Algol Chemicals arvioi tekoälyn ja datan hyödyntämisen mahdollisuuksia liiketoimintaprosesseissaan. Työssä tunnistettiin ja priorisoitiin käyttötapauksia, joissa dataohjautuvuus ja tekoäly voivat tuottaa liiketoiminnallista arvoa.
1. Yrityksen kuvaus
- Vuonna 1894 perustettu Algol Chemicals on satavuotias jakelija, joka toimittaa kemiallisia raaka-aineita Pohjoismaihin, Baltian maihin, Ukrainaan ja Intiaan.
- Yritys on rakentanut kunnianhimoisen globaalin kasvustrategian tukemaan laajaa markkinakattavuuttaan.
- Tapaustutkimusaineistossa ei mainita yrityksen tarkkaa kokonaishenkilöstömäärää.
2. Mikä ongelma tekoälyn oli tarkoitus ratkaista?
- Algol Chemicals tunnisti, että sen sisäisten myynti- ja asiakasmenestystoimintojen oli kehityttävä, jotta kunnianhimoiset laajentumissuunnitelmat voitaisiin toteuttaa laadusta tinkimättä.
- Yritys halusi erityisesti muodostaa selkeän käsityksen siitä, miten se voisi realistisesti hyödyntää generatiivista tekoälyä ja data-analytiikkaa päivittäisen toiminnan virtaviivaistamiseksi ja tiimiensä työn tehostamiseksi liiketoiminnan kasvaessa.
3. Miten ongelma ratkaistiin ja millä työkaluilla?
- Algol Chemicals teki yhteistyötä Reaktorin kanssa toteuttaakseen kattavan esiselvitys- ja prosessikartoitushankkeen.
- Tiimi aloitti haastattelemalla sidosryhmiä eri osastoilta ja järjestämällä yhteistyöpajoja, joissa työnkulkuja tarkasteltiin ristiin liiketoiminnan, käyttäjän ja tekniikan näkökulmista.
- Ryhmä kartoitti viralliset yrityksen menettelytavat rinnakkain niiden todellisten työnkulkujen kanssa, joita etulinjan henkilöstö kohtaa arjessaan.
- Tekoälystrategian osalta Reaktor keräsi etulinjan työntekijöiltä ja johdolta yli 70 kehitysidean alkujoukon ja suodatti niitä kolmen keskeisen näkökulman kautta: liiketoimintavaikutus, käyttäjäarvo ja tekninen toteutettavuus.
4. Mitä tuloksia saavutettiin?
- Järjestelmällinen arviointiprosessi karsi alkuperäiset 70 ideaa onnistuneesti 15: een ja sen jälkeen kahdeksaan, ennen kuin lopulliseksi valittiin pieni joukko hankkeita, jotka lupasivat suurimman hyödyn ja parhaan onnistumisen todennäköisyyden.
- Kartoittamalla todelliset työnkulut virallisia toimintaohjeita vasten tiimi paljasti kriittisiä operatiivisia puutteita, jotka olisivat jääneet puhtaasti tekniseltä analyysilta kokonaan huomaamatta.
- Tehokkuuden maksimoimiseksi rakennettiin kaksiraiteinen toteutuksen tiekartta: Algolin sisäiset tiimit ottivat vastuulleen nopeat prosessi- ja työnkulkuparannukset, kun taas Reaktor tarjosi syvällistä teknistä osaamista rakentaakseen monimutkaisten, dataan perustuvien ja tekoälyä hyödyntävien hankkeiden vaatiman infrastruktuurin ja pohjatyön.
5. Mitä ongelmia ilmeni?
- Esiselvitysvaihe paljasti merkittäviä eroja dokumentoitujen yrityksen menettelytapojen ja todellisten, päivittäisten toimintatapojen välillä.
- Lisäksi yli 70 generatiivisen tekoälyn idean strategisessa arvioinnissa tiimi kohtasi useissa lupaavissa ehdotuksissa datan rajoitteita ja teknisiä reunaehtoja, minkä vuoksi ne eivät olleet välittömästi toteutettavissa ja ne oli jätettävä sivuun.
6. Aika- ja rahainvestoinnit
- Projekti vaati erikoisosaamista ihmiskeskeisestä esiselvityksestä, prosessien kartoituksesta, generatiivisen tekoälyn strategiasta, sidosryhmähaastattelujen konsultoinnista, datainfrastruktuurin analysoinnista ja teknisen toteutettavuuden mallinnuksesta.
- Tämän operatiivisen uudistuksen päästrateginen kumppani oli Reaktor.
7. Millaista osaamista tarvittiin ja mitä yhteistyökumppaneita käytettiin?
- Projekti vaati erikoisosaamista ihmiskeskeisestä esiselvityksestä, prosessien kartoituksesta, generatiivisen tekoälyn strategiasta, sidosryhmähaastattelujen konsultoinnista, datainfrastruktuurin analysoinnista ja teknisen toteutettavuuden mallinnuksesta.
8. Liiketoimintafunktion luokitus
- Projekti liittyy perustavanlaatuisesti myynnin operatiiviseen toimintaan, asiakasmenestyksen johtamiseen ja yritysstrategiaan.
- Siihen sisältyy vahvasti myös tiedonhallinta, yrityksen tietämyksenhallinta ja IT-infrastruktuurin valmius.
Vastaa