Rss

  • linkedin

Archives for : päätöksenteko

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

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

Menneisyyden ruotiminen

Tuleeko mieleen tilanteita, joissa on tullut ruodittua omia valintoja jälkikäteen ankaraan sävyyn? Esimerkiksi seuraavaan tyyliin:

”Lähdin treffeille Kertun, enkä Venlan kanssa. Kerttu osoittautui alkuhuuman jälkeen ääliöksi ja Venlalla on nyt poikaystävä. Miten olinkaan niin idiootti, etten aikanaan valinnut Venlaa?”

”Sijoitin Talvivaaran osakkeisiin, koska työkaverikin sijoitti ja nyt hävisin rahani konkurssissa. Eiköhän se ole parempi ettei meikäläinen sijoita koskaan enää yhtään mihinkään”

Elämä on sattumien summa

Yleensä emme voi tietää lopputulosta, mikäli olisimme toimineet toisin. Ashton Kutcherin tähdittämä elokuva Perhosvaikutus leikittelee ajatuksella, että voisi palata menneisyyteen toimimaan erilailla kuin tuli toimittua. Termi ”perhosvaikutus” viittaa kaaosteoriaan, minkä kuuluisa esimerkki on Brasilialainen perhonen, jonka siivenisku saa aikaan ilmavirtauksissa ketjureaktion, mikä monen sattuman kautta voisi aiheuttaa myrskyn Teksasissa. Ashtonin roolihahmo palaa menneisyyteen auttamaan lähimmäistään, mutta tästä toiminnasta alkaneesta tapahtumaketjusta seuraa aina monen sattumuksen kautta paljon pahempi onnettomuus jollekin toiselle läheiselle. Myöskään parinvalintaesimerkissämme emme voi tietää kuinka suhteessa Venlan kanssa olisi käynyt. Ehkä suhde olisi päättynyt itsetunnon sekä rahojen menettämiseen ja tilanne olisi nyt nykyistä huonompi. Onneksi Kerttu ja Venla eivät ole maailman ainoita naisia.

Informaation hyödyntäminen

Kuinka menneitä tulisi sitten ruotia? Mielestäni kannattaa keskittyä pohtimaan seuraavaa:

Olisiko sinulla päätöstä tehdessä ollut käytettävissä enemmän informaatiota, mikä olisi auttanut tekemään toisenlaisen ratkaisun?

  1. Ei, ainakaan kovin helposti. Teit silloin käytettävissä olevilla tiedoilla todennäköisesti parhaan ratkaisun, mutta kävi huono tuuri. Mene eteenpäin!
  2. Kyllä, mutta unohtui hyödyntää. Muista ensi kertaa vastaavassa tilanteessa hyödyntää käytettävissä oleva informaatio hieman huolellisemmin. Mutta hei, olet nyt yhtä kokemusta viisaampi ja vahvempi tulevaisuutta ajatellen. Mene siis eteenpäin!

Uutta matoa koukkuun

Totaalinen luovuttaminen ja piiloutuminen poteroon yhden ikävän sattumuksen takia ei johda mihinkään. Jokaisen menestystarinan takana on lukuisia epäonnistumisia. Niitä kutsutaan oppirahoiksi. Talvivaaran osakkeissa olen itsekin hävinnyt rahaa ja siitä tullut oppi voisi mennä seuraavasti: ”Aloitetaan sittenkin sijoittamaan osingonmaksukykynsä todistaneisiin firmoihin, joiden liiketoiminta on helpompi ymmärtää. Sitten kun omaisuus ja kokemus on hieman karttunut voi ehkä tehdä pienen kokeilun alkuvaiheen riskibisnekseen, jonka liikevoitot ovat vasta haavenumeroita PowerPoint-kalvolla”

Perhosvaikutuksessa Ashton Kutcherin esittämä päähenkilö tekee lopussa stopin menneisyyden jossittelulle jatkamalla vaan matkaa nähdessään kadulla elämän toisen skenaarion suuren ihastuksen. Eli menee eteenpäin.

Statistickon steesit:

  1. Elämä on niin monen sattuman summa ettemme voi varmaksi tietää, mihin olisimme päätyneet erilaisilla valinnoilla
  2. Epäonnistumisen jälkeen on tärkeintä mennä entistä vahvempana eteenpäin informaatiota paremmin hyödyntäen
  3. Muista iloita niistä positiivisista sattumuksista mitä on tapahtunut

”Jos käännyt katsomaan
taaksesi, näetkö silloin eteen”

Tulivuoria – Pariisin Kevät

https://www.youtube.com/watch?v=r7D-k7rYdL8Facebooktwitterredditpinterestlinkedinmail

Joululahjaksi laadukasta ajattelua

Tähän aikaan vuodesta useilla on pähkäilyn alla ”Mitä hankkia joululahjaksi henkilölle, jolla on jo kaikkea. Mitään turhaa krääsääkään ei viitsisi ostaa…” Oma vinkkini on tajuntaani hurjasti laajentanut kirja Thinking fast and slow tai sen suomennettu versio Ajattelu nopeasti ja hitaasti. Kirjan on kirjoittanut Daniel Kahneman, joka on tutkinut päätöksenteon psykologiaa vuosikymmeniä ja palkittu elämäntyöstään Nobelilla. Thinking fast and slow nitoo yhteen kansantajuisesti oppeja ihmisten psykologisista ajattelun luonnollisista vääristymistä verrattuna matemaattiseen rationaalisuuteen.

Miksi haluaisimme ymmärtää psykologisia heikkouksiamme?

KulutusvalintaOletko joskus huomannut ostaneesi mainoksen perusteella tuotteen, jolle ei ole juuri käyttöä löytynytkään?  Tai oletko äänestänyt vaalimainosten ja -lupausten perusteella poliitikkoa, joka ei oikeasti jaakaan samoja arvoja kanssasi? Jätän lukijan itse pohdittavaksi, kuinka paljon todellisuudessa mainostoimistot tai poliitikot pyrkivät johtamaan kuluttajia harhaan, mutta ei siitä ainakaan haittaa ole, mikäli jatkossa osaamme välttää joitain ansoja ja tehdä enemmän oikeasti hyvinvointiamme edistäviä valintoja.

Oletus rationaalisesta päätöksentekijästä

Taloussysteemimme rakenteita on pyritty ilmaisemaan taloustieteen perusteoksissa yksinkertaisin matemaattisin esityksin. Jotta tämä olisi mahdollista, joudutaan niissä usein tekemään myös hieman epärealistisia oletuksia tyyliin: ”Kuluttajat valitsevat aina sellaisen kulutusratkaisun, mikä maksimoi heidän tulevan hyvinvointinsa.” Koska tällaiset superrationaaliset yli-ihmiset ovat aika harvinaisia, ovat kriittisimmät tyypit valmiita hylkäämään koko taloustieteen ”huuhaana”. ”Juupas-eipäs”-väittelyn sijaan psykologi Daniel Kahneman on yhdessä edesmenneen Amos Tverskyn kanssa selvittänyt urallaan, millä lailla ja kuinka paljon ihmisten tyypillinen ajattelu poikkeaa rationaalisesta päätöksenteosta. Näenkin Kahnemanin&Tverskyn tutkimuksissa sillan tunteita korostavien humanistien ja kylmän rationaalisuuteen pyrkivien taloustieteilijöiden välille toistensa ajatusmaailmoihin.

Sattuman käsittely

Omaa innostusta kirjaa kohtaan ei ainakaan laske se, että Kahneman vaikuttaa myös erittäin pätevältä tilastotieteilijältä. Iso osa hänen tutkimuksistaan koskee sitä, kuinka ihminen tekee valintoja epävarmuuden vallitessa.

Ihmisten aivot kehittyvät evoluution mukana, mutta evoluutio ei ole pysynyt teknologisen kehityksen ja talouskasvun vauhdissa. Teemme herkästi ylireagointeja pienten aineistojen informaatioon, joissa on paljon sattumalla osuutta asiaan. On elonjäämisen kannalta kriittistä osata ylireagoida pieniinkiin vaaran merkkeihin, kun elämme samoilla seuduilla villien petoeläinten kanssa. Sen sijaan turvallisessa Pohjolan hyvinvointiyhteiskunnassa asuen eteen tulevissa valinnoissa ylireagointi ei ole niin hyödyllistä.

Opit rahapelaajille ja kilpaurheilijoille

Sattuman merkityksen ymmärtäminen ei ole todellakaan helppoa. Vaikka takana on vuosien työ tilastoaineistojen parissa erilaisia simulointikokeita tehden, niin sattuma vaan välillä pääsee yllättämään omissa henkilökohtaisissa asioissa, kuten itselläni oman pokerimenestyksen pohdinnassa. Jalkapallotoimittaja Lari Vesander taas avaa blogikirjoituksessaan Kahnemanin oppeja siitä, kuinka kilpaurheilun satunnaisuus hämää jatkuvasti urheiluselostajia ja valmentajia.

Ihmiset tyypillisesti kokevat rahalliset tappiot saman kokoista voittoa suurempana ja painottavat liikaa ajattelussaan pieniä, suuruusluokkaa 0.1% – 5% olevia todennäköisyyksiä. Nämä opetukset ovat myös vallitsevia teemoja pokerin oppi-isäni Tommi Verkasalon pokeripsykologiaa käsittelevässä ansiokkaassa gradussa: Voiton ja häviän vaikutus pokerinpelaajan riskipreferensseihin. Jääkiekossa tappiolla ollessa kannattaa ottaa hurjiakin riskejä (maalivahti pois lopussa) ja johdossa pelata ylivarovaisesti. Sama käyttäytymismalli toistuu kuitenkin myös pokerissa, vaikka siinä jokaisen Euron/Dollarin pitäisi olla yhtä arvokas riippumatta oletko siltä päivältä voitolla vai häviöllä.

Kahnemanin opit myös osaltaan selittävät lotto-tyyppisten arpajaisten ja vakuutusten suosiota (arpalipun hintaa ja pientä vakuutusmaksua ei yleensä koeta tappioksi). Lähinnä matemaattisen riskienhallinnan näkökulmasta kirjoittamani blogipostaukseni vakuutuksista saa kirjassa tuntemuksiin perustuvan jatko-osan.

Valintojen muokkautuminen

Vuosikymmenten akateemisia tutkimustuloksia yhteen paketoiva kirja kuulostaa äkkiseltään aika kuivalta joulupuurolta, mutta Kahneman onnistuu kirjoittamaan helppotajuisesti erilaisilla testeillä lukijaansa viihdyttäen. Yksi suosikeistani on seuraava:

Ongelma 1:

Valitse toinen:

E. 25% mahdollisuus voittaa 240$ ja 75% mahdollisuus menettää 760$.

F. 25% mahdollisuus voittaa 250$ ja 75% mahdollisuus menettää 750$

Ongelma 2:

Kuvittele, että joudut päättämään seuraavasta samanaikaisesta asiaparista. Pohdi ensin kumpaakin päätöstä ja kerro sen jälkeen, mitä valintoja (AC, AD, BC vai BD) suosit.

Päätös (i). Valitse toinen:

A. Varma 240$ voitto

B. 25% mahdollisuus voittaa 1000$ ja 75% mahdollisuus olla voittamatta mitään

Päätös (ii). Valitse toinen:

C. 750$ varma menettäminen.

D. 75%:n mahdollisuus menettää 1000$ ja 25%:n mahdollisuus olla menettämättä mitään.

Ongelma 1:ssä on helppo nähdä, että F on kannattavampi vaihtoehto ja Kahnemanin kokeessa kaikki koehenkilöt valitsivat sen. Ongelma 2:ssa tulee taas hieman vaihtelua. Kokeessa suosituin valintayhdistelmä oli AD (73% koehenkilöistä valitsi sen) ja kaikista epäsuosituin  BC (vain 3% koehenkilöistä). Nyt kun asiaa hieman tarkemmin mietitään tarvittaessa taskulaskimella summaten, niin huomataan että yhdistelmä AD on itse asiassa aivan sama kun Ongelma 1:n  E-vaihtoehto. Ja vähiten suosittu BC… aivan oikein: Ongelma 1:n F, minkä piti olla selvästi järkevämpi valinta.

Järki ja tunteetTämä esimerkki havainnollistaa kuinka helposti normaalit psykologiset ”heikkoudet” ja yksinkertaiset nyrkkisäännöt dominoivat ajattelua kun pitäisi tehdä vähäänkin haastavampaa matemaattista laskentaa. Toisaalta se havainnollista kuinka voidaan saada toinen ihminen olemaan samasta asiasta eri mieltä muotoilemalla asiaa eri muotoon tyypillisiä ajattelun vinoutumia hyödyntäen.

Itselläni tämä kirja tärähti tietokirjallisuuden TOP-listani kärkeen. Päällimmäinen ajatukseni nyt kun takakansi tuli vastaan on ”Pitääpä aloittaa heti alusta uudelleen”.

Joitain Kahnemanin teesejä normaalista ihmisestä tuntemuksineen:

  • pyrkii tekemään ensisijaisesti päätöksiä intuition ja helppojen nyrkkisääntöjen perusteella
  • pyrkii välttämään tappion tunteita ja ylisuojelemaan saavutettuja voittoja
  • aliarvioi sattuman vaikutusta ja yliarvioi oman tietämyksensä
  • korostaa huippuhetkiä ja viimeisiä tapahtumia muistojen onnellisuuden kokemisessa

Facebooktwitterredditpinterestlinkedinmail

Vakuutukset – vedonlyöntiä ja riskienhallintaa

Vedonlyönti urheilutapahtuman voittajasta on useimmille tuttua ja urheilijan vedonlyönti oman epäonnistumisen puolesta on laitonta tai vähitäänkin moraalisesti kyseenalaista. Miltäs kuulostaa vedonlyönti itseään vastaan muilla elämän osa-alueilla? ”Löisin vetoa 80€ sen puolesta, että seuraavan vuoden aikana sytytän kotini palamaan tai aiheutan ison vesivahingon.” Itse asiassa minä tein juuri näin maksaessani kotivakuutusmaksun.

Vedonlyöntiä

Jokaisessa yksittäisessä vakuutuksessa on kyse vedonlyönnistä ikävän tapahtuman puolesta. Vakuutusyhtiössä todennäköisyyslaskennan ammattilaiset (tilastotieteilijät ja matemaatikot) hinnoittelevat vakuutukset niin, että vakuutuskorvauksiin menee yleensä 90-95% siitä rahasta, mitä asiakkaat maksavat vakuutusmaksuja. Näin ollen vakuutusyhtiön asiakkaana voit odottaa häviäväsi euroissa n. 10% vakuutuksen hinnasta, ellet ole sopupelaaja eli vakuutushuijari.

Riskien hallintaa

Parhaimmillaan vakuutukset ovat kuitenkin järkevää riskienhallintaa. Eron tappiollisen vedonlyönnin ja järkevän riskienhallinnan välillä tekee kokonaisuus. Mietitään esimerkiksi 20 000 euron arvoisen metsän vakuuttamista myrskyn varalle. Mikäli kyseinen metsä on ainoa omaisuutesi ja kokisit elämässä erittäin huomattavan romahduksen myrskyn sattuessa, vakuutusta kannattaa ehdottomasti harkita. Sen sijaan jos omistat metsän lisäksi 50 000 arvoisen sijoitusasunnon ja 30 000 euron arvosta pörssiosakkeita, vastaa metsä ainoastaan 1 / 5 omaisuudestasi. Metsän myrskytuhot olisivat takaisku, mutta ei vakuutusta vaativa katastrofi. Hajauttaminen toisistaan riippumattomiin kohteisiin on ilmainen vakuutus!

Turhakkeet

Harvalla 250€ arvoinen puhelin on niin iso osa omaisuutta, että sen vakuuttamisessa olisi mitään mieltä. Jos lisäksi antaa vielä omalle ajalle mitään arvoa, puhelimen vessanpönttösukelluksen jälkeen käy mieluummin ostamassa suosiolla uuden puhelimen, kun alkaisi korvauskaavakkeita runoilemaan. Saattaahan siitä omavastuuosuuden jälkeen puolet puhelimen arvosta saada takaisin armottoman väännön jälkeen.

Terveys

Terveyspuolella ajattelu menee samalla tavalla, mutta haittojen arvottaminen on henkilökohtaisempaa. Vasemman käden etusormen menettäminen on katastrofi ammattikitaristille, mutta pienempi takaisku historian lehtorille.

Valinnan optimointi

Otetaan vielä yksi esimerkki täsmällisestä vakuutuksen arvon määrittelemisestä. Olet varaamassa lentomatkaa pidennetyn viikonlopun laskettelureissulle muutaman kuukauden päähän. Vaimosi tai läheinen siskosi on kuitenkin raskaana, etkä missään nimessä lähde reissuun, mikäli synnytys käynnistyy ennen reissuun alkamista. Laskettu aika on 10 päivää lentopäivän jälkeen. Jos oletetaan raskausajan pituus normaalisti jakautuneeksi keskihajonnalla 7 päivää (lisää aiheesta), tilastotieteen peruskurssin käyneet osaavat laskea, että todennäköisyys synnytykselle lentopäivänä tai aikasemmin on 7.66%. Lennon hinta on 300€ ja matkayhtiö tarjoaa peruutusvakuutusta 23€ hintaan.

Nyt kun on tiedossa riskitekijä, jonka toteutumisen todennäköisyys tunnetaan, voidaan laskea maksimihinta vakuutukselle, mitä kannattaa maksaa: (riskin todennäköisyys) * (hyöty riskin toteutuessa) = 0.0766 * 300€ = 22.98€. Koska kyseinen rajahinta on likimain sama kuin todellinen hinta, odotusarvoisesti tämän riskin kannalta on aivan sama, otatko vakuutuksen vai et. Kuitenkin jos tähän lisätään muut erittäin epätodennäköiset ja vaikeasti arvioitavat peruutusriskit kuten itsesi tai läheisen vakava sairastuminen, kääntyy vakuutus niukasti järkeväksi sijoitukseksi.

Mielenrauhaa

Vakuutuksissa maksetaan myös mielenrauhasta. Sekin vaihtelee paljon, kuinka paljon arvostaa tietoa, että on suojautunut rahallisesti jotain riskiä vastaan. Huolettomimmille ihmistyypeille tällä ei ole juuri mitään arvoa. Toisaalta kovasti hermoiluun taipuvaiselle kaverille vakuutus, joka muuten on epäedullista uhkapeliä itseään vastaan, voikin kääntyä hyväksi sijoitukseksi mielenrauhaan.Facebooktwitterredditpinterestlinkedinmail