kognitiivisen analytiikan tuomat mahdollisuudet
TRANSCRIPT
Kognitiivisen analytiikan tuomat mahdollisuudet
Virpi Hotti
Olette avoimia – seikkailunhaluisia, mielikuvituksellisia ja älykkäitä
Olette tunnollisia – päämäärätietoisia, harkitsevaisia, velvollisuudentuntoisia ja sitkeitä
Olette energisiä introverttejä – kuuntelijoita, vakavia, rauhaarakastavia, varautuneita ja itsenäisiä
Olette miellyttäviä – mukautuvia, säädyllisiä ja luottavaisia sekä pidätte huolta itsestänne
Olette itsevarmoja – pitkäpinnaisia ja paineensietokykyisiä
Arvoisa kuulijakunta
Agenda
Kognitio, kognitiivinen laskenta ja kognitiivinen analytiikkaIBM Watson Personality Insights palvelu ja palveluesimerkkejä, jotka hyödyntävät palvelua
Investment AdvisorCelebrity Match
Kognitio (< lat. cognosco, 'havaita, tunnistaa' < kreik. γνώσις ’tieto’)Tarkaavaisuus, havaitseminen ja tunnistaminen (kuten kyky tunnistaa värejä ja muotoja, esineitä tai kasvoja) Kielelliset toiminnot (kuten kyky tuottaa ja ymmärtää luettua tai puhuttua tekstiä)Muistaminen ja oppiminenAjattelu/päättely/ongelmanratkaisu voidaan esittää algoritmin avulla
• Ajattelu-/päättely-/ongelmanratkaisuyritys joko onnistuu tai epäonnistuu
• Jos yritys onnistuu ja ihminen pääsee kognitiiviseen tavoitetilaan, niin voidaan siirtyä kognitiosta toimintaan kuten kertoa/kirjoittaa ratkaisu
Arvioidaan ja suunnitellaan toimintoja sekä suoritetaan niitä
Lähde: http://www.neuroliitto.fi/sites/default/files/liitetiedostot/Kognitio-opas2013_netti.pdf
Kognitiivinen analytiikka – kuinka organisaatiot soveltavat kognitiivista laskentaa päätöksenteossa?
Kognitiivisessa laskennassa keskeinen tiedollinen aineisto (data) muodostuu luonnollisella kielellä ilmaistuista asioista samaan tapaan kuin ihminen pyrkii ajattelemaan
Kognitiivinen laskenta (cognitive computing) jäljittelee ihmisen ajatteluprosessia tai ihmisen ja laitteiden vuorovaikutusprosessia (kuten ohjelmisto- ja teollisuusrobotit)
DataData models, advanced analytics and BI tools, etc.
Business
Business models, key questions, indicators, etc
PeopleDecision models, experiences, etc.
STRATEGIA
JOHTAMISJÄRJESTELMÄ
KULTTUURI JA ARVOT
ASIAKKAAT JA
TOIMINTA-YMPÄRIST
Ö
TULOKSET JA
LISÄARVO
Kognitiivisen analytiikan avulla saadaan käyttökelpoisia näkemyksiä erilaisista asioista kuten eri sidosryhmiin kuuluvista henkilöistä
Analytiikan avulla suunnitellaan ja ohjataan tulevaa
Mittareiden avulla seurataan toimintaa
Analytiikassa on kyse kysymisestä – IBM Watson on tällä hetkellä markkinoiden edelläkävijä
Lähde: https://console.ng.bluemix.net/docs/?cm_mc_uid=40460998702314578514193&cm_mc_sid_50200000=1465126524
IBM Watsonin Personal Insights tuottaa persoonallisuus-näkemyksiä ja visuaalisestiaurinkopyrskäytyksiä (sunbursts) – näkemyksiä voidaan käyttää esimerkiksi asiakkaiden toimenpide-suunnittelussa
Lähde: https://watson-pi-demo.mybluemix.net/sunburst
Käytännöllinen esimerkki persoonallisuusnäkemysten hyödyntämisestä
http://investment-advisor.mybluemix.net/?cm_mc_uid=40460998702314578514193&cm_mc_sid_50200000=1465126524
Persoonallisuusnäkemysten perusteella suositellaan tuotteita
Asiakkaan sitouttamiseksi annetaan näkemyksiä
Asiakkaan kanssa parhaiten asioiva valitaan persoonallisuusnäkemysten perusteella
Lähde: https://your-celebrity-match.mybluemix.net/
Arvon tuotantoon (value proposition) vaikuttaa persoonallisuudet, jotka voidaan selvittää
Kokeile palvelua: https://personality-insights-livedemo.mybluemix.net/
Miten kuulijakunnan keskiarvoistettu persoonallisuusprofiili muodostettiin?
Nimen perusteella etsittiin LinkedIn:stä ja/tai Googlesta vähintään 100
sanaa
Teksti syötettiin Personality Insights
palveluun
49 piirrearvoa tallennettiin ja tehtiin
yhteenvetoja
Olette avoimia – seikkailunhaluisia, mielikuvituksellisia, älykkäitä ja liberaaleja, mutta ette juurikaan näytä omia tunteitanne
94 %
45 %7 %
86 %88 %95 %
Olette tunnollisia – päämäärätietoisia, harkitsevaisia, velvollisuudentuntoisia ja sitkeitä
98 %95 %70 % 45
%87 %
43 %
Olette energisiä introverttejä – kuuntelijoita, vakavia, rauhaarakastavia, varautuneita ja itsenäisiä
97 % 6 %
2 %2 %
10 %9 %
Olette miellyttäviä – mukautuvia, säädyllisiä ja luottavaisia sekä pidätte huolta itsestänne ja ajattelette, että ihmisten pitää luottaa enemmän itseensä
33 %
79 %63 %64 %
47 %
78 %
Olette itsevaroja – pitkäpinnaisia ja paineensietokykyisiä; olette tyytyväisiä itseenne, mutta herkkiä muiden sanomisille
14 %23 %15 %15 %
72 %
24 %
Sosiaaliset taipumukset (personality types, primary characteristics, social propensities) vaikuttavat kulutustottumuksiimme
Openness Conscientiousness
Emotional Range
Agreeableness Extraversion Outcome
high Try new thinghigh Respond to product respond high Not abuse credits cards low Abuse credits cards low low Avoid to take risks high Take riskshigh high Self-improvementhigh high high Greater life expectancy high Consume high-fat food high Consume low-fat foodhigh Try varied diet high Participate religious practices
Koottu: IBM Watson Developer Cloud: Personality Insights basics. https://www.ibm.com/smarterplanet/us/en/ibmwatson/developercloud/doc/personality-insights/basics.shtml
Loppumotto: Mieli kielen sanoittaa – kokemus kielenkannat kirvoittaa
Virpi Hottihttps://fi.linkedin.com/in/virpihotti
Esityksestä kuulijoita kiittäenWhen we will categorize contents the triggers are formed using operators. The operators are used when the sentiments (i.e., positive, negative or neutral) are recognized, for example, from tweets. Furthermore, it is possible to compare sentences to have an algorithm scoring their similarity. Nowadays, analytics tools support citizen data scientist, for example, hiding the names of techniques (e.g.,., algorithms) and instead of statistical issues the business-related concepts are used. For example, data contain data items the role of which (e.g., input or target) can vary. However, data modeling level or type (e.g., nominal, ordinal and continuous/interval) affects for patterns and models. For example, nominal data (e.g., names) can be counted, ordinal data (e.g., ratings) can be counted and ordered, and continuous data (e.g., amounts) can be counted, ordered and measured. When we explore data then we try to find out patterns or models. The exploring is used of instead of the analytics which refers “to extracting useful business patterns or mathematical decision models from preprocessed data set”. If there is no real target to steer the analyzing process, then the main aim is to describe patterns (e.g., associations or clusters). If there is the real target, then the main aim is to build models (e.g., networks, regressions and trees)