BayMinerin käyttö ei edellytä IT-projektin käynnistämistä

Joustava lähestymistapa

BayMiner on monipuolinen reaaliaikainen analyysipalvelu, jota voi käyttää moniin eri tietojenkäsittelytarkoituksiin, esim. seuraaviin:

taulukkolaskenta- ja tietokanta-analyysit,
vertailuluokitus ja kysely mallinnettua tietokantaa käyttäen,
klusterointi (ryvästys) ja profilointi.

Soveltaminen

BayesIT toimittaa BayMineria pääasiassa toimialariippumattomina ratkaisuina, jotka liittyvät tietämyksen muodostukseen (Knowledge Discovery); se myös konsultoi yleisen tietämyksenhallinnan infrastruktuurikysymyksissä.

Dynaaminen käyttöliittymä varmistaa toimivuuden

Asiakastarpeeseen suunniteltu ratkaisu sisältää aina vaikeita päätöksiä käyttöliittymän suhteen. Koska käytäntö on osoittanut, että monen IT-projektin epäonnistumisen takana on puutteellinen käyttäjäystävällisyys, BayesIT on kehittänyt BayMineriin internet-sovelluksena dynaamisen käyttöliittymän, jonka toimintaa ohjaa taustalla oleva Bayes-verkko. Tämä ratkaisu on osoittautunut erittäin hyvin toimivaksi.

Tietoturva

Asiakkaan usein arkaluontoisen datan vuoksi tietoturvaan on kiinnitetty normaalia enemmän huomiota. Asiakkaat eivät saa päästä käsiksi toistensa dataan. Ohjelmistorakenteen huolellisella suunnittelulla ja toteutuksella voidaan rajata asiakaskohtaisesti pääsy vain tiettyyn osaan palvelinta ja tietyille prosessoreille. Laitteet ja ohjelmat valvotaan käyttäen SSH-ohjelmia, ja tietoliikenne voidaan suojata SSL-protokollaa käyttäen, jos asiakas niin vaatii.

Käytetty arkkitehtuuri

BayMiner on tuotteistettu siten, että sitä voi käyttää BayesIT:n palvelimella puhtaana laskentapalveluna. Sovellukset tarjotaan WWW-selaimen kautta. BayesIT tarjoaa BayMiner-käyttöä ensisijaisesti ASP-palveluna. Asiakas voi näin ulkoistaa sovelluksensa ja käyttää niitä tietoliikenneyhteyksien kautta BayesIT:n palvelimella. Vaihtoehtoisesti asiakas voi käyttää sovellusta oman palomuurin suojassa BayesIT:ltä liisatulla Linux-alustalla toimivalla palvelimella.

Soveltamiseen liittyviä tärkeitä yksityiskohtia

Pienet yksiköt voivat yhdistää tietonsa

BayMinerin avulla yrityksen eri alueelliset yksiköt voivat yhdistää normaalisti raportointiin kuulumatonta dataansa. Tämä on tarpeen, sillä pienen yksikön on vaikeaa kerätä tilastollisesti riittävä määrä analysoitavia esimerkkitapauksia sekä saada kaikki tarpeelliset tiedot niistä. Tiedoista voi puuttua jopa 50 %, ja silti tulos on hyödyllinen. BayMinerin avulla jokainen yksikkö voi esim. tunnistaa ja nähdä oman alueensa ja asiakasryhmänsä erikoispiirteet, samalla kun kaikkien syöttämän datan määrä varmistaa sen, että mallista tulee hyvä ja luotettava.

Jokainen yksikkö voi nähdä oman suorituskykynsä suhteutettuna muiden toimintaan, ilman että paljastuu, kuka kukin on (kaikki käyttävät salaista koodia eivätkä esim. nimeään). Yritys voi pitää oman tunnuksensa salassa, tai keskusorganisaatio voi hallinnoida tunnuksia – aivan kuten emoyritys itse haluaa päättää. Näin esimerkiksi tytäryhtiön johto voi analysoida omaa kannattavuuttaan, ilman että muiden tytäryhtiöiden johto näkee asioita, joita ei haluta paljastaa.

Yksittäisen hankkeen tarkka analyysi

Kukin tapaus, esimerkiksi yksittäinen hanke, toimitus tai alueellinen tulosyksikkö, visualisoidaan pisteenä 3D-avaruudessa. Käyttäjä löytää tuhansienkin tapahtumien joukosta yksittäisen tapauksen ja voi analysoida tämän tarkkaan, esim. muodostaa siitä oman profiilin, joka sisältää kaikki mukana olevat muuttujat. Samalla mallilla yrityksen johto tai esikunta voi siis analysoida myös yksittäisen yksikön toiminnan.

Toiminnan laajuus

Tilastollinen käsittely perustuu aina suureen datamäärään. Mutta vaikka takuutoimituksia olisi esim. alle sata/vuosi, BayMiner suoriutuu takuutoimitusanalyysistä edelleen hyvin. BayMinerissa käytetyn todennäköisyysperustaisen laskentamenetelmän eli Bayes-verkkojen suorituskyky on osoittautunut testeissä ja vertailuissa nimenomaan pienen ja vaikean datan kohdalla ylivoimaiseksi. Menetelmä skaalautuu melko hyvin, joten BayMiner soveltuu myös tilanteisiin, joissa toimituksia on jopa satatuhatta vuodessa.

Hyvin pienet analyysit

Yksinkertaisimmillaan lähdeaineiston voi kerätä ja valmistella käyttämällä esimerkiksi taulukkolaskentaohjelmaa siten, että muuttujien arvot ovat sarakkeissa ja tapaukset riveinä. Sisäisessä arvioinnissa asiakkaat, hankkeet ym. voidaan jakaa vapaasti nimettäviin luokkiin. Luokkia voivat olla esimerkiksi ”tuottaa tulosta”, ”nollatulos” ja ”syö tulosta”. Käyttäjä luo ja määrittelee luokat itse. Sekä muuttujien nimet että arvot voivat olla samassakin datassa erityyppisiä.

Mallin päivitys

Syntynyttä mallia voi päivittää milloin tahansa laskemalla päivitetystä datasta uusi malli. Datan päivittäminen tapahtuu helposti lisäämällä rivejä taulukkoon uusista esimerkkitapauksista. Uuden mallin laskenta kestää joistakin kymmenistä sekunneista kymmeniin minuutteihin; tarvittava aika riippuu pääasiassa esimerkkitapausten ja muuttujien määrästä.

Jatkuva seuranta

Jos yritys luovuttaa asiakkaalle laitteita ja palveluja, on mielekästä kehittää järjestelmä, joka kerää asiakaspalautteen luovutuksen yhteydessä. Palvelun toimittaja voi edullisesti ottaa käyttöön uuden dynaamisen palautemallin aina, kun tilanne niin vaatii. Sitä mukaa kun palautteita kertyy lisää, malli paranee ja tietämys lisääntyy. Kun palautemalliin liitetään takuutoimitusdata, yrityksen tietämys omasta palveluprosessistaan kasvaa entisestään.