Rakennettu ympäristö ja liikenne muodostavat noin 34% maailman kasvihuonepäästöistä. Jos mukaan lasketaan vielä teollisuus niin osuus nousee jo lähemmäs 60%. Selkeästi suurimmat päästöjen lähteet ovat energian tuotanto kattaen niin kulutus- ja lämmitysenergian kuin myös liikenteen polttoaineiden sisältämän energian. Samaan aikaan YK arvioi, että vuonna 2050 lähes 70% ihmisistä asuu kaupungeissa. 

Täten kaupungeilla on valtava merkitystä ja vastuu kestävän tulevaisuuden rakentamisessa. 

Luonnollisesti puhtaampien ja kestävien polttoaineiden sekä energiatuotantomuotojen kehittäminen ovat avainasemassa ilmastonmuutoksen hillitsemisessä ja vihreän siirtymän tukemisessa. Mutta se ei yksistään riitä, koska siirtyminen kestävämpään tuotantoon voi vaati merkittäviäkin kansallisia investointeja, jotka vaativat aikaa ja rahaa. Samaan aikaan olemassa olevaa infraa ja kapasiteettia tulisi kuitenkin pystyä hyödyntämään täysimääräisesti ja entistä tehokkaammin. 

Onko tehtävä kenties mahdoton? Luultavasti ei, mutta haastava se on. Voisiko kenties tekoälystä ja reaaliaikaisesta analytiikasta sekä siihen pohjautuvasta tilannekuvasta muodostua yksi merkittävimmistä vihreän siirtymän kulmakivistä ja kestävyyden mahdollistajista? Ja miten tekoälyä ja kehittynyttä analytiikkaa voitaisiin soveltaa energiaverkkojen, tilaus-toimitusketjujen ja liikennejärjestelmän hallinnassa sekä optimoinnissa.

Analytiikan rooli liiketoiminnan johtamisessa ja päätöksenteossa

Organisaatiot hyödyntävät yhä enemmän operatiivista analytiikkaa liiketoiminnassaan ja sen johtamisessa ja optimoidakseen omaisuutensa tai hallitsemiensa järjestelmien suorituskykyä. Olipa kyse sitten rakennetusta ympäristöstä tai liikenne-, energia- ja logistiikkaverkosta - vain muutamia mainitakseni - reaaliaikaisella analytiikalla pyritään parantamaan järjestelmien kokonaistehokkuutta ja suorituskykyä (Overall Equipment Effectiveness, OEE), jota on yleensä pidetty yhtenä teollisen huippuosaamisen keskeisimmistä indikaattoreista. Valmistus- ja tuotantoteollisuudessa OEE:tä mitataan yleensä käytettävyyden, suorituskyvyn ja laadun avulla, kun taas kuljetus- tai liikkuvan kaluston teollisuudessa OEE voidaan määritellä täsmällisyyden, sujuvuuden ja kapasiteetin avulla.

Tässä kirjoituksessa "liiketoiminnan reaaliaikaisella analytiikalla" viitataan lyhyen vasteajan tai viiveen analyyttistä tietojenkäsittelyä, jossa liiketoiminnan kannalta merkitykselliset päätökset tai toimet toteutetaan sekunneissa tai korkeintaan muutamissa minuuteissa havaintojen saamisen jälkeen. Tässä kohdassa on myös hyvä tehdä ero todellisiin turvallisuuskriittisiin reaaliaikaisiin valvontajärjestelmiin, joilla on kovat vaatimukset ennustettavista ja erityisistä aikavaatimuksista tietojen käsittelylle ja toimituksen laadulle. Tässä kirjoituksessa ei käsitellä niitä vaan tarkastellaan enemmän systeemitason muutosta rakennetussa ympäristössä ja liikenteessä sekä mitä hyötyjä reaaliaikainen analytiikka voi niihin tuoda.

Kun järjestelmä on riippuvainen (eli tehtäväkriittinen) reaaliaikaisesta analytiikasta, voi syntyä vakavia ja yllättäviä haasteita, jos tiedonsaanti häiriintyy tai tieto ja algoritmit ovat virheellisiä. Lisäksi toimintaa on mahdotonta parantaa tai tehostaa faktapohjaisesti, jos tietoa ei voida mitata tai kerätä. Näin ollen tietojen on oltava saatavilla, ja mitattavien ja havainnoitavien asioiden määrittelyyn on myös panostettava.

Tilannetietoisuus ja sen jakaminen olennaisille tahoille tulevat olemaan merkittävimmistä tulevaisuudessa korostuvista kyvyistä. 

Kyky esittää visuaalisesti ja loogisesti reaalimaailman järjestelmän ja sen operatiivinen tila sekä analyyttinen näkemys auttaa organisaatioita tekemään parempia päätöksiä. Erityisesti visuaalinen esitysmuoto korostuu tilannetietojärjestelmissä, koska niiden avulla voidaan välittää asiaankuuluvaa tietoa oikeille käyttäjille tai toiminnoille helposti ymmärrettävässä muodossa joko kokonaisjärjestelmästä tai sen osista.

Riippumatta siitä, onko käytettävissä reaaliaikaista analytiikkaa vai ei, päätökset ovat yleensä reaaliaikaisia. Reaaliaikainen tieto ja analytiikka ei aina ole edes tarkoituksenmukaista, ja siksi reaaliaikaista analytiikkaa olisi käytettävä vain silloin, kun se katsotaan välttämättömäksi. Mutta kun reaaliaikaisuus on tärkeää, vain keskeiset tiedot olisi tiivistettävä ja tärkeät asiat korostettava, jotta vältetään tiedon ylikuormittavuus. 

Liian paljon tietoa on yhtä ongelmallista kuin liian vähän tietoa, kun tehdään aikakriittisiä päätöksiä.

Reaaliaikaisen analytiikan avulla käyttäjät voivat reagoida viivyttelemättä, havaita ja tunnistaa kehittyvät ongelmat tai hyödyntää mahdollisuuksia, jotka muuten jäisivät huomaamatta. Reaaliaikaisen analytiikan avulla voidaan siis vähentää toimintaan liittyviä riskejä reaaliaikaisen analytiikan edistämän ennakointikyvyn ansiosta.

Analytiikka ja ennakointi seuraavalle tasolle tekoälyn avulla

Parhaimmillaan, kun reaaliaikainen analytiikka yhdistetään tekoälytyökaluihin, koneoppimiseen, raportointiin, tietovirtojen käsittelyyn ja optimointityökaluihin, se voi jopa ehdottaa vaihtoehtoja ja mahdollisia vastatoimia sen sijaan, että luotettaisiin vanhoihin tottumuksiin, menettelyihin tai vaikka tiettyihin kokeneisiin asiantuntijoihin. Myös lisääntyvä laskentakapasiteetti ja lyhenevät tiedonsiirtoviiveet avaavat monia uusia mahdollisuuksia useilla toimialoilla. Alla on kuvatta muutamia esimerkkejä tekoälyn soveltamismahdollisuuksista ja potentiaalisista hyödyistä kolmelle Sitowiselle tärkeälle toimialalle:

Energiaverkot

  • Tekoäly voi edesauttaa energiansiirron hävikin pienentämisessä tekemällä suosituksia verkon eri solmujen ja osien konfiguraatioiden optimoinnista kulutuksen ja tuotannon suhteen.
  • Historiatiedon, sääennusteiden, sähköntuotantotietojen ja ennusteiden sekä kulutusmallien yhdistäminen energian jakelun optimoimiseksi ja mahdollisten verkkohäiriöiden ennustamiseksi.
  • Energiantarpeen tarkka ennustaminen vähentää hukkaa mikä edistää kestävämpää tulevaisuutta, mutta auttaa myös optimoimaan kulutusta muun muassa sähkön hinnan suhteen.

Tilaus-toimitusketjut ja logistiikka

  • Tekoäly voi analysoida historiallista dataa ja ennustaa tulevaa kysyntää. Tämä auttaa yrityksiä optimoimaan varastotasot ja välttämään ylitarjontaa tai alitarjontaa markkinakohtaisesti. Lisäksi tekoäly voi tunnistaa kausivaihtelut ja poikkeamat, jolloin toimitusketju voidaan suunnitella tehokkaammin.
  • Optimaalisten kuljetusreittien laskenta. Tekoäly ottaa huomioon tekijät kuten etäisyydet, liikenteen, sääolosuhteet ja toimitusaikataulut sekä myös tarvittavat muutokset myös kuljetusten aikana optimoidakseen kuljetuskaluston täyttö- ja käyttökapasiteetin.
  • Tekoälynavusteinen varastojen sijoittelun ja varastonhallinnan optimoimisessa. Lisäksi tekoälyn avulla voidaan parantaa myös varautumista erilaisiin häiriöihin.
  • Tekoäly parantaa toimitusaikataulujen arviointia ja täsmällisyyttä ottamalla huomioon monimutkaiset tekijät, kuten liikenteen, sääolosuhteet ja varastojen saatavuuden.

Liikennejärjestelmä ja liikkuminen

  • Tekoäly voi analysoida liikennetietoja, ennustaa erilaisia ilmiöitä (esim. ruuhkat) ja ehdottaa reitin optimointia tai keinoja ilmiöiden vaikutusten minimoimiseksi jopa ennakoitavasti, ja siten auttaa vähentämään matka-aikoja, polttoaineenkulutusta ja päästöjä.
  • Tekoälyn avulla liikennettä voidaan ohjata ja hallita dynaamisesti, minkä kautta olemassa olevan liikenneverkon välityskykyä voidaan tehostaa, matka-aikoja lyhentää, turvallisuutta parantaa ja pienentää liikenteen päästöjä.
  • Tekoäly voi optimoida joukkoliikenteen aikatauluja ja reittejä huomioimalla matkustajamäärät, liikenteen ruuhkat ja muut tekijät. Tämän avulla voidaan parantaa joukkoliikenteen täsmällisyyttä, säännöllisyyttä, saavutettavuutta ja kestävyyttä.
  • Tekoälyn avulla kyetään optimoimaan liikenneinfrastruktuurin elinkaarta ennustamalla mm. huoltotarpeita, niiden sisältöä sekä aikataulua.

Mikä merkitys paikkatiedolla on tässä kehityskulussa?

Paikkatiedolla on analytiikalle ja päätöksenteolle olennainen merkitys, koska se tarjoaa kontekstin. Se ei ole vain abstrakti tieto, vaan se liittyy aina johonkin maantieteelliseen sijaintiin. Lisäksi se ei ole vain tekninen käsite, vaan se vaikuttaa laajasti yhteiskuntaan, liiketoimintaan ja päätöksentekoon. Sen syvällinen ymmärtäminen on avain parempaan tulevaisuuteen. 

Tiivistettynä paikkatieto on olennainen päätöksenteossa useista syistä:

  • Rikastamalla liiketoimintatietoja ulkoisella datalla, joka sisältää sijaintitiedon, pystytään syventämään liiketoimintaymmärrystä ja tuomaan uusia näkökulmia päätöksenteon tueksi.
  • Esimerkiksi kartalle visualisoituna tieto on helposti ymmärrettävissä ja kokonaisuus paremmin hahmotettavissa. Tietojen yhdistäminen ja visualisointi saattaa jopa tehdä näkyväksi asioita, joita ei muuten olisi havaittavissa.
  • Paikkatietojärjestelmä (GIS) mahdollistavat sijaintitiedon sisältävän datan tallentamisen, analysoinnin, jakamisen ja erilaisten sisäisten työkalujen rakentamisen.
  • Paikkatietojärjestelmän avulla voidaan tehostaa esimerkiksi luonnonvarojen hallintaa, materiaalivirtojen ohjausta, kaupunkiympäristön suunnittelua ja liiketoiminnan tehostamista.