• 06.08.15, 12:13
Tähelepanu! Artikkel on enam kui 5 aastat vana ning kuulub väljaande digitaalsesse arhiivi. Väljaanne ei uuenda ega kaasajasta arhiveeritud sisu, mistõttu võib olla vajalik kaasaegsete allikatega tutvumine

Tehisintelligentsed “töötajad” aitavad teha paremaid juhtimisotsuseid

Andmed iseenesest ei oma väärtust, reaalset kasu on võimalik saada siis, kui neid õigesti kasutada. Selleks, et muutuvas ärimaailmas konkurentsis püsida, on järjest olulisem saada kätte juhtimisotsuste jaoks vajalik info, mida lihtne statistika ja Excel ei suuda tuvastada. Masinõppimine (machine learning) hõlmab endas algoritme, mis suudavad ise õppida, tuvastada peidetud seoseid ja teha nende põhjal prognoose.
Tehisintelligentsed “töötajad” aitavad teha paremaid juhtimisotsuseid
Masinõppe mudelid on nagu tehisintelligentsed töötajad, kelle teadmiste hulk alguses on nullilähedane, aga andes juurde infot, muutuvad nad täpsemateks ning produktiivsemateks ja on suutelised tuvastama seoseid, mis muidu suurtes andmekogudes jääksid nähtamatuks. Tavapärane käsitlus on näiteks see, et kui ettevõtte viib läbi reklaamikampaania ja seejärel tõuseb müügitulu, võib lugeda kampaaniat edukaks. Tegelikkuses on põhjuseid tunduvalt enam - sobiv hooaeg, muutused toodete/teenuste osutamises või konkurentide passiivsus.
Samas, ekslik oleks arvata, et masinad saab panna enda eest juhtimisotsuseid tegema. Suurte andmemahtude haldamiseks ja analüüsimiseks on masinõpe efektiivne, kuid ärijuhtimiseks on vaja kujutlusvõimet ja oskust tajuda tervikpilti. Niinimetatud tehisintelligentsetele “töötajatele” ei saa panna vastustust aga tänu neile on võimalik saada vajalikku sisendit keerukate otsuste tegemiseks.Sõltuvalt vajadusest, on mitmeid erinevaid võimalusi, kuidas masinõppe meetodid ettevõtte jaoks tööle panna, näiteks:
uute potentsiaalsete klientide leidmine varasema müügitöö andmete baasilklientide käitumise prognoosimine varasemate ostude baasilriskantsete klientide leidmine varasema kliendikao kogemuse põhjalkliendi või tarnija krediidiriski määratlemineklientide grupeerimine ostukäitumise baasil, et personaliseerida turundustuute trendide avastamine klientide ostukäitumise baasilettevõttesse sobivate töötajate leidmine praeguste ja endiste töötajate andmete baasilmasinate rikkepõhjuste leidmine ja rikete prognoosiminetarneplaani optimeerimine tarnijate iseloomustuse ja tingimuste baasil
Tegelik võimaluste hulk on piiratud vaid kujutlusvõimega. Masinõppimine on kasutatav kõikjal, kus vaja hinnata kliente, tarnijaid, projekte, objekte või valikuvariante Jah-Ei põhimõttel, leida seoseid nende vahel ning tuvastada mustreid. Masinõppimise mudeleid ei peaks vaatlema kui lihtsalt andmebaasi, vaid kui kiireid ja professionaalseid abilisi, sest just nemad annavad juhtidele sisendi tegemaks efektiivseid ja õigeid otsuseid.
Autor: Kristiina Zadin, Inforegistri turundusjuht

Seotud lood

  • ST
Sisuturundus
  • 26.09.24, 14:38
Tele2 näide: põlvkondade vastandamine tööelus edasi ei vii, oluline on leida ühisosa
Palju räägitakse kääridest generatsioonide vahel, tunduvalt vähem aga erinevate põlvkondade ühisosast. Edukaks koostoimimiseks ja tulemuste saavutamiseks on hädavajalik koostöö, ent kuidas tagada selle viljakus, kui inimesed hindavad üksteist vanuse järgi? Tele2 personalivaldkonna juht Helena Viiroja ja personalipartner Kerli Möldre räägivad, kuidas on neil lahendatud põlvkondade erinevuse küsimus.

Hetkel kuum

Liitu uudiskirjaga

Telli uudiskiri ning saad oma postkasti päeva olulisemad uudised.

Tagasi ITuudised esilehele