Case ADE: Dataan perustuva tuotekehitys tuo tyytyväisempiä asiakkaita ja parempaa kilpailukykyä

UnSeen auttaa kehittämään tietovarastojen rakentamista ja käyttöä automatisoivaa Agile Data Engine -DataOps-alustaa (ADE). Dataa keräämällä ja jalostamalla kehitetään ominaisuuksia, jotka kasvattavat ADE:n kilpailukykyä ja joiden avulla loppukäyttäjä saa aikaan enemmän, nopeammin ja pienemmillä kustannuksilla.

ADE:a käyttävät useat isot suomalaiset ja kansainväliset yritykset, kuten DNA, Fortum, Ponsse, S-ryhmä, ISS ja Skandia. Joulukuusta 2023 lähtien ADE Insights Oy on toiminut omana tytäryhtiönään osana Solita-konsernia.

Haaste: Lisää kierroksia maailmanvalloitukseen

Joko ollaan mukana tai tiputaan kärryiltä.

Näin painokkaasti Agile Data Enginen tuotejohtaja Harri Kallio kuvaa tekoälyn roolia IT-alalla vuonna 2023. Siksi ADE:nkin tuotekehityksessä haluttiin selvittää, mitä dataa ja tekoälyä hyödyntämällä olisi mahdollista saada aikaan. Tavoitteena oli tukea ADE:a saamaan yhä suurempi jalansija myös kansainvälisesti.

Tämän bisneksen elinehto on, että tuotetta kehitetään jatkuvasti. Tiesimme, että tekoälyn avulla on mahdollista toteuttaa uusia ominaisuuksia, jotka auttavat asiakkaitamme. Oli vain löydettävä sopiva tapa kehittää ja hyödyntää niitä osana ADE:a, Kallio sanoo.

Ratkaisu: Data science nostaa esille innovaatiomahdollisuuksia

Sopivien kehityssuuntien selvittämiseksi ADE:n sisälle perustettiin tekoälytiimi, jonka ensimmäisenä jäsenenä aloitti UnSeenin data science -asiantuntija Jaakko Routamaa.

Meillä oli jo ennestään hyvä suhde UnSeeniin, ja riskitasojen hallitsemiseksi halusimme hankkia aluksi osaamista konsulttimallilla. Homma onkin sujunut mutkattomasti ja ohjaamista on tarvittu hyvin vähän, Kallio sanoo.

Routamaa alkoi tutkia ADE:n dataa ja käynnisti Kallion sanoja lainaten tutkimusmatkan.

Aluksi toteutettiin eksploratiivinen data-analyysi, jossa peilattiin kehitysideoita ADE:n käyttämisestä kerättyyn dataan. Datasta muodostettiin avainlukuja ja visualisointeja helpottamaan päätöksentekoa, ja lopulta osa ideoista hylättiin ja potentiaaliset vietiin eteenpäin. Iteroinnin jälkeen valittiin kaikista lupaavin idea uudesta ominaisuudesta. Sen toteutuksessa päätettiin hyödyntää omalla datalla koulutettua koneoppimismallia, minkä jälkeen ominaisuutta alettiin kehittää tuotantoon.

Vaikka projekti lähti liikkeelle tutkimusmatkan tapaan, oli tärkeää pysyä alusta asti kiinni konkretiassa.

Emme halunneet, että tässä vain harrastetaan pari vuotta jotain, vaan että alamme heti tuoda hyödynnettäviä asioita mukaan ADE:en. Kun on ensin haave ja se yhdistyy konkretiaan niin voi tapahtua hienoja juttuja, kuten on nyt nähty, Kallio toteaa.

Tulokset: Tie on auki tyytyväisemmille asiakkaille ja uusille mahdollisuuksille

Puoli vuotta projektin aloittamisesta ADE:n ensimmäinen uusi ominaisuus oli valmis julkaistavaksi. Samaan aikaan uusia koneoppimismalleja hyödyntäviä ominaisuuksia oli jo alettu kehittää.

Nyt meillä on prosessi, jonka avulla voimme tuoda ADE:en lisää asiakkaiden toivomia ominaisuuksia. Näin he saavat enemmän, nopeammin ja vähemmillä kustannuksilla. Meille se puolestaan tarkoittaa kilpailukyvyn kasvamista, kun pidämme nykyasiakkaamme tyytyväisempinä ja pystymme houkuttelemaan uusia asiakkaita, Kallio sanoo.

Kallio arvostaa korkealle sen, miten UnSeenin avulla datan hyödyntäminen ADE:n kehittämisessä on ottanut harppauksia eteenpäin.

Lähes nollasta olemme päässeet siihen, että nyt meillä kehitetään joka päivä tekoälyä käyttäviä ominaisuuksia. Eli homma on saatu käyntiin ja voi huomata, miten kehittäminen menee joka viikko eteenpäin. Olemme toki alkumatkalla, mutta tämä alkukipinä on ollut todella tärkeä siinä, että emme ole vain jääneet haaveilemaan.