Suomalaisen it-yrityksen Digian tekoäly-ennuste kertoi jo syyskuun alussa, että jääkiekon Pohjois-Amerikan pääsarjan NHL:n todennäköisin mestari on Tampa Bay Lightning.

Syyskuun alussa julkaistu, tekoälyyn ja koneoppimiseen perustuva ennustemalli nosti lisäksi Dallas Starsin pudotuspelien mahdolliseksi yllättäjäksi pudotuspelien kolmanneksi parhailla voitonmahdollisuuksilla.

Ennusteen osumatarkkuus osoittautui kohtalaisen hyväksi, kun joukkueet lopulta kisasivat vastakkain Stanley Cup -finaalissa. Tampa Bay pääsi nostamaan kannua voittamalla loppuottelusarjan voitoin 4-2.

Leikkimielinen ennuste auttaa ymmärtämään, millaisiin kysymyksiin simulaatio ja koneoppiminen voivat tuoda vastauksia niin urheilussa kuin liiketoiminnan kehittämisessä.

Digian ennustesivulla on lisäksi seurattu tekstianalytiikan keinoin sävymuutoksia NHL-joukkueita koskeneessa Twitter-keskustelussa.

”Tampa Bay Lightningin ja Dallas Starsin menestyminen Stanley Cupin pudotuspeleissä voitiin ennakoida jo kolme viikkoa sitten Twitter-keskustelun sävyanalyysin perusteella. Jo silloin joukkueisiin liittyvä keskustelu oli positiivisempaa kuin muiden”, analytiikan senior liiketoimintakonsultti Timo Kohtala Digialta kertoo.

Enemmän kuin pari muuttujaa

Kun kaksi suunnilleen tasavahvaa joukkuetta kohtaavat, monet pienet asiat vaikuttavat lopputulokseen. Myös sattumalla on suuri rooli. Koska pudotuspeleissä joukkueiden tasoerot ovat pienimmillään, on ennustaminen vieläkin vaikeampaa.

”Esimerkiksi pelaajien tunteet, väsymys, perheongelmat, media ja loukkaantumiset voivat vaikuttaa otteluiden lopputuloksiin”, datatutkija Joachim Wahlström Digialta havainnollistaa tiedotteessa.

”Koska kaiken tämän tiedon kerääminen on käytännössä mahdotonta, ei koneoppimisalgoritmimme myöskään osannut hyödyntää edellä mainittuja asioita ennusteessa” Wahlström jatkaa.

Toisaalta koneoppimisen avulla on mahdollista tunnistaa vaikuttimia ja ilmiöitä, jotka ovat ihmiselle näkymättömiä: kone pystyy käsittelemään suuria määriä dataa eri lähteistä pitkältä ajalta.

Näin ollen Digian ennusteen arvio Tampa Bayn mestaruusmahdollisuuksista korreloi Wahlströmin mukaan useiden viikkojen ajan varsin hyvin vedonlyöntiyhtiöiden kertoimien kanssa. T

”Toisaalta Dallas Stars oli joukkue, joka sai meidän ennusteemme mukaan jatkuvasti liian korkeita kertoimia vedonlyöntiyhtiöiltä. Tämä indikoi jääkiekosta kiinnostuneiden mahdollisesti olleen liian pessimistisiä Dallasin mestaruusmahdollisuuksista”, Wahlström kertoo.

Mitä esimerkki opettaa?

Leikkimielinen ennuste auttaa ymmärtämään, millaisiin kysymyksiin simulaatio ja koneoppiminen voivat tuoda vastauksia niin urheilussa kuin liiketoiminnan kehittämisessä.

Simulointia ja koneoppimista voidaan hyödyntää myös liiketoiminnan ennustamisessa ja kehittämisessä. Stanley Cup -analyysi auttaa ymmärtämään menetelmien käyttökohteita.

Koneoppiminen on tehokas työkalu, kun halutaan tunnistaa yksittäisiä datapisteitä, kuten mihin segmenttiin asiakas X kuuluu tai oliko asiakaspalaute negatiivista vai positiivista.

Koneoppiminen sopii myös operatiivisten työkalujen luomiseen, mistä esimerkkejä ovat chatbotit ja itseajavat autot. Koneoppiminen vaatii aina dataa.

Simulaatiolla on mahdollista mallintaa monimutkaisia, sattumanvaraisia tapahtumaketjuja. Esimerkiksi globaalin pandemian leviäminen on monimutkainen ongelma, jossa toisiinsa vaikuttavat, sattumanvaraisesti etenevät tartuntaketjut voi mallintaa simulaatiolla.

Toinen esimerkki simulaatio-ongelmasta voisi olla yrityksen makroympäristössä tapahtuvien muutosten vaikutus liikevaihtoon tai alihankkijoiden toimintakykyyn. Simulointi soveltuu siis tilanteisiin, joissa dataa ei vielä ole, kuten erilaisissa ennusteissa.

”Oli mielenkiintoista soveltaa menetelmiä vaihteeksi viihteellisessä aiheessa. Stanley Cup -analyysi auttaa toivottavasti hahmottamaan, minkälaisiin ongelmiin jokapäiväisessä työssä ja liike-elämässä pystymme näillä analytiikkamenetelmillä vastaamaan”, Joachim Wahlström sanoo.