Hajautetun ymmärryksen ohjauslaite – pieni laite, joka voi muuttaa B2B-markkinoinnin tiedonkeruun

Entä jos markkinointijärjestelmä ei lähettäisi kaikkea dataa jatkuvasti pilveen, vaan osaisi jo tiedon syntypaikassa päättää, mikä kannattaa säilyttää, mikä analysoida ja mikä voidaan jättää huomiotta?

Tätä varten voidaan ajatella uudentyyppistä laitetta: hajautetun ymmärryksen ohjauslaitetta.

Kyse ei välttämättä ole suuresta tekoälypalvelimesta. Päinvastoin. Ohjauslaite voisi olla muutaman kymmenen euron mikrotietokoneeseen tai mikrokontrolleriin perustuva laite, jonka tehtävänä on ohjata tiedon kulkua yrityksen eri järjestelmien, paikallisten tekoälymallien ja pilvipalvelujen välillä.

B2B-markkinoinnissa tällainen arkkitehtuuri voi olla erityisen kiinnostava, koska markkinoijan ongelma ei yleensä ole datan täydellinen puute. Ongelma on, että signaaleja on liikaa.

B2B-markkinoinnin ongelma on usein signaali–kohina-suhde

B2B-yrityksen ympärillä syntyy jatkuvasti informaatiota:

• asiakkaiden verkkosivukäyntejä
• uutisia ja lehdistötiedotteita
• rekrytointi-ilmoituksia
• yritysten investointiuutisia
• hankintailmoituksia
• LinkedIn- ja muita sosiaalisen median julkaisuja
• asiakaspalvelun havaintoja
• CRM-muutoksia
• sähköposteja
• verkkokaupan tapahtumia
• IoT- ja tuotantodataa.

Yksittäinen datapiste ei yleensä ole kovin arvokas.

Sen sijaan useiden heikkojen signaalien yhdistelmä voi kertoa esimerkiksi siitä, että yritys:

• on aloittamassa investointihanketta
• kasvattaa tiettyä liiketoiminta-aluetta
• etsii uutta toimittajaa
• on vaihtamassa teknologia-alustaa
• on saanut uuden rahoituskierroksen
• on palkkaamassa henkilöstöä uuteen toimintoon
• on ajautumassa ongelmaan, johon oma yritys voi tarjota ratkaisun.

Tällaisia tilanteita voidaan kutsua ostosignaaleiksi.

Perinteinen ratkaisu on kerätä mahdollisimman paljon tietoa suureen keskitettyyn järjestelmään ja analysoida sitä jälkikäteen.

Hajautetun ymmärryksen järjestelmä toimii toisin.

Älykkyys voidaan sijoittaa lähemmäksi datan syntypaikkaa

Hajautetussa järjestelmässä eri laitteilla ja ohjelmistoilla voi olla omat tehtävänsä.

Internet
   ↓
RSS / API / verkkoseuranta
   ↓
hajautetun ymmärryksen ohjauslaite
   ↓
ensimmäinen suodatus
   ↓
signaalien pisteytys
   ↓
vain kiinnostava data
   ↓
paikallinen tietokone / tekoälymalli
   ↓
syvempi analyysi
   ↓
CRM / markkinointi / myynti

Ohjauslaitteen tehtävä ei siis välttämättä ole tehdä varsinaista raskasta tekoälyanalyysiä.

Sen tehtävä voi olla päättää:

• mitä dataa kannattaa käsitellä
• missä data kannattaa käsitellä
• milloin analyysi kannattaa käynnistää
• mikä voidaan käsitellä paikallisesti
• mikä kannattaa lähettää tehokkaammalle tekoälymallille.

Tällainen työnjako voi olla yllättävän tärkeä.

Kaikkea ei tarvitse lähettää suurelle kielimallille

Generatiivisen tekoälyn yleistyessä syntyy helposti houkutus käyttää suurta kielimallia jokaiseen tehtävään.

Se ei aina ole tehokasta.

Esimerkiksi seuraavat tehtävät voidaan tehdä erittäin kevyesti:

• avainsanojen tunnistus
• duplikaattien poistaminen
• lähteen luokittelu
• yritysnimen tunnistaminen
• yksinkertainen pisteytys
• aikarajojen tarkastaminen
• muutosten tunnistaminen
• hälytysrajan ylityksen havaitseminen.

Vasta tämän jälkeen arvokkaimmat tapaukset voidaan lähettää kielimallille.

Esimerkiksi:

10 000 havaintoa
      ↓
kevyt paikallinen suodatus
      ↓
300 kiinnostavaa havaintoa
      ↓
signaalien yhdistäminen
      ↓
30 potentiaalista ostotilannetta
      ↓
LLM-analyysi
      ↓
5 myynnille relevanttia yritystä

Jos järjestelmä toimii hyvin, tekoälyä ei käytetä mahdollisimman paljon.

Sitä käytetään vain kohdissa, joissa sen rajahyöty on suuri.

Miltä tällainen laite voisi näyttää?

Ensimmäinen versio voisi olla teknisesti hyvin vaatimaton.

Esimerkiksi:

• ESP32-S3-mikrokontrolleri
• Raspberry Pi
• Orange Pi
• muu pieni Linux-tietokone
• myöhemmin mahdollisesti FPGA-pohjainen ratkaisu.

Laitteessa voisi olla verkkoyhteys ja pieni määrä paikallista tallennustilaa.

Se voisi esimerkiksi:

1. kerätä RSS-syötteitä ja muuta julkista dataa
2. verrata uusia havaintoja aikaisempiin havaintoihin
3. tunnistaa määritettyjä tapahtumia
4. pisteyttää tapahtumien kaupallista merkitystä
5. käynnistää tehokkaamman tietokoneen tarvittaessa
6. lähettää analysoitavat tapaukset tekoälymallille.

Laite olisi tavallaan järjestelmän liikenteenohjaaja.

Esimerkki: teollisuusyritysten ostosignaalien tunnistaminen

Kuvitellaan B2B-yritys, joka myy tuotannon automaatioratkaisuja.

Sen potentiaalinen asiakasyritys julkaisee lyhyen ajan sisällä:

• rekrytointi-ilmoituksen automaatioinsinöörille
• uutisen tuotantokapasiteetin kasvattamisesta
• ympäristölupahakemuksen uudelle tuotantolinjalle
• hankintailmoituksen sähköasennuksista.

Yksittäin mikään näistä ei välttämättä ole erityisen vahva myyntisignaali.

Yhdessä ne voivat kuitenkin muodostaa erittäin kiinnostavan tapahtumaketjun.

rekrytointi
   +
investointiuutinen
   +
lupahakemus
   +
hankinta
   ↓
todennäköinen investointiprojekti
   ↓
potentiaalinen myyntimahdollisuus

Hajautetun ymmärryksen järjestelmän tehtävä olisi tunnistaa juuri tällaisia yhdistelmiä.

Markkinoinnin näkökulmasta kiinnostavin asia ei ehkä ole tekoäly vaan ajoitus

B2B-markkinoinnissa oikea viesti väärään aikaan voi olla arvoton.

Kohtuullinen viesti oikeaan aikaan voi puolestaan olla erittäin tehokas.

Siksi järjestelmän tärkeä tehtävä voisi olla arvioida:

Milloin asiakkaan tilanteessa tapahtuu sellainen muutos, että yhteydenotto on juuri nyt tavallista relevantimpi?

Esimerkiksi uusi rekrytointi voi kertoa kapasiteetin rakentamisesta.

Toimitusjohtajan vaihtuminen voi kertoa strategiamuutoksesta.

Uusi rahoituskierros voi tarkoittaa investointien käynnistymistä.

Uusi regulaatio voi synnyttää pakollisen teknologiatarpeen kokonaiselle toimialalle.

Markkinointi muuttuu silloin kampanjoiden lähettämisestä tilanteiden tunnistamiseksi.

Hajautettu arkkitehtuuri voi myös alentaa tekoälyn kustannuksia

Suuret kielimallit ovat tehokkaita, mutta kaikkea informaatiota ei ole taloudellisesti järkevää analysoida niillä.

Hajautetun järjestelmän yksi idea on rakentaa laskennalle portaat:

Analyysitaso	Tehtävä	Kustannus
1	Avainsanat ja perussuodatus	Erittäin pieni
2	Säännöt ja pisteytys	Pieni
3	Pieni paikallinen tekoälymalli	Kohtalainen
4	Suuri kielimalli	Suurempi
5	Ihmisen analyysi	Usein suurin

Jokaisen informaatiopalan ei tarvitse nousta ylimmälle tasolle.

Hyvä järjestelmä pysäyttää suurimman osan datasta jo aikaisemmin.

Ohjauslaite voi yhdistää paikallisen ja pilvipohjaisen tekoälyn

Yritysten tekoälyarkkitehtuuri tulee todennäköisesti olemaan pitkään hybridi.

Osa tehtävistä kannattaa tehdä pilvessä.

Osa voidaan tehdä paikallisesti.

Osa kannattaa tehdä hyvin pienillä reunalaitteilla.

Ohjauslaitteen tehtävä voisi olla valita sopiva resurssi jokaiselle tehtävälle.

                 → sääntöpohjainen analyysi
                /
data → ohjain → paikallinen AI
                \
                 → pilvi-LLM
                  \
                   → ihminen

Tällöin tekoälyjärjestelmän tärkeä ominaisuus ei ole vain mallin älykkyys.

Myös laskennan orkestrointi muodostuu kilpailutekijäksi.

Entä tietosuoja?

Paikallinen esikäsittely voi olla kiinnostavaa myös tietosuojan kannalta.

Kaikkea yrityksen dataa ei tarvitse välttämättä lähettää ulkopuoliseen pilvipalveluun.

Ohjauslaite voi esimerkiksi poistaa tai anonymisoida tarpeettomia tietoja ennen varsinaista tekoälyanalyysiä.

Arkkitehtuuri voisi olla:

sisäinen data
   ↓
paikallinen käsittely
   ↓
sensitiivisen tiedon poisto
   ↓
vain tarvittava konteksti
   ↓
ulkoinen tekoälypalvelu

Tämä ei automaattisesti ratkaise tietosuoja- tai tietoturvakysymyksiä, mutta se tarjoaa yhden uuden arkkitehtonisen keinon niiden hallintaan.

Varsinainen mahdollisuus: yrityskohtaiset ymmärrysverkot

Pidemmällä aikavälillä kiinnostavin idea ei ehkä ole yksi laite.

Se on verkko.

Yrityksen eri järjestelmät voisivat muodostaa hajautetun ymmärrysverkon:

verkkoseuranta ──┐
CRM ─────────────┤
asiakaspalvelu ──┤
RSS-seuranta ────┤
myyntidata ──────┤
IoT ─────────────┤
                 ↓
        hajautettu ymmärrysverkko
                 ↓
        tapahtumien tunnistus
                 ↓
        päätösehdotukset

Tavoitteena ei olisi vain varastoida dataa.

Tavoitteena olisi tunnistaa muutoksia, tilanteita ja toimintamahdollisuuksia.

Mitä tämä voisi tarkoittaa B2B-markkinoinnin palveluille?

Ajatus avaa useita mahdollisia palveluja.

Markkinointitoimisto voisi tarjota asiakkaalle esimerkiksi:

• ostosignaalien seurantaa
• asiakasyritysten muutosten tunnistamista
• kilpailijaseurantaa
• markkinamuutosten automaattista havaitsemista
• liidien reaaliaikaista pisteytystä
• account-based marketing -signaalien keräämistä
• myyntitiimin automaattisia tilannebriefingejä.

Silloin palvelun arvo ei synny vain siitä, että tekoäly kirjoittaa tekstiä.

Arvo syntyy siitä, että järjestelmä pystyy sanomaan:

”Tässä yrityksessä tapahtui juuri jotain, johon sinun kannattaa reagoida.”

Pieni laite voi olla uuden arkkitehtuurin kokeilualusta

Hajautetun ymmärryksen ohjauslaitteen ensimmäisen version ei tarvitse olla täydellinen.

Se voi olla yksinkertainen prototyyppi, jolla vastataan muutamaan kysymykseen:

• Kuinka suuri osa datasta voidaan suodattaa ilman kielimallia?
• Mitkä signaalit ennakoivat todellisia kaupallisia tapahtumia?
• Milloin paikallinen tekoäly riittää?
• Milloin pilvipohjainen kielimalli tuottaa riittävästi lisäarvoa?
• Voidaanko myynnin ajoitusta parantaa?

Jos vastaukset ovat lupaavia, yhden laitteen ympärille voidaan myöhemmin rakentaa kokonainen hajautettu järjestelmä.

Johtopäätös

Tekoälykeskustelussa huomio kiinnittyy helposti yhä suurempiin malleihin ja tehokkaampiin datakeskuksiin.

B2B-yrityksille yhtä kiinnostava kehityssuunta voi kuitenkin olla päinvastainen:

pienet, halvat ja erikoistuneet laitteet, jotka tekevät jatkuvasti yksinkertaisia päätöksiä lähellä datan syntypaikkaa.

Niiden tehtävä ei ole korvata suuria tekoälymalleja.

Niiden tehtävä on varmistaa, että kallista laskentaa ja ihmisen huomiota käytetään vain silloin, kun siihen on hyvä syy.

B2B-markkinoinnissa tämä voi tarkoittaa siirtymistä massiivisesta datankeruusta kohti järjestelmiä, jotka tunnistavat oikean yrityksen, oikean tapahtuman ja oikean hetken.

Ehkä tulevaisuuden markkinointiteknologian tärkein kysymys ei olekaan: mitä tekoäly osaa tehdä?

Vaan: mistä järjestelmä tietää, milloin tekoäly kannattaa herättää?

---

Flutterby Ninja Consulting tutkii tekoälyn, automaation, hajautettujen järjestelmien ja uudenlaisten liiketoimintamallien mahdollisuuksia. Erityisen kiinnostavia ovat ratkaisut, joissa teknologia parantaa yritysten kykyä tunnistaa muutoksia ja reagoida niihin aikaisemmin.