Case-kuvauksia

Koostamme tänne case-kuvauksia data-analytiikan hyödyntämisestä eri aloilta

Hyvinvoinnin analytiikka

Aivovauriopotilaiden hoidon tuloksen ennustaminen

 

Ongelma
Potilaita, joilla on vakava aivovaurio, hoidetaan usein vuorokausia teho-osastolla nukutuksessa. Tavoitteena oli selvittää, voidaanko aivosähkökäyrästä laskettujen piirteiden avulla arvioida, kuinka todennäköisesti kukin potilas selviää vauriostaan.
Data
20 aivovauriopotilaan aivosähkökäyrät vähintään 24 tunnin ajalta neljältä kanavalta
Menetelmät
Laskettiin 186 potilaskohtaista piirrettä; piirteet perustuivat pääasiallisesti aivosähkökäyrän taajuussisällön analyysiin.
Tulokset
Parhaan korrelaation hoidon tuloksen kanssa antoi aivosähkökäyrän alfa-taajuuksisen (8-12 Hz) komponentin amplituudin vaihtelevuus (Area Under ROC-curve AUC = 0.82). Myös kolmella muulla piirteellä päästiin korrelaatioon AUC >= 0.8
Hyöty
Aivotoiminnan parempi monitorointi ja hoidon tuloksen luotettavampi arviointi mahdollistaa kohdentamaan aivovauriopotilaiden hoitoa teho-osastolla paremmin.
Lisätietoa
http://ieeexplore.ieee.org/xpl/articleDetails.jsp?arnumber=7318663

 

Markkinoinnin analytiikka

Yksilöllisen mainoksen tuottaminen
Ongelma
Mainonnan asiakaskohtainen yksilöiminen tai kohdistaminen asiakkaan sijainnin säätiedon mukaan. Staattinen (perinteinen) mainos on yleisluonteinen ja sen kiinnostavuutta asiakkaan puolelta ei voi ennakoida. Osassa mainoksia käytetään myös ”klikkaa tästä” –tyyppisiä kehotusviestejä.
Data
Mainoksen tuottamisen tueksi selvitettiin käyttäjän yhteystyyppi (netti/mobiili), sijaintitieto (mobiilista) ja käyttäjän sijaintiin liittyvä säätieto/ennustus (viisi vuorokautta). Mainosaineistoon käytettiin mainostajan tuotteita, sääviestejä ja niihin säähän liittyviä tuoteviestejä. Erilaisia sääviestejä oli yhdeksän ja erilaisia tuoteviestejä oli viisi. Varsinaisia mainostuotteita oli neljä ja yksi tuoteviesti oli yleisluonteinen.
Menetelmät
Mainos toteutettiin lehden digiversion mobiilisivuilla koko Suomen laajuudella (pois lukien pääkaupunkiseutu). Mainoskampanja tehtiin tiedotusluonteisena, tuotteissa ei ollut alennuksia ja mainoksissa ei käytetty kehotteita. Käyttäjän sijainnin perusteella haettiin säätietoennuste seuraavalle viidelle vuorokaudelle. Erilaisia säätyyppejä oli määritetty kolme; sadetta, aurinkoa, pilvistä. Sääennusteesta määritettiin pääasiallinen säätyyppi kolmesta säätyypin vaihtoehdosta. Sadetta -tila määritettiin ennusteessa olleen tietyn millimetrimäärän perusteella. Pilvistä –tila määritettiin, jos pilvet peittävät taivaasta yli 50%. Sade ja pilvimäärien alittaessa rajat tilaksi tulee aurinkoa. Sää- ja tuoteviesteistä oli luotu kolme ryhmää, jossa kussakin oli kolme mainosta. Käyttäjälle näytettiin yksi satunnainen valinta säätyypin mukaisesta ryhmästä olevista mainoksista.
Tulokset
Käyttäjille tuotettiin kuvan mukaisia säätyyppiin perustuvia mainoksia ja he reagoivat viesteihin ja kilikkasivat mainoksia, vaikka niissä ei ollut kehotteita tai houkuttimia.

Esimerkki säätyypin mukaisista mainoksista (lähde: Sunsään mobiilikampanja 2014)
Esimerkki säätyypin mukaisista mainoksista (lähde: Sunsään mobiilikampanja 2014)

Hyöty
Säätietoa hyödyntämällä käyttäjälle voidaan tuottaa ja kohdistaa yksilöllisesti koettavia mainoksia. Tuottamalla (vähintään muutamia) erillisiä sää ja tuoteviestejä, voidaan niiden yhdistelmistä muodostaa runsaasti säätietoon mukautuvia ja vaihtelevia mainoksia.
Lisätietoa
Kuvaus liittyi Sunsään Rautialle tuottamaan sääreaktiiviseen mobiilikampanjaan.

 

Liiketoiminnan analytiikka

Läpinäkyvyyttä hankintaketjuun
Ongelma
Riffid Oy toteutti RFID-järjestelmän soveltuvuutta arvioivan pilotin elintarviketehtaalle. Mukana oli myös joukko tehtaan lähialueella toimivia alihankkijoita. Pilotissa seurattiin raaka-aineiden kulkua ja kiertoa tuotantoprosessin eri vaiheessa. Pilotin tarkoituksena oli saada raaka-aineiden hankintaan liittyvästä kiertoprosessista mahdollisimman läpinäkyvä ja tehokas.
Data
Raaka-ainetta hankkivalla tehtaalla on 600 raaka-aineen kuljetukseen käytettävää moduulia. Eri raaka-aineita on neljä erilaista ja raaka-aineen tuottajia on yli sata. Moduulien kuljetuksia tehdään kuudella eri autolla. Pilotissa seurattiin raaka-aine moduulien kulkua ja kiertoa eri tuotantoprosessien yhteydessä (rajatussa määrässä moduuleja ja autoja). Moduulit lähtevät tyhjinä tehtaalta tuottajille ja ne kuljetetaan takaisin tehtaalle. Moduuleja pyrittiin seuraamaan mahdollisimman monessa vaiheessa. Pilottiin oli määritetty kymmenen vaihetta (kuva). Moduulit ja niitä kuljettavat autot tagitettiin UHF RFID –tunnisteilla. Tuotantopisteet oli varustettu NFC-tunnisteilla. Tunnisteet luettiin esimerkiksi auton (ja sisällä olevien moduulien) lähtiessä lastaussillalta. Yksittäisiä moduuleja tunnistettiin myös tyhjennysvaiheessa. Lisäksi autojen sijaintia seurattiin GPS-paikannuksen avulla. Dataa syntyi seuraavista asioista:
• autojen tunnisteista (ID)
• autojen sijainnista ja aikaleimoista
• moduulien tunnisteista (ID) ja niiden aikaleimoista
• käsittelypisteiden tunnisteista
Data kerättiin RFID-tietokantaan pilveen.
Menetelmät
RFID-teknologian avulla prosessiin saatiin liitettyä erilaisia tunnistimia ja mittareita. Paikannustekniikan (GPS) avulla kerättiin autojen paikkatiedot. Mobiiliteknologian ja pilvipalvelun avulla mittarien tuottama data saatiin siirrettyä tietokantaan. Datan avulla voitiin koostaa raportteja. Raportissa kuhunkin moduuliin liittyvien aikaleimojen avulla voitiin määrittää moduulien kiertoon ja käsittelyyn liittyviä aikatauluja. Leimatietojen perusteella voitiin myös määrittää, oliko moduulissa kuljetettu jotain vai oliko se kulkenut tyhjänä. Aikaleimojen kautta moduuleille saatiin luotua käyttöhistoria.
Tulokset
Logistinen toimintaketju tuli läpinäkyväksi. Tarkka aikataulujen havainnointi mahdollisti elintarviketehtaalle toimitusketjun ja prosessien tehostamista, sekä toimitusvarmuuden parantamista. Aikataulutietojen läpinäkyvyyden lisääminen mahdollisti alihankkijoille (tuottajat, kuljetus ja lastaus) tarkemman ja tehokkaamman valmistelutyön lastaamisvaihetta varten sekä tehokkaamman ajankäytön ja reittien suunnittelun.
Hyöty
Hyötyjä syntyy sekä raaka-ainetta keräävälle tehtaalle, että sitä toimittaville ja siihen liittyviä tukipalveluja tuottaville alihankkijoille, kun lastaus ja kuljettaminen voidaan aikatauluttaa (ja reitittää) tarkemmin. Myös toimintaa seuraavat viranomaiset hyötyvät seurannan läpinäkyvyydestä. Itse raaka-aine (eläimet) hyötyvät käsittelyn optimoinnista siten että oloaika käsittelyssä on lyhyempi. Kuluttajille raaka-aineesta tuotetun elintarvikkeen jäljitettävyys paranee. Teknologiatoimittajat saavat käytännön lisätietoa uudenlaisen toimialasovelluksen toteuttamisesta ja sen erityispiirteistä.
Lisätietoa

Yrityksen logo
Yrityksen logo

Pilotin julkinen raportti (25.6.2014)
Riffid Oy
Linkki Green ICT –hankkeen sivustolle: (ei ole saatavilla)

 

Liiketoiminnan analytiikka (maatalous)

Digitaaliset satokartat maanviljelijän apuna
Ongelma
Nykyiset viljalajikkeet ovat pitkälle kehittyjä ja niillä on mahdollisuus saada aikaan hyviä satoja (jopa Euroopan tasolla mitattuna). Ne ovat myös hyvin herkkiä ja pienetkin virheet kasvukauden aikana vähentävät satoa (ja viljelijän siitä saamaa tuloa) merkittävästi. Tavoitteena on saada selvitettyä viljasadon kasvupotentiaali peltolohkon eri osissa (minimit ja maksimit) ja löytää syy-seuraus-tietoa sille, minkä asioiden pohjalta syksyn sato on lopulta muodostunut ja mitä toimia viljelijällä on käytettävissä satokauden aikana parhaan kasvun esteiden poistamiseksi.
Data
Puintitilanteessa puimurilla kerätään satomittaus elevaattorilta (apuna valokennot, kosteustieto) ja koneen paikkatieto (GPS-sijainti ja kunkin mittauspisteen ajonopeus). Alla on kuva puimurin mittauslaitteista ja puimurissa käytetystä kosteusanturista.

Puimurin satokartan tuottamiseen tarvittavaa tekniikkaa
Puimurin satokartan tuottamiseen tarvittavaa tekniikkaa
Puimurin satotietoa tuottava kosteusanturi
Puimurin satotietoa tuottava kosteusanturi

Puimurilla kerätty data on pistedataa (sekunnin välein). Saatu data on muodoltaan XML-dataa. Kustakin pisteestä on useita erilaisia mittaustietoja. Alla esitetyssä kuvassa on puintireitistä kerätty data (ylhäällä vasemmalla) ja data suodatuksen jälkeen (ylhäällä oikealla) ja puintireitin varrelta poimitun yksittäisen mittauspisteen antamista tiedoista (kuvan alaosa).

Puintireitin data
Puintireitin data

Lisäksi viljelijän on otettava määräajoin maaperänäytteitä ja niiden perusteella määritetään sallittu fosforin käyttömäärä (alla kuva vapaaehtoisen kasvustonäytteen ottamisesta).

Maaperänäyte
Kasvustonäyte

Lisäksi näytteistä voidaan selvittää hivenaineita. Näytteitä pitää ottaa laajalti, jotta alakohtaisia eroja voidaan löytää. Aiemman vuoden satokarttaa käytetään kohdentamaan näytteiden ottopaikat ja näytteisiin kirjataan sijaintitieto. Kasvukauden aikana tehtyjen mittausten avulla (biomassan tiheys tai viljan kasvimassan ravinnepitoisuus) voidaan seurata mahdollisia kasvupoikkeamia ja etsiä ajallisia syy-seuraus-suhteita. Mahdollisen ravinnelevityksen yhteydessä käytetään biomassan mittausta. Maan alle voidaan asentaa kosteusmittareita ja niiden avulla saadaan reaaliaikainen tieto maan paikkakohtaisesta kosteudesta kauden aikana.
Menetelmät
Satomittauksen yhteydessä mitatun ja kerätyn kosteustiedon avulla mittausdataa korjataan vastaamaan kuivasatoa. Paikannuksen ajonopeuden avulla korjataan viljan massavirta vastaamaan puitua alaa. Paikannuksen avulla korjataan puidun kaistan leveys. Puitava leveys vaihtelee lohkon muodon ja koneen käytännön kulkemisen myötä. Pistedatasta suodatetaan liian hitaasti tai liian nopeasti ajettuja mittauspisteitä sekä liian suuret satopisteet. Taulukoiden avulla voidaan verrata maan nykyistä ravinnetilaa ja tarvittavaa tasoa.
Tulokset
Biomassaindeksin ja satokartan avulla luodaan visuaaliset esitykset (kuvailevaa analytiikkaa) viljelylohkolta saadusta biomassatiedosta ja sadosta. Alla olevassa kuvassa vasemmalla (tietyn vuoden) biomassan kuvaus kesäkuulta ja oikealla satokartta syyskuulta.

Biomassan ja satokartan vertailua
Biomassan ja satokartan vertailua

Kuva kertoo värien avulla mittauspisteistä mitatun tai saadun sadon määrän. Biomassan kuvauksessa tummempi vihreä kuvaa korkeampaa massan arvoa. Myös satokartassa tumma vihreä väri kuvaa korkeaa satoarvoa. Usein esimerkiksi metsän reunassa (satokartan oikea reuna) sato on minimaalinen ja näkyy punaisena. Mahdollinen ruokamullan heikentyminen maasiirtojen myötä näkyy biomassan sekä satokartoituksen kuvissa (kuvissa vasemmalla keskikorkeudella). Biomassan ja satokartan erot kertovat kasvukauden loppupuolella tapahtuneista muutoksista. Laadukkaan satodatan saaminen vaatii hyvät ajotaidot (osattava ajaa koneita maltillisesti sopivalla nopeudella). Kasvukauden aikaisella kasvuston ravinnetilatutkimuksella voidaan selvittää kasvuston tarvitsema ravinnemäärä ja tehdä korjaavia toimenpiteitä.
Hyöty
Vertaamalla erilaisia analyysejä huonosti ja hyvin kasvavien pellonosien välillä voidaan tunnistaa peltolohkolla tarpeellisia toimenpiteitä. Ajotietoja vertaamalla ja tutkimalla voidaan optimoida lohkossa käytettävä kylvö- ja puintikuvio (sekä siihen kuluva aika). Tarkan hoitoennusteen avulla viljelijä voi optimoida peltoalaan ja sadon kasvatukseen liittyviä kuluja. Biomassatiedon avulla kohdennetaan ravinnelevitystä . Mittausten kautta on osoitettu, että kasvukauden loppuosaan liittyy merkittäviä muutoksia ja niiden syiden esiin saaminen uusien kaukokartoitusten kautta on tärkeää tulevaisuuden kannalta.
Lisätietoa
MIKÄ-DATA –hanke (TTY Pori)
Satokartoitin viljelijän näkökulmasta (Johannes Tiusanen, MIKÄ DATA-hankkeen aloitustilaisuus, videotallenne)
Maan alle asennettavat kosteusmittarit (SoilScout)

Soilscout -logo
Soilscout -logo