blogit
Ei enää yllätyksiä henkilöstökustannuksissa
Diip-koneoppimismallin avulla joustavuutta ja tarkkuutta talouden suunnitteluun, ohjaamiseen ja ennakointiin
Ennakoitua suuremmat alijäämät ovat viime aikoina nousseet esille hyvinvointialueiden 2023 tilinpäätösten ennakkotiedoissa. Syynä alijäämän yllättävään kasvuun on nähty etenkin henkilöstökulujen ja ostopalveluiden raju kasvu. Talouden seurannan, ennakoinnin ja johtamisen pettämisen tarkempia syitä tarkasteltaessa on syytä kiinnittää huomiota siihen, millaisen tiedon varassa hyvinvointialueiden johtajat toimintaa ohjaavat; onko esihenkilöillä riittävästi ajantasaista ja tulevaisuuteen suuntautuvaa tietoa päivittäisjohtamisen ja päätöksenteon tueksi?
Rullaava ennuste talouden ohjauksessa:
Rullaava ennuste on talouden johtamisen malli, joka käyttää historiatietoa organisaation kustannusten toteutumisen ennustamiseen valitulla ajanjaksolla. Toisin kuin perinteiset budjetointimenetelmät, jotka ennustavat tulevaa suoritusta kiinteälle aikajaksolle, esimerkiksi vuodelle, rullaava ennuste päivittyy vuoden aikana heijastaen mahdollisia muutoksia toimintaympäristössä.
Rullaava budjetointi on vastaus perinteisen budjetoinnin joustamattomuuteen ja tiedon vanhentuneeseen luonteeseen. Sen avulla pyritään lisäämään budjetoinnin joustavuutta ja tulevaisuuspainotusta.
Lähestymistapa sopii erityisesti jatkuvassa muutoksessa toimiville organisaatioille, joiden toimintaympäristössä tapahtuvat muutokset ovat vaikeasti ennustettavia. Päivittämällä ennustetta jatkuvasti ja sisällyttämällä viimeisimmät tiedot ennusteeseen, esihenkilöt voivat mallin avulla tunnistaa haitalliset kustannuskehitykset ajoissa ja sopeuttaa toimintaa vastaamaan muuttunutta tilannetta.
Rullaava ennustamisen haasteet:
Vaikka rullaavaa ennustemallia pidetäänkin erittäin hyvänä käytäntönä kustannusten ennustamisessa, sen käyttöönotto voi olla haastavaa.
- Resurssien puute: Rullaavan ennusteen toteuttaminen vaatii merkittävän panostuksen aikaa ja resursseja tiedonkeruuseen, analysointiin ja mallintamiseen.
- Monimutkaisuus: Rullaavat ennusteet voivat olla monimutkaisia ja mallien luominen ja ylläpitäminen vaativat erikoisosaamista ja asiantuntemusta
- Organisaation kompleksisuus: Hyvinvointialueen sisällä toimialat ja niiden tekemisen luonne poikkeavat toisistaan hyvin paljon, mikä näkyy toimintamalleissa ja datassa. Lisäksi organisaatioiden koko asettaa haasteita mallien käyttöönotolle
- Vastarinta muutokselle: Rullaavan ennusteen toteuttaminen vaatii muutoksia organisaation toimintatavoissa ja saattaa edellyttää merkittäviä muutoksia myös nykyisiin prosesseihin ja järjestelmiin.
Rullaavan ennusteen toteuttaminen voi olla haastavaa, jos organisaatio käyttää pääasiassa perinteisiä budjetointi- tai ennustamismenetelmiä. Nämä prosessit voivat viedä merkittävästi aikaa ja resursseja, jos ne suoritetaan manuaalisesti. Perinteisten menetelmien haasteet rullaavien ennusteiden toteuttamisessa voidaan kuitenkin ratkaista käyttämällä apuna koneoppimismalleja. Perinteistä vuosibudjetointia ja rullaavia ennusteita voidaankin käyttää toisiaan täydentävinä talousjohtamisen menetelminä.
Koneoppimismallin hyödyntäminen ennustamisessa:
Koneoppimismallit ovat algoritmeja, jotka oppivat datasta. Koneoppimismallit käyttävät dataa parantaakseen ennustetta tunnistamalla kuvioita ja suhteita datassa. Malli koulutetaan aluksi eri tietolähteistä koostetulla tietokannalla. Kun koulutettuun malliin lisätään uutta dataa, se päivittää käsitystään kuvioista ja suhteista ja luo tarkempia ennusteita. Tätä prosessia kutsutaan "oppimiseksi datasta" tai "kouluttamiseksi". Kun malli on koulutettu, sitä voidaan käyttää tekemään ennusteita uudesta datasta. Mitä enemmän dataa, sitä tarkempia sen ennusteet ovat.
Rullaavien ennusteiden toteuttaminen sopii erityisen hyvin koneoppimismalleille, koska nämä mallit on rakennettu prosessoimaan suuria määriä dataa. Kun malli on koulutettu, se voi helposti tuottaa ennusteita päivitetyn datan perusteella. Tässä prosessissa käytetty data mahdollistaa mallin jatkuvan hienosäädön ja ennusteiden parantamisen. Koneoppimismallit pystyvät siis hyödyntämään säännöllisesti päivitettyä dataa ja tuottamaan rullaavan ennusteen, mikä tekee niistä tehokkaan työkalun ennustamiseen jatkuvasti muuttuvassa toimintaympäristössä.
Koneoppimismallin hyödyt:
- Resurssien puute: Kun malli on koulutettu, se käsittelee uutta dataa tehokkaasti, tuottaen päivitetyt ennusteet ilman tarvetta lisäresursseille, koska se sopeutuu jatkuvasti ja oppii uudesta tiedosta.
- Monimutkaisuus: Koneoppimismallit vähentävät monimutkaisuutta käyttäjälle, koska algoritmit on rakennettu tietokannan historiallisen datan perusteella. Lähtökohta on, että malli hoitaa kompleksisuuden.
- Organisaation kompleksisuus: Organisaation laajuus ja kompleksisuus ei vaikuta ennusteisiin. Toimialojen erilaisuus huomioidaan toteumatiedossa, jonka pohjalta ennusteen rakennetaan. Muutokset organisaatiossa eivät vaikuta työntekijätasolla laskettavaan ennusteeseen, vaan ainoastaan siihen, mille organisaatiotasolle kustannusennuste koostetaan. Organisaation muuttuessa data pysyy samana, mutta ennusteen tasot muuttuvat.
- Vastarinta muutokselle: Uusien rullaavien ennusteiden luomiseen ei tarvita resursseja, mikä vähentää merkittävästi organisaation vastustusta. Mallin käyttöönotto korvaa nipun erilaisia manuaalisesti ylläpidettäviä Exceleitä ja säästää työtunteja.
Lue lisää: Diipin hyödyntäminen rullaavassa ennustamisessa
Kirjoittaja:
Toni Saalasti
Tuoteomistaja diip-ohjelmistotuote, Grade Solutions
