mutta moneen ajankohtaiseen asiaan häneltä on tullut hyviä näkökulmia, mitkä ovat jääneet muilta Twitter-kuplassani huomaamatta. Pidän Annasta erityisesti siksi, että hän keskustelee rakentavaan sävyyn myös täysin eri mieltä olevien ihmisten kanssa. Tämän kokemuksen perusteella kannustan muitakin etsimään uusia seurattavia sellaisista ihmisistä ketkä kannattavat asioita, mitkä aiheuttavat nyt vielä nenän nyrpistystä. Ne arvokkaimmat tiedonlähteet löytyvät todennäköisesti juuri tästä porukasta. Toki syytä on rajoittua vain erilaisia ihmisiä ja mielipiteitä kunnioittaviin henkilöihin. Jatkuvaa negatiivista räksytystä en kehoita kuuntelemaan.

Kommunismista

Lopuksi vielä muutama sananen siitä, mitä olen oppinut kommunismista viimeaikoina luettuani Anna Kontulan kirjoituksia, erityisesti tämän blogipostauksen.

Ensiksi täytyy todeta, että olen eri mieltä kirjoituksen ensimmäisestä listatusta taustaoletuksesta. Eli siitä että (ainakaan nykyään) työn ja pääoman välillä olisi jokin ristiriita. Mielestäni molemmat nimenomaan tarvitsevat toisiaan. Mitä isommasta ja useaa eri osaamista vaativasta projektista on kyse, sitä tärkeämpi rooli arvon muodostuksessa on duunareiden työn lisäksi sillä, että joku sijoittaja (tai joukko sijoittajia) on valmis ottamaan vastuun kokonaisuuden organisoimisesta. Ottamaan riskiä ja maksamaan duunareille heti täsmällistä kuukausipalkkaa vaikka tuotot tulevat, jos tulevat, joskus kaukana tulevaisuudessa. Ilman kaikkia näitä palasia iso projekti jäisi duunareiden korkeasta erikoisosaamisesta huolimatta toteutumatta.

Annan kirjoitukset avasivat kuitenkin silmiä monelta osin. Olin aiemmin ajatellut, että kommunismi voi toimia vain hyvin pienissä porukoissa, missä kaikilla on vahva tunneside toisiinsa, esim. perheet. Hoksasin kuitenkin, että esimerkiksi koodareiden avoimen lähdekoodin kirjastojen jakamiseen tarkoitettu yhteisö GitHub toimii kommunismin tavoin, vaikka suurin osa muista koodareista ovat täysin tuntemattomia. Seuraava Annan kommentti on auttanut ajattelemaan kommunismia muunakin kun hirmuhallitsijoiden propagandana:

Kommunismi ei ole ratkaisu kaikkeen. Jokaiselle lienee jo tässä vaiheessa tekstiä selvää, että en usko minkään -ismin toimivan yleisenä ihmelääkkeenä, vaan että hyvään yhteiskuntaan pääseminen edellyttää oikeiden lääkkeiden valintaa kuhunkin tilanteeseen. Lisäksi monet aikamme ongelmat vaativat globaalia päätöksentekoa ja todennäköisesti myös globaalia sääntelyä. Kommunismi toimii parhaimmillaan yhteisöissä, joiden koko mahdollistaa jokaisen henkilökohtaisen osallistamisen tai joiden sitouttaminen perustuu ihmisten valintaan liittyä ja erota niistä esimerkiksi jonkin verkkoalustan tai yhdistyksen kautta. Kun päätöksenteko koskee miljoonia tai miljardeja, on käytettävä muita järjestäytymisen logiikoita.

Anna Kontula

Ajatusprosessi tästä teemasta on vielä kesken enkä varmaan ymmärrä vielä täysin, mitä kommunismiin perehtyneet täsmällisesti kommunismilla tarkoittavat. Tällä hetkellä ajattelen yhteistyön organisoimisesta seuraavasti:

– Pienissä yhteisöissä, missä kaikilla on yhdistävä tunneside toisiinsa, kommunismi on standardi järjestäytymisen muoto.

– Miljoonien ihmisten yhteiskunnissa, missä kaikki ihmiset eivät tunne toisiaan, “demokraattinen valtio + markkinatalous + kapitalismi” on standardi järjestäytymisen muoto.

Mutta mikäli jossain erityisessä tapauksessa joku toinen kuin se standardi tapa toimii paremmin, niin antaa mennä sit vaan. Esimerkiksi kun GitHubissa avoimen lähdekoodin kehitys toimii kommunismin periaatteella niin antaa palaa. Mutta silti lopullisten ohjelmistoratkaisujen toimittaminen ja ylläpito asiakkaalle todennäköisesti toimii parhaiten markkinataloudessa kilpailevien yritysten toimesta.

Eräs esimerkki toiseen suuntaan on edustamani futsal-joukkue Feeniksin toimitsijavuorot. Kun perustimme seuran reilu kymmenen vuotta sitten, meitä oli yksi joukkueellinen keskenään hyvin toisensa tuntevia kaveruksia. Toimitsijavuorot hoituivat kommunismin hengessä lähes itsestään: loukkaantunut pelaaja tai jonkun kaveri/tyttöystävä kävi aina homman talkoohengessä hoitamassa ilman sen isompia maanitteluja. Kun myöhemmin organisaatio laajeni kahden joukkueen ringiksi, ei kommunismi enää toiminut vaan toimitsijavuorot kaatuivat toistuvasti samojen muutaman seura-aktiivin niskaan. Onneksi markkinatalous pelasti seuramme ja toimitsijavuorolle löytyi rahallinen hinta, millä kiireisimmät pääsivät eroon toimitsijavuorovastuustaan ja ahkerat saivat palkkion käytetystä ajastaan alennettujen kausimaksujen muodossa.

Aika näyttää mihin ajatukseni yhteiskunnan optimaalisesta organisoimisesta kehittyy, mutta sen uskallan sanoa että olen nyt aiheesta huomattavasti viisaampi kuin ennen Twitter-kuplan laajentamista yhteen kommunistiin. Sopivasssa rajoitetussa ympäristössä kommunismi vaikuttaa olevan muutakin kuin diktaattoreiden propagandaa ja tyhjiä kaupan hyllyjä. Mutta vaikka samanhenkisten kommuunissa voikin olla parhaillaan kivaa kivaa, ei pidä unohtaa kommunikointia naapurikommuunien kanssa. Ettemme kuplissamme taantuisi tyhmemmiksi.

Facebooktwitterredditpinterestlinkedinmail

Älkää ampuko viestintuojaa

Auts! Nilkka nyrjähti. Yritän varovaisesti kävellä, mutta sattuu niin paljon että pakko istahtaa maahan. Kivulla elimistö viestittää, että se mitä olin tekemässä ei ole hyväksi nilkalle vaan nyt pitää antaa sen levätä. Ehkä tiukka kipulääkitys auttaa ja voin taas kävellä? Kyllä, mutta nilkka voi mennä sen takia entistä huonompaan kuntoon ja nilkan paraneminen viivästyä. Kipulääke voi olla perusteltu tilapäinen apu yöllä, mikäli kipujen takia ei nukahtaminen onnistu, mutta päivisin on vaan parempi kuunnella hermoston lähettämiä viestejä ja etsiä paranemista parhaiten tukevia lepoasentoja.

Yhteiskunnan hermosto

Yhteiskunnan järjestäytymisessä yksi olennainen kysymys kuuluu: kuinka paljon pitää valmistaa mitäkin tuotetta ihmisten käyttöön? Markkinataloudessa tähän vaikeaan kysymykseen löytyy vastaus hintamekanismin avulla. Kun hinnat määräytyvät kysynnän ja tarjonnan avulla, hinnat kertovat mitä tuotetta tarvitaan lisää ja mitä on jo ennestään liikaa.

Kun vuokrat ja sen seurauksena asuntojen hinnat nousevat, rakennusliikkeet huomaavat minne tarvitaan lisää asuntoja. Toisaalta kun tietyllä asuinalueella hinnat voimakkaasti laskevat, rakennuttajat ymmärtävät ettei tänne kannata lisää pytinkiä pystyttää. Voitontavoittelu ohjaa hintojen kautta rakennusliikkeitä tyydyttämään kansalaisten kysyntää. Tosin aina ei ole päivänselvää, mistä hintojen muutos johtuu vaan syyn selvittämiseen tarvitaan syvempää analyysia. Samoin kuin kipu jalassa kertoo, että jotain on vialla, mutta syyn selvittämiseen tarvitaan lääkärin apua.

Omat sijoitusasunnot

Jyväskylässä on valmistunut paljon uusia asuntoja viimeisen kolmen vuoden aikana. Itse omistan kaksi sijoitusasuntoa Jyväskylässä (tsekkaa, jos etsit vuokra-asuntoa) ja kiihtynyt rakentaminen on tarkoittanut minulle vuokranantajana lisää töitä. Aiemmin olin tottunut siihen että uusi vuokralainen löytyy aina edellisen lähtiessä ilman suurempia ponnisteluja, mutta noin vuosina 2017-2018 tähän tuli muutos. Yhtäkkiä asuntoa katsomassa käyneet vuokralaisehdokkaat toisensa perään vaan tylysti ilmoittivat, että löysi samaan hintaan uudemman ja parempikuntoisen kämpän. Vaihtoehtoni olivat joko laskea vuokraa reilusti tai alkaa asuntoja ehostamaan. Kestävämpänä ratkaisuna näin jälkimmäisen, mikä tarkoitti, että Heikkisen poika otti maalipensselin sileään kätöseen, remppamies kävi laittamassa vähän kylpyhuoneeseen pakkelia pintaan, uutta putkea seiniin sekä uutta kalustetta. Lisäksi astianpesukoneet+pyykkikoneet ilmestyivät sinne mistä ne vielä puuttuivat. Nyt viimeiset kolme vuotta vuokrat ovat polkeneet lähestulkoon paikoillaan sekä omissa kämpissä että ihan yleisissäkin tilastoissa (Suomen vuokranantajien artikkeli). Mutta ainakin omien asuntojen kohdalla vuokralaiset saavat nauttia huomattavasti korkeamman laadun asumisesta samaan hintaan. Näin kysyntä ja tarjonta kohtaavat jälleen korkeamman tarjonnan olosuhteissa. Itselläni siihen vaadittiin laadun nostamista, joku toinen vuokranantaja valitsi ehkä vuokran laskemisen tien.

Mietitäänpä sitten vaihtoehtoista skenaariota, jossa vuonna 2015 poliitikot olisivatkin päättäneet alkaa tarjota äänestäjille ”kohtuuhintaista” asumista kieltämällä vuokrien nostamisen ja laittanut ylärajan neliövuokrille. Vuokrakatto iskee ensimmäisenä kalleimpiin uudiskohteisiin, mikä laittaa rakennusliikkeiden investointilaskelmat uuteen uskoon ja rakennushankkeet jäihin. Tässä skenaariossa rakennusbuumi olisi varmasti jäänyt hyvin laimeaksi ja me ”vanhat” vuokranantajat nauttisimme edelleen hyvästä kysyntä/tarjonta suhteesta. Tosin juhlan aihetta ei ole meilläkään, koska vuokran nosto on kielletty. Mutta nyt herää kysymys: Kuinka todennäköistä olisi ollut, että olisin alkanut remontteihin sekä muuhun asuntojen ehostukseen, jos kämpät menevät vuokralle muutenkin eikä kustannuksia voi siirtää vuokriin? Vinkki: mä ja innokas remppamies ei todellakaan kuuluta samaan lauseeseen.

Oma näkemykseni asuntomarkkinoiden syy-seuraussuhteista. Nuolenpään kohdalla oleva vihreä ”+” tarkoittaa että nuolen alkupäässä olevan palleron noustessa nuolen loppupäässäkin olevan palleron arvo todennäköisesti nousee. Vastaavasti punainen ”-” tarkoittaa käänteistä syy-seuraussuhdetta. Politiikan osalta riippuvuuden etumerkki vaihtelee tapauskohtaisesti.
Esimerkiksi vasemmasta reunasta alkava ketju: lisääntynyt tonttien tarjonta kasvattaa kyseisen asuinalueen asuntojen tarjontaa, mikäli rakennuskustannukset pysyvät ennallaan. Lisääntynyt tarjonta painaa hintoja alaspäin. Edullisemmat hinnat taas lisäävät kysyntää. Vanhan asunnon omistaja (ylhäällä oikealla) voi kuitenkin alkaa kilpailemaan uusien asuntojen kanssa laadulla, minkä nostaa kysyntää eri reittiä ja hillitsee tätä kautta hintojen laskua.
Huom! Graafi ei perustu tieteelliseen tutkimukseen. Mikäli huomaat virheitä, voit perustella niitä kommentteihin.

Otetaan esimerkiksi vaikka asunto halutulla asuinalueella Eirassa. Mikä on suurin syy sille että asuntojen vuokrat Eirassa ovat korkeat? Oma vastaukseni on että koska niin suuri määrä ihmisiä haluaisi asua siellä. Jos poliitikko haluaa asuinalueen vuokria laskea, hänella on muutama vaihtoehto

  1. Vaikuttaa kysyntään tekemällä asuinalueesta vähemmän houkuttelevan, esim. perustamalla sinne haisevan kaatopaikan
  2. Vaikuttaa tarjontaan kaavoittamalla alueella lisää. Mikäli Eira on jo täynnä, voi pyrkiä kaavoittamaan jotain ominaisuuksilta vastaavaa aluetta, jossa Eiraan pyrkivät ihmiset ovat myös tyytyväisiä
  3. Hintojen rajoittaminen mahtikäskyllä, esim. maksimivuokra

Kun kysynnän ja tarjonnan ei anneta kohdata helpoimman tien, eli hinnan muutoksen, kautta ne lähenevät toisiaan pikkuhiljaa jotain toista reittiä. Tässä tapauksessa asuntojen rappeutumisen ja tarjonnan hyytymisen kautta. Seurauksia voi hahmotella yllä olevasta syy-seuraus graafista katkaisemalla KYSYNNÄSTÄ HINTAAN menevä ”+”-merkkinen nuolenpää pois. HINTA. Sen jälkeen graafin oikealla puolella olevilla toimenpiteillä ei enää samalla lailla voida vaikuttaa hintaan, eikä markkinoille välity hinnan kautta luotettavaa tietoa.

Ruotsin puolella, missä hintasääntely on yleisempi vitsaus, kuuluu huhuja että koska hyvää asuntoa ei saa lain mukaan vuokrata ”oikealla” hinnalla, kertyy asuntoihin vuosikymmenten jonoja tai asunnon vuokraamiseen tarvitaan tiskin alta vastapalveluksia vuokran lisäksi. Alla on Tukholmassa asuvan kaverini lähettämä kuva, missä joku heppu on keksinyt oman ratkaisunsa Tukholman vuokra-asuntopulaan.

Asumus Tukholmassa, missä omistuasuntojen hinnat hipovat pilviä ja vuokramarkkinat ovat mm. hintasääntelyn takia tukossa

Hoidetaan syitä, ei seurauksia

Seuraavan kerran kun oma poliitikkosi nostaa pöydälle hintasääntelyä, kannattaa vinkata häntä miettimään vielä kerran että ollaanko nyt vetämässä purkillista kipulääkettä kipeään nilkkaan vai pitäisikö hoitaa itse nilkka kuntoon. Hinnat ovat kuitenkin arvokkaan informaation viestintuojia. Mikäli yhden tuotteen hinnat tuntuvat korkeilta, oikeita kysymyksiä ovat mm. Mikä estää yrityksiä vastaamasta kovaan kysyntään? Onko jollain toimijalla monopoli, mikä estää terveen hintakilpailun?

Mikäli aihe vaikuttaa mielenkiintoiselta, kannattaa tutustua MustReadin ilmaiseen artikkelin, missä itseäni jonkin verran kokeneempi ekonomisti perkaa aihetta syvällisemmin. Siinä tuodaan mukaan muita ulottuvuuksia, kuten omistusasuntojen ja vuokra-asuntojen kasvava epätasapaino ja ihmisten jumittuminen asuntoihin, mitkä eivät ole elämäntilanteeseen optimaalisia.

Facebooktwitterredditpinterestlinkedinmail

Taistelua tulo-osuudesta

Pääoman ja työnteon välinen tulonjako on kestoaihe poliittisessa keskustelussa vuosikymmenestä toiseen. Täältä löytyy tilastot tulonjaon kehityksestä 1970-luvulta lähtien. Työtulojen prosentuaalinen osuus oli suurimmillaan 1990-luvun alussa laman aikana ja pääomatulojen vuonna 2007 juuri ennen finanssikriisiä. Työtulojen osuus kasvoi kymmenen vuotta sitten finanssikriisin sekä eurokriisin aikana, mutta viime vuosina pääomaotulojen osuus on ollut taas lievässä kasvussa. Pitäisikö tämä kehitys pysäyttää ja miten se tehdään? Sijoittajathan eivät tee mitään oikeaa työtä, joten eikö heidän verotustaan voisi korottaa vielä reippaasti?

Selvityshaaste

Itse olen maailmaa tutkaillut palkkatyöntekijän, yrittäjän ja osakesijoittajan näkökulmasta. En näillä kokemuksilla näe, että Suomessa riskiä kantavat yrittäjät ja sijoittajat olisivat jotenkin erityisessä asemassa. Ei anneta nyt kuitenkaan omien näkemysten jarruttaa menoa vaan lähdetään tutkimaan, miten pääomatulojen määrää saadaan laskettua kestävällä tavalla ilman että rankaistaan myös työntekijöitä.

Päästäksemme sijoittajien tuloista osille, meidän pitää ensin ymmärtää jotain heidän päätöksentekoprosessistaan. Seuraavan tarinaan on otettu vaikutteita oman sijoitusprosessin lisäksi havainnoista kokeneempien sijoittajien ja strategien toimintatavoista. Jotta kantavan ajatuksen saisi käytyä järjellisessä ajassa läpi, yksinkertaistetaan hieman olettamalla, että yrityksen liikevoittovero on ainoa pääoman tuottoihin kodistuva vero, vaikka todellisuudessa osinkoverotuksellakin on vaikutusta. Myöskään mahdollisuutta hyödyntää lainaa sijoituksissa ei huomioida.

Sepin jäskikiska

Seppo Sijoittaja pohdiskelee uuden jäätelökioskin perustamista. Myyntipaikan vuokrasopimuksen voi tehdä vuodeksi kerrallaan, joten mahdollinen sijoitus tehdään aluksi yhden vuodeksi. Kotiinpäin tulevat rahavirrat koostuisivat jäätelöiden myyntikatteesta. Mutta ennen kun sijoittajalle jää itselleen mitään tuottoja investoinnistaan, pitää saada katettua kiinteät kulut, joita ovat:

  • Koneet ja kalusto (esim. myyntikojun ja pakastelaitteiden vuokrat, mainoskyltit yms..)
  • Henkilöstön palkat
  • Henkilöstön palkkojen sivukulut (yrityksen vastuulla olevat eläkevakuutusmkasut, vakuutukset yms…)
    • Oletetaan suuruudeksi 40% bruttopalkoista
  • Voittoon kohdistuva yritysvero
    • Oletetaan suuruudeksi 20% yrityksen voitosta

Tulevaisuuteen liittyy aina riskejä. Tässa tapauksessa sellaisia ovat mm.

  • Jäätelön kysyntä on odotettua alhaisempaa
  • Laitteet hajoaa
  • Henkilöstö sairastelee
  • Rikollisuus (Ilkivalta tai paikallinen rosvopäällikkö alkaa vaatimaan suojelurahoina osuutta voitoista, mikäli jäätelönmyynti alkaa kukoistamaan)

Vaikka esimerkki on yksikertaistettu versio todellisuudesta, tässä on jo paljon asioita pohdittavaksi. Investoinnin lopputuleman todennäköisyysjakaumaan vaikuttaa hyvin moni asia. Seppo ei tunne tarkasti tätä jakaumaa, mutta hän hahmottelee tulevaisuutta viiden eri perusskenaarion avulla. Perusskenaariot ovat:

  1. Satumainen, yli 30% tuotto sijoitetulle pääomalle
  2. Hyvä, 15% – 30% tuotto sijoitetulle pääomalle
  3. OK, 0-15% tuotto sijoitetulle pääomalle
  4. Heikko, 0-10% tappio
  5. Surkea, yli 10% tappio

Näiden skenaarioiden todennäköisyyksiä sijoittaja pyrkii parhaan kykynsä mukaan arvioimaan. Lisäksi hän Exceliinsä naputtelee odotetun skenaarion seuraavan vuoden rahavirroille. Tässä parhaan arvauksen täsmällisessä skenaariossa myytikatetta kertyisi 100 000 Euroa, koneisiin ja kalusteisiin menisi 10 000 Euroa, tarvittavan määrän osaavaa henkilökuntaa hän saisi pidettyä töissä 53 000 Eurolla ja tähän tulisi vielä päälle 21 200 Euroa henkilöstön sivukuluja.

Ottaen huomioon aiemmin läpikäydyt riskit ja tappiollisten skenaarioiden todennäköisyydet, hän pättää että vähintään pitää 15% saada pääomalle tuottoa odotetun skenaarion mukaisilla laskemilla, että tätä investointia kannattaa toteuttaa. Tarkalleen ottaen tämä minimituottovaatimus perustuu kahteen osaan: “riskitön korko”, minkä saisi rahan makuuttamisesta pankkitilillä = 1% ja riskipreemio 14%. Idea on sama kuin pankeilla myöntäessä asuntolainaa, jolloin lainan korko voisi olla esim. 12 kk Euribor + 1.5% marginaali. Marginaali vastaa liiketoiminnan riskipreemiota ja kokoluokasta huomaa, että asuntolainojen myöntäminen vakavaraisille työssäkäyville henkilöille vaikuttaisi olevan huomattavasti riskittömämpää kuin jäätelökioskin perustaminen.

Odotetun 100 000 euron myyntikatteen jakautuminen.

Ylläolevassa kuvaajassa on kuvattu, kuinka odotettu myyntikate jakautuisi Sepon laskelmissa ilman isoja yllätyksiä. Löysää neuvotteluvaraa on vain 7 euroa, joten sille varattu palkki ei graafissa erotu. Rimaa hipoen Seppo päättää toteuttaa investoinnin. Jiihaa!

Poliittiset päätökset Sepon tulo-osuuden pienentämiseksi

Kurkataampa nyt sitten poliittisia muutoksia, joilla voitaisiin saada työntekijöiden tulo-osuutta kasvatettua. Ensimmäisenä mieleen tulee yritysveron kasvattaminen korkeammaksi tai minimipalkan nostaminen niin että vuosipalkat pitäisi nostaa seuraavana vuonna tasolta 53000 euroa esimerkiksi tasolle 54000 euroa. Valitettavasti molemmat muutokset johtaisivat siihen, ettei tuottovaatimus enää ensi vuonna samoilla laskelmilla toteutuisi ja kioskin tarina jäisi vuoden mittaiseksi. Tässä tapauksessa sekä Seppo, työntekijät että jäätelöä rakastavat asiakkaat häviäisivät. Tavoite oli löytää sellainen ratkaisu, mikä ei vaikuta negatiivisesti työntekijöihin, joten nämä toimenpiteet eivät käy.

Ehkä Sepolta olisi hieman kuitenkin revittävissä, jos saataisiin saataisiin puskettua korotettu yritysvero niin nopealla aikataululla läpi, että päästäisiin kiinni jo kuluvan vuoden voittoihin. Seppo toki rehellisenä liikemiehenä maksaisi lisäverot, mutta pidemmällä tähtäimellä se olisi työntekijöillekin vielä aiempaa kuopattua ideaa huonompi. Nyt Seppo alkaisi pelätä vallassa olevilta poliitikoilta samanlaista tempoilevaa aiemmin tehtyjen investointien tuottojen rokottamista ja nostaa investointiensa minimituottovaatimusta kaikissa sijoituksissaan. Tämän seurauksena jatkossa toteutuisi vain investoinnit, joissa entistä suurempi osuus jää sijoittajan tuotoksi. Peliin on tullut mukaan uusi aimmin mainitsematon tuottovaatimuksia kasvattava riskilaji, poliittiset riskit.

Mielestäni fiksumpi tapa toteuttaa investointeihin liittyvää verotusta on antaa hieman varoaikaa ja tehdä rajut muutokset porrastetusti. Esimerkiksi pari vaalikautta sitten porrastetusti poistettu omistusasunnon lainan korkojen vähennysoikeus on tuskin oleellisesti lamauttanut asunnon ostajien toimintaa (lisätietoja).

Seuraava vuosi

Tässä tarinassa mennään vuosi eteenpäin ilman polittisia muutoksia. Sen verran on kuitenkin tapahtunut teknologista kehitystä, että markkinoille on tullut uusia kylmälaitteita, joiden vuokraus on aiempaa edullisempaa ja lisäksi energiatehokkuuden ansiosta toisivat säästöjä sähkölaskussa. Ensimmäinen vuosi meni suurinpiirtein odotusten mukaisesti ja Seppo miettii jatkoa muuten samoilla laskelmilla, paitsi ”Koneet ja kalustot” – lokeroon tulee kuluja aiemman 10 000 euron sijaan 8000 euroa. Odotettavissa oleva 100 000 euron myyntikate jakautuisi nyt seuraavasti.

Tällä kertaa reilun 2000 euron neuvotteluvara on havaittavissa graafissa oikeassa laidassa. Kysymys kuuluu: kuka saa tämän neuvotteluvaran? Nyt on huomattava myös, että edellisenä vuonna hyvin hommansa hoitaneiden kahden työntekijän neuvotteluasema on kasvanut, koska uusien työntekijäiden kouluttaminen veisi paljon aikaa yrittäjältä. Kyse on paljon työntekijöiden neuvottelutaidoista, kuinka hyvin ne tunnistavat kohentuneen neuvotteluasemansa. Koska jakovaraa laskelmissa on, Seppo antaa siitä osan mielellään hyville työntekijöille ettei tarvitse alkaa uusia kouluttamaan. Väkisin hän ei sitä kuitenkaan tyrkytä, mikäli työntekijät suostuvat jatkamaan ilman palkankorotuksen pyyntöä.

Monilla aloilla Suomessa palkkaneuvottelut on ulkoistettu ammattiliitoille. Tämä voi olla koko jäsenten joukolle keskimäärin ihan hyvä ratkaisu, mutta osa jää tämän takia ilman työtä, jonka olisivat mielellään ottaneet pienemmälläkin palkalla vastaan (niinkuin tässä tarinassa 1. vuotena olisi käynyt) ja osalle keskistetyt korotukset ovat pienempiä kuin mitä olisi omassa firmassa neuvoteltavissa. Informaation jakaminen toisten yritysten palkkatasosta ja neuvottelutaitojen koulutukset auttanevat jokaista työntekijää neuvottelemaan itselleen optimaalista ratkaisua.

Yhteiskuntien menestys

Daron Acemoglu ja James Robinson tutkivat yhteiskuntia aina metsästäjä-keräilijä ajoilta lähtien kirjassaan “Why nations fail”. Johtava ajatus heillä on, että tärkein tekijä erottelemaan kukoistavat ja romahtavat yhteiskunnat on yhteiskunnan rakenteiden inklusiivisuus, eli mahdollisuus kaikille ihmisille suunnitella omaa ja perheen tulevaisuutta pitkällä tähtäimellä toimiessaan osana yhteiskuntaa. Valtion oikeusjärjestelmän pitää myös pystyä pitämään huolta, että omistusoikeuksia kunnioitetaan ja suojelurahoja keräävät rosvopäälliköt laitetaan linnaan.

Siinä vaiheessa kun omien tulevaisuuden investointien hedelmät tulee onnistuessaan isä aurinkoisen eliittijoukot keräämään parempaan talteen, teknologinen kehitys hidastuu ja yhteiskunnan alamäki on alkanut. Tällaisissa ekslusiivisssa yhteiskunnissa ihmiset keskittyvät vain elämään kädestä suuhun ja tappelemaan poliittisesta vallasta, jäsenyydestä noissa eliittijoukoissa. Tältä pohjalta ei kuulostaa ollenkaan haitalliselta, että investointien riskejä kantamalla voi vaurastua.

Tarinan opit

Tässä harrastelijasijoittajaekonomistin sepittämässä tarinassa tuli havainnollistettua, että sijoittajien ja työntekijöiden tuotot ovat Sepon jäätelökioskissa vahvasti riippuvaisia toisistaan ja sijoittajien tuottojen vähentäminen tuottamatta harmia työntekijöille on vaikeaa. Vastaan tuli kuitenkin muutama asia, joihin voidaan keskusjohtoisesti vaikuttaa niin että sijoittajat tekevät investointeja pienempään tuottoon tyytyen.

  • Oikeusjärjestelmä, joka pitää rikollisuuden paremmin kurissa
  • Poukkoilematon poliittinen päätöksenteko, mikä antaa sijoittajille aikaa sopeutua muutoksiin

Lisäksi tarinassa on koko ajan oletettu, että “riskitön korko” on 1%. Keskuspankin voisi luulla pystyvän laskemaan tuottovaatimuksia vielä laskemalla korkoja. Oikea sijoittaja Ville Hemminki on kuitenkin tuoreessa blogikirjoituksessaan vahvasti sitä mieltä, ettei korkojen laskulla ole enää käytännössä investointeja kiihdyttävää vaikutusta kun korot ovat jo lähellä nollaa.

Verot turvallisten rakenteiden ylläpitämiseen on jostain kerättävä. Työntekijöiden kannalta optimaalinen yritysveron suuruus on vaikea omilla tiedoillani määrittää, koska kilpailullisessa ympäristössä liiketoimintaan kohdistetut verot heijastuvat kaikille osapuolille: sijoittajille, työntekijöille ja asiakkaille. Tässä saksalaisissa tutkimuksessa arvioitiin, että noin 40% yritysveron korotuksesta maksavat lopulta työntekijät. Sen sijaan monopoliaseman turvin saadut riskiinsä nähden ylisuuret tuotot haiskahtavat oivalliselta verotuksen kohteelta. Tätä perustelee hyvin oikea ekonomisti Roger Wessman maksumuurin takana olevassa artikkelissaan. Ottakaamme monopolien/patenttien verotus vielä mukaan työkaluksi pakkiimme.

Hypoteesit tavoista pitää sijoittajien tulo-osuus pienenä kestävästi ilman oleellisia haittoja työntekijöille:

  • Omistusoikeudet suojaava oikeusjärjestelmä
  • Poukkoilematon poliittinen päätöksenteko
  • Työntekijöiden neuvottelutaitojen/voiman kehittäminen
  • Monopolin/patentin alla tuotettujen voittojen verottaminen

Jäikö kirjoituksessa jotain huomiotta? Mitä tieteelliset tutkimukset sanovat aiheesta? Kerro siitä kommenteissa.

Facebooktwitterredditpinterestlinkedinmail

Analytiikan alalajit

Sijoittajamestari Ray Dalio kokosi elämässään oppimansa asiat teokseen Principles ja päätökseen tekoon liittyvä ensimmäinen periaate kuuluu näin:

”Recognize that 1) the biggest threat to good decision making is harmful emotions, and 2) decision making is a two-step process (first learning and then deciding).”

Ray Dalio

Datan analysointi tai datatieteily liityy nimenomaan ympäristöstä oppimiseen ilman tunteiden aiheuttamia vääristäviä tunteita niin että voitaisiin tehdä mahdollisimman valistuneita päätöksiä.

Kun tehdään liiketoimintaa tukevaa analyysiä, datan analysointi jaetaan tyypillisesti neljään alalajiin riippuen, mitä työllä tavoitellaan. Eri konsultit voivat järjestellä ne hieman eri tavoilla, mutta itse mielelläni järjestäen ne seuraavasti analyyttisen haastavuuden mukaan helpoimmasta vaikeimpaan:

  1. Kuvaileva analytiikka (Mitä tapahtui?)
  2. Ennakoiva analytiikka (Mitä tulee tapahtumaan?)
  3. Diagnosoiva analytiikka (Miksi jotain tapahtui?)
  4. Ohjaileva analytiikka (Mitä kannattaisi tehdä?)

Kolme ensimmäistä liittyy oppimiseen ja viimeinen päätöksentekoon opitun pohjalta.

Hukkuvat jäätelönsyöjät

Avataan sitten näitä alalajeja esimerkin avulla. Hukkuvat jäätelönsyöjät on monelle jo liiankin tuttu esimerkki riippuvuussuhteista, mutta ratsastetaan nyt vielä kerran sillä, koska se kaikessa tomppeluudessaan kuitenkin hyvin demonstroi oleellisia pointteja.

Olkoon meillä toimeksiantona jäätelökioskiyrittäjän auttaminen ja myyntiä ilmiönä kuvaa seuraava graafi.

Lämpötilan nousu aiheuttaa enemmän sekä jäätelön myyntiä että hukkumiskuolemia. Hukkumisen ja jäätelön myynnin välillä ei ole syy-seuraus-yhteyttä.

Graafissa olevien syy-seuraus-yhteyksien pohjalta olen nyt simuloinut 300 havaintoa, jonka kanssa seuraavissa esimerkeissä operoidaan.

Kuvaileva analytiikka

Kuvaileva analytiikka vastaa siis kysymykseen ”Mitä tapahtui?”. Vastaus löytyy raporteista, joissa on tilastollisista tunnuslukuja ja graafisia kuvioita. Yritysmaailmassa tätä analytiikan alalajia kutsutaan termillä Business Intelligence (BI). Meidän dataa 300 aiemmasta viikkohavainnosta kuvaavat esim. seuraavat tunnusluvut.

TEMP (C)SALES (EUR)DROWNED
Keskiarvo19.6130351.15
Keskihajonta5.3413153.52

Lisäksi mielenkiinnon mukaan tunnuslukuja voisi vertailla eri ryhmien, esim. viikonpäivien tai jäätelömakujen, välillä.

Keski- ja hajontalukujen lisäksi havaintoja voi kuvata muuttujien välisillä korrelaatiokertoimilla ja graafisilla kuvaajilla. Seuraava graafi ei ole välttämättä kauneimmasta päästä, mutta minulle sen piirtäminen on osa perusprosessia uuteen aineistoon tutustuttaessa. Siinä on paljon informaatiota tiiviisti ilmaistuna ja sen saa tulostettua R-ohjelmistolla yhdellä komennolla.

Lävistäjällä ovat jokaisen muuttujan omat jakaumat. Vasemmalla alhaalla ovat parittaiset sirontakuviot. Oikella ylhäällä ovat parittaiset korrelaatiokertoimet ja niiden merkitsevyystasot tähtinä.

Kuvaajasta nähdään mm. seuraavaa:

  • Lämpötilan ja myynnin havainnot ovat jakautuneet symmetrisesti keskiarvon ympärille ja muistuttaa normaalijakaumaa. Hukkumisten lukumäärän jakauma on vino.
  • Kaikkien muuttujien väliset korrelaatiokertoimet (luvut oikealla ylhäällä) ovat positiivisia, joten muuttujilla on ollut taipumus saada isoja arvoja yhtäaikaa.
  • Kaikki muuttujien väliset korrelaatiokertoimet ovat tilastollisesti erittäin merkitseviä (punaiset tähdet), joten ei ole uskottavaa että korrelaatiokertoimet poikkeavat nollasta vain sattumalta.
  • Suora viiva kuvaa hyvin myynnin ja lämpötilan välistä yhteyttä. Hukkumisen ja muiden muuttujien välisen yhteyden kuvaamiseen suora viiva ei ole paras mahdollinen (kuviot vasemmalla alhaalla).

Kuvaileva analytiikka keskittyy kuvailemaan historian tapahtumia, mutta vastuu siitä, mitä tulee tapahtumaan tulevaisuudessa jää täysin raportin lukijalle.

Ennakoiva analytiikka

Vaikka historiakin on mielenkiintoista, vielä kiinnostavampaa liiketoiminnan kannalta on se mitä on odotettavissa tulevaisuudessa. Mennyt ei ole tae tulevasta, mutta historiaan perustuen voi tehdä valistuneita arvioita eri tulevaisuuden skenaarioiden todennäköisyyksistä.

Esimerkissämme mielenkiinnon kohteena on ennustaa tulevan viikon jäätelön myyntimäärä. Pelkään BI-raporttiin (kuvaileva analytiikka) perustuen paras arvaus olisi historiallinen keskiarvo 13035 euroa. Simuloin tässä 100 uutta havaintoa tulevista viikoista ja historialliseen keskiarvoon perustuva arvaus ei ole hassumpi: keskimäärin ennuste on 7.3% pielessä.

Olisimme voineet kuitenkin ottaa askel eteenpäin ennakoivan analytiikan puolelle ja muodostaa regressiomalli, jossa hyödynnetään tietoa päivän lämpötilasta. Lämpötilan ja myynnin välinen korrelaatiokerroinhan oli varsin suuri, 0.62. Tällaisen mallin tarjoama paras arvaus seuraavan viikon myynnistä menee nyt uusilla havainnoilla keskimäärin 6.5% pieleen.

Vaikka hukkumisilla ei ole syy-seuraus-suhdetta myyntiin, ei sen hyödyntämiselle ennustamisessa ole estettä. Jos sen lisää toiseksi selittäjäksi samaan regressiomalliin lämpötilan kanssa ei siitä iloa kuitenkaan ole, koska lämpötila jo yksinään selittää hukkumisten ja myynnin välisen yhteyden. Mutta mikäli vahingossa olisimme hukanneet historian lämpötilahavainnot, olisi hukkumiskuolemat hyvä apumuuttuja. Pelkästään edellisen viikon hukkumisiin perustuvat ennusteet ovat tässä tapauksessa 6.7% pielessä. Lopuksi vielä yhteenveto, kuinka tarkasti saatiin 100 uutta myyntihavaintoa ennustetttua.

EnnustajaKeskimääräinen virhe
Oma historia7.33%
Lämpötila6.45%
Hukkumiset6.73%
Lämpötila+Hukkumiset6.43%

Regressiomallien lisäksi muita ennustamisen työkaluja ovat aikasarja-analyysi silloin kun kiinnitetään erityistä huomiota ajassa systemaattisesti toistuviin kuvioihin. Sitten kun käsillä on ajassa stabiili ilmiö, mutta paljon potentiaalisia selittäjiä sekä paljon dataa, arvoon arvaamattomaan nousevat erilaiset koneoppimisalgoritmit kuten neuroverkot tai päätöspuut. Mikäli useiden potentiaalisten selittäjien lisäksi meillä on hieman ymmärrystä näiden selittäjien keskinäisistä riippuuvuussuhteista, voidaan dataa ja asiantuntemusta yhdistää Bayes-verkkojen avulla tai simuloimalla maailman menoa ymmärryksemme rajoissa.

Käyttipä mitä tahansa näistä ennustusmenetelmistä tai jotain niiden yhdistelmää, meillä on kaksi ikävää kiusaa:

  • Ylisovittaminen: tietämättämme yritämme tulevaisuutta ennustaa sellaisilla historiallisilla piirteillä, jotka ovat toteutuneet aiemmin vain sattumalta eivätkä kuvaa ilmiötä tulevaisuudessa. Tätä ongelmaa olen ruotinut aiemmin tässä kirjoituksessa.
  • Pysyvät muutokset muuttujissa, joita ei olla aiemmin mitattu. Esimerkiksi lakimuutokset voivat ohjata ihmisiä käyttäytymään tulevaisuudessa eri tavalla kuin mihin aiemmin olemme tottuneet. Tätä ongelmaa olen käsitellyt tarkemmin tässä kirjoituksessa.

Kiitos mm. edellä mainittujen haasteiden ennakoivassa analytiikassa vaaditaan jo huomattavasti korkeamman tason koulutusta kuin kuvailevassa analytiikassa.

Diagnosoiva analytiikka

Diagnosoivalla analytiikalla pyritään löytämään asioiden välisiä syy-seuraus-yhteyksiä. Tieteellisen uteliaisuuden lisäksi liiketoiminnan kannalta kiinnostavaa voisi olla selvittää, mitä asioita muuttamalla saisimme myyntiä kasvatettua. Ennakoivan analytiikan maailmassa korrelaatiokertoimet antoivat hyviä vinkkejä, mitä muuttujia voisimme hyödyntää ennustamisessa. Kun tavoitteena on puuttua itse peliin asioiden muuttamiseksi, vain korrelaatioita tuijottamalla voisimme päätyä raportoimaan jäätelöyrittäjälle: ”Myynnin edistämiseksi kannattaa alkaa hukuttamaan ihmisiä”. Tämähän ei alkuunkaan pidä paikkansa niinkuin kohta tullaan näkemään.

Varmin tapa syy-seuraus eli kausaaliyhteyden selvittämiseksi on tehdä satunnaisettu koe riittävällä määrällä toistoja. Näistä klassinen esimerkki on antaa satunnaisesti toisille koehenkilöille oikeaa lääkettä ja toisille koehenkilöille lumelääkettä. Vaikutuksia vertailemalla voidaan saada selville, onko lääkkeessä oikeasti tehoa. Modernimpi esimerkki on verkkokaupan käyttöliittymän A/B-testaus, jossa satunnaisesti toisille asiakkaille nettisivulle näytetään punainen nappi ja toisille sininen nappi ja vertaillaan vaikuttaako napin väri sen klikkausten määrään.

Mikäli satunnaistetut kokeet eivät ole mahdollisia, voidaan yrittää metsästää luonnollisia kokeita. Esimerkiksi voidaan ottaa seurantaan henkilöt, jotka ovat juuri ja juuri päässeet läpi lääkiksen pääsykokeista ja vertailla tätä joukkoa niihin jotka jäivät niukasti ulos lääkiksestä. Voidaan olettaa että pienet erot pääsykokeen pistemäärissä jouhtuvat suurelta osin satunnaistekijöistä ja näin ollen on luotettavaa tehdä päätelmiä lääkiksen kausaalivaikutuksista loppuelämän onnellisuuteen.

Viimeisimpien vuosikymmenien aikana on erityisesti Judea Pearlin johdolla kehitetty kausaalimalleja, jotka auttavat tekemään kausaalipäätelmiä myös silloin kun käytössä havaittua dataa, mutta ei voida tehdä satunnaistettuja kokeita. Niissä aluksi pitää pystyä aiempiin tutkimuksiin perustuen rakentamaan graafi, josta näkee mitkä muuttujat vaikuttavat mielenkiinnon kohteina oleviin muuttujiin. Mikäli tärkeimmät näistä taustamuuttujista on mitattu, kausaalipäätelmät voivat olla mahdollisia.

Meidän kolmen muutttujan tapauksessa ilmiötä kuvaava graafi on esitelty kirjoituksen alussa. Tässä hyvin yksinkertaisessa maailmassa pystymme tutkimaan hukkumisten kausaalityhteyttä myyntiin. Kun laitamme sekä lämpötilan, että hukkumiset samaan regressiomalliin selittämään myyntiä, hukkumisella ei ole mitään selitysvoimaa, koska lämpötila on kaiken juurisyy. Näin ollen data näyttää, että ihmisiä on aivan turha alkaa hukuttamaan myynnin edistämiseksi.

Monimutkaisempien ilmiöiden tutkiminen kausaalimalleihin tukeutuen on itselläni vielä vaiheessa, joten ei kannata puhua tässä siitä sen enempää. Silti osa omaa analyysiprosessia on hahmotella graafiksi erilaisia potentiaalisia taustalla lymyileviä syy-seuraus-yhteyksiä, joita voi sitten asiaan paremmin vihkiytyneet haastaa. Mikäli mielenkiinto kausaalimalleihin heräsi, kannattaa aloittaa Judea Pearlin tietokirjasta ”The book of why”, josta Kimmo Pietiläinen on tehnyt myös suomenkielisen käännöksen: ”Miksi – syyn ja seurauksen uusi tiede”.

Ohjaileva analytiikka

Ohjaileva analytiikka on tässä lajittelussa laitettu viimeiseksi, koska pohjalla pitää olla alemman tason analytiikkaa päätöksenteon tueksi. Täältä huipulta kannattaa kuitenkin aina aloittaa pohtimalla, mitä halutaan tehdä. Mihin liittyviä päätöksiä analytiikalla halutaan parantaa? Esimerkkejä:

  • Halutaan kehittää jäätelönmyynnin logistiikkaa: miten paljon mitäkin makua pitäisi toimittaa kioskille, että asiakkaat saavat mitä haluavat, mutta jäätelöä ei tarvitsisi kohtuuttomia määriä pakastimessa varastoida. – > Ratkaisu: Päätöksenteon tueksi tarvitsemme ennakoivaa analytiikkaa, jolla arvioidaan kuinka paljon mitäkin makua menee ensi viikolla.
  • Halutaan lisätä jäätelön kysyntää. -> Ratkaisu: Diagnosoiva analytiikka. Johtopäätös on se, että korkeammat lämpötilat johtaisivat korkeampaan myyntiin. Mutta koska kaikki säiden hallitsemiseen kykenevät tahot ovat niin kallispalkkaisia, ei tällaista hanketta kannata toteuttaa. Laitetaan resurssit muun toiminnan kehittämiseen.

Kun pohjalla on riittävästi oppia analytiikan alemmilta tasoilta, ohjaileva analytiikka on pääasiassa erilaisia optimointialgoritmeja. Lisäksi on olemassa itseoppivia päätöksentekoalgoritmeja, jotka päivittävät omaa ymmärrystä aina päätöksestä tulleen palautteen perusteella.

Päätöksenteon optimointi on liian laaja aihe alkaa tässä syvemmin käsiteltäväksi, mutta se vaanii kaiken liiketoiminta-analytiikan taustalla. Ennen hosumista liian pitkälle datan kanssa, olisi hyvä ymmärtää mitä päätöksiä halutaan parantaa. Se mahdollistaa, että analytiikan alimmalta portaalta ponnistaessa edetään oikeaan suuntaan. Toisinaan matkalla opitaan jotain uutta, jonka vuoksi kurssia joudutaan kääntämään. Tämä tekee seikkailusta kuin seikkailusta entistä jännempää.

Lopputurinat

Dataan pohjautuvalla analytiikalla on useita eri tasoja ja niiden sisällä eri etenemispolkuja. Jotta varmistetaan datan penkomisen hyödyllisyys, aluksi pitäisi kirkastaa, mitkä päätöksentekoprosessit yrityksessä kaipaavat hiomista. Sitten valitaan sellainen polku, jota olemassa olevan datan pohjalta on mahdollista edetä. Lopulta päätöksenteko on kaksivaiheista: ensin opitaan, sitten päätetään.

Facebooktwitterredditpinterestlinkedinmail