Virpi Hotin esitys 14.6.2016 Affecton Talouden ennustamisen huominen -aamiaisseminaarissa.

1. Kognitiivisen analytiikan tuomat mahdollisuudet
Virpi Hotti

2. 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

3. Agenda
Kognitio, kognitiivinen
laskenta ja kognitiivinen
analytiikka
IBM Watson Personality
Insights palvelu ja
palveluesimerkkejä, jotka
hyödyntävät palvelua
Investment Advisor
Celebrity Match

4. 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 oppiminen
Ajattelu/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

5. 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)
Data
Data models,
advanced
analytics and BI
tools, etc.
Busines
s
Business
models, key
questions,
indicators, etc
People
Decision
models,
experiences,
etc.

6. STRATEGIA
JOHTAMISJÄRJESTELMÄ
KULTTUURI JA ARVOT
ASIAKKAAT JA
TOIMINTA-
YMPÄRISTÖ
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

7. 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

8. Lähde: http://visual-recognition-demo.mybluemix.net/

9. IBM Watsonin Personal
Insights tuottaa
persoonallisuus-
näkemyksiä ja
visuaalisesti
aurinkopyrskäytyksiä
(sunbursts) –
näkemyksiä voidaan
käyttää esimerkiksi
asiakkaiden
toimenpide-
suunnittelussa
Lähde: https://watson-pi-demo.mybluemix.net/sunburst

10. Käytännöllinen esimerkki persoonallisuusnäkemysten hyödyntämisestä
http://investment-advisor.mybluemix.net/?cm_mc_uid=40460998702314578514193&cm_mc_sid_50200000=1465126524

11. Persoonallisuusnäkemysten perusteella suositellaan tuotteita

12. Asiakkaan sitouttamiseksi annetaan näkemyksiä

13. Asiakkaan kanssa parhaiten asioiva valitaan persoonallisuusnäkemysten
perusteella

14. Lähde: https://your-celebrity-match.mybluemix.net/
Arvon tuotantoon (value proposition) vaikuttaa persoonallisuudet, jotka
voidaan selvittää

15. Kokeile palvelua: https://personality-insights-livedemo.mybluemix.net/
Miten kuulijakunnan keskiarvoistettu persoonallisuusprofiili muodostettiin?
Nimen perusteella
etsittiin
ja/tai Googlesta
vähintään 100
Teksti syötettiin
Personality
palveluun
49 piirrearvoa
tallennettiin ja
tehtiin

16. Olette avoimia – seikkailunhaluisia, mielikuvituksellisia, älykkäitä ja liberaaleja,
mutta ette juurikaan näytä omia tunteitanne
94 %
45 %
7 %
86 %
88 %
95 %

17. Olette tunnollisia – päämäärätietoisia, harkitsevaisia, velvollisuudentuntoisia ja
sitkeitä
98 %
95 %
70 %
45 %
87 %
43 %

18. Olette energisiä introverttejä – kuuntelijoita, vakavia, rauhaarakastavia, varautuneita
ja itsenäisiä
97 %
6 %
2 %
2 %
10 %
9 %

19. Olette miellyttäviä – mukautuvia, säädyllisiä ja luottavaisia sekä pidätte huolta
itsestänne ja ajattelette, että ihmisten pitää luottaa enemmän itseensä
33 %
79 %
63 %
64 %
47 %
78 %

20. Olette itsevaroja – pitkäpinnaisia ja paineensietokykyisiä; olette tyytyväisiä itseenne,
mutta herkkiä muiden sanomisille
14 %
23 %
15 %
15 %
72 %
24 %

21. Sosiaaliset taipumukset (personality types, primary characteristics, social
propensities) vaikuttavat kulutustottumuksiimme
Openness Conscientiousness Emotional Agreeableness Extraversion Outcome
high Try new thing
high Respond to product respond
high Not abuse credits cards
low Abuse credits cards
low low Avoid to take risks
high Take risks
high high Self-improvement
high high high Greater life expectancy
high Consume high-fat food
high Consume low-fat food
high 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

22. Loppumotto:
Mieli kielen sanoittaa – kokemus kielenkannat kirvoittaa
Virpi Hotti
https://fi.linkedin.com/in/virpihotti
Esityksestä kuulijoita kiittäen
When 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)