Delfoi-menetelmä

Delfoi-menetelmä johtamismenetelmien ja analyysivälineiden käyttöjärjestelmänä

1. ALUEKEHITYS, 2. TULEVAISUUDEN ENNAKOINTI, 3. STRATEGIAPROSESSIT, 4. Osaamis- ja koulutustarpeiden ennakointi, 8. Energia ja ympäristö, IN ENGLISH, METODI

Myllylä, Yrjö, Jari Kaivo-oja (2024). A Hybrid Foresight Study of the Environmental Reference Laboratory System in Finland: A Foresight Study for the Government of Finland.  European Journal of  Futures 2 (2024). ©Springer.   https://doi.org/10.1186/s40309-023-00223-z

Uusin artikkelimme julkistettiin European Journal of Futures Research tieteellisessä aikakausikirjassa 31.1.2024. Se kertoo, miten Delfoi-menetelmä toimii käyttöjärjestelmänä. Itse vertaisin Delfoin roolia kehittyneessä ennakointitoiminnassa juurikin Windowsiin, Androidiin tms. käyttöjärjestelmään, millä käytetään muita ohjelmia ja välineitä.

Delfoihin yhdistetään muita johtamisen ja strategisen suunnittelun menetelmiä, jotta saadaan luotettavia ja monipuolisia vastauksia päätöksentekijöiden kaipaamiin kysymyksiin. Artikkelissa esitelty viisi komboa, kuten Delfoi-SWOT, Delfoi-BCG-analyysi, Delfoi-Tulevaisuusverstas-skenaarioanalyysi ja pari muuta seikkaperäisinä esimerkkeinä, joilla vastattiin 10 alkuperäiseen tutkimuskysymykseen. On huomioitava, että myös Delfoi-menetelmällä on paljon eri variantteja, joten yksinkertaisen asian monimutkaistamiseksi, pitää tietää millaista Delfoin varianttia käytetään missäkin kombossa. Tietenkin osallistuvat asiantuntijat pitää osata myös valita oikein ja sitäkin on artikkelissamme käsitelty.



Allekirjoittaneen lähes kaikissa sovelluksissa noin 25 vuoden ajan läsnä ollut tapa on tässä nyt argumentoitu globaalille yleisölle. Jos ei muut, niin ainakin kiinalaiset lukevat ja omaksuvat tämän, kuten edellisenkin tässä lehdessä olleen artikkelimme, sekin samasta ideasta keskittyen Delfoi-BCG-matriisin yhteiskäyttöön. Malli on käytössä Kiinassa maakunnissa, jossa yhteydessä viitataan artikkeliimme. Olemmekin näissä merkeissä valmiina tuottamaan vaikutuksia myös Suomessa tutkimussovelluksin tai tarvittaessa koulutuksella aiheesta. Tässä aluekehitys- ja taloustilanteessa kiinalaisten mallilla (siis em. RD Aluekehityksen linkissä olevalla EJFR-artikkelin, Delfoi-BCG mallilla) osaamisemme soveltaminen Suomessa kaikilla alueilla tuottaisi varmasti tulosta ja kasvua. Mallia voisi soveltaa myös pelkästään yksittäisiin klustereihin ja toimialoihin, kuten artikkelissamme arktinen meriteollisuus casena. Toimii myös osaamis- ja koulutustarpeiden pitkän aikavälin ennakoinnin hyvänä osana ja perusteena.

Tämä uusi hybridi-ennakointiartikkelimme taustalla oli vuonna 2018 toteutettu kilpailutettu tilaustyö. Tähän tilaustyönä VNK:lle tuotettuun raporttiin pääset blogiartikkelista. Esittelimme myös PASCAL 2022 konferenssissa tuloksia välissä kaupunkien huoltovarmuuden näkökulmasta. Asiaan liittyi myös esimerkiksi pandemian mittaustoiminta, mikä oli hyvä esimerkki ympäristöalan mittauksesta, joka noudatti hankkeessamme tehtyä huoltovarmuusskenaariota. Kun osaaminen oli pandemian aikana kotimaassa, vaikkakin analysointi aluksi ulkomailla, mittaustoiminnan volyymi voitiin skaalata ylös ja tuoda analysointi lähemmäs.

Koko artikkelimme European Journal of Futures Research -lehdessä löytyy tästä:

”A Hybrid Foresight Study of the Environmental Reference Laboratory System in Finland: A Foresight Study for the Government of Finland”

Kysymys tekoälylle: Millaisia osaamistarpeita tunnistat tämän linkin pdf-raporteista: https://ennakointi.kymenlaakso.fi/ ?

1. ALUEKEHITYS, 2. TULEVAISUUDEN ENNAKOINTI, 3. STRATEGIAPROSESSIT, 4. Osaamis- ja koulutustarpeiden ennakointi, 7. Logistiikka ja yhteydet, 8. Energia ja ympäristö, 9.1 Matkailu, 9.2 Kauppa, rakentaminen, ICT, hyvinvointi, palvelut, METODI

Rekisteröidyn viikko sitten tekoälyn käyttäjäksi ja olen viikon ajan tehnyt kysymyksiä tekoälylle. Pääsääntöisesti se vastasi kysymyksiin osuvasti ja tiiviisti mielestäni. Esimerkiksi olemme kehittäneet Kymenlaakossa ”Etiäinen – Koulutustarpeiden ennakointi” hankkeessa lyhyen aikavälin ennakointiin ns. toimialakartoituskäytännön. Muun muassa toimialakohtaisia ennakointiraportteja kertyy pdf-muodossa tähän kysymyksessä mainittuun linkkiin. Kysyin kaksi kertaa em. kysymyksen ja molemmilla kerroilla tekoäly vastasi järkevän tuntuisesti, ensimmäisellä kerralla hiukan tarkemmin ikään kuin laatien inkressin tai tiivistelmäesittelyn tuloksista:

Ensimmäisellä kerralla kysyin ”Millaisia osaamistarpeita tunnistat tämän linkin pdf-raporteista: https://ennakointi.kymenlaakso.fi/ ?” Tekoäly vastasi seuraavasti:

”Kymenlaakson ennakointi -raporteista tunnistaa seuraavat osaamistarpeet:

  1. Osaaminen digitaalisessa maailmassa
  2. Johtaminen ja esimiestyö
  3. Asiakaspalvelu
  4. Työhyvinvointi
  5. Ympäristöosaaminen
  6. Yritystoimintaosaaminen.”

Toisella kertaa vastaus samaan kysymykseen kuului seuraavasti:

”Kymenlaakson ennakointi -raportit tunnistavat osaamistarpeet työnantajien näkökulmasta. Tarpeita ovat mm.

  • Erityisosaaminen kansainvälisessä liiketoiminnassa,
  • Digitalisaation hallinta,
  • Uusiutuvien energialähteiden käyttöönotto sekä
  • Kestävän kehityksen osaaminen.”

Ensimmäisellä kerralla tekoäly teki numeerisen listan. Toisella kerralla listatut osaamistarpeet oli erotettu virkkeessä pilkulla.

Tämä tulos sisällön puolesta on mielestäni erittäin osuva ja radikaaliuutinen itselleni, jos tuotetusta raporttimassasta voi tiivistää näinkin osuvia tuloksia. Tunnen suurin piirtein tuon linkin raporttien sisällön. Erityisesti tuonkin seikan huomiominen on tärkeää, että tekoäly totesi tämän sivuston pdf-raporttien tunnistavan tarpeet työnantajien näkökulmasta. Selvästikin tuloksissa painottuu tällä perusteella juuri toimialakartoitusraportit. Tätä tutkimusta täytyy jatkaa ja osoittaa tekoälylle vielä tarkempia ja specifimpiä raporttien analyysitehtäviä.

Kysyin 26.2.2023 aloittaessani tekoälyn käytön ChatGPT-tekoälyltä, että ”millainen on hyvä alueellinen ennakointimalli?”. Tekoäly vastasi:

”Hyvän alueellisen ennakoinnin mallin ominaisuuksia ovat muun muassa se, että se on

  • asiakaslähtöinen,
  • tarkoituksenmukainen,
  • oikea-aikainen,
  • kattava ja realistinen.”

Voisiko osuvammin sanoa ja voisiko Kymenlaakson malli olla juuri tämän mukainen esikuva, johon kannattaa tutustua etenkin siinä mukana olevia henkilöitä ja osallisia kuulemalla? Yllätys voi olla, että keskeistä on juuri henkilökohtainen yritysten, työnantajien, oppilaitosten edustajien ja muiden tahojen systemaattinen vuorovaikutus aluetasolla.

Tämä oli ensimmäinen tekoälyä hyödyntänyt blogi-artikkelini.

.

.

RD Info 1/2023: Parhaimmilla ennakointimalleilla ja koulutuksella elinvoimaa – toimialakartoituskonseptilla työmarkkinat tasapainoon, kasvun porrasmallilla kannattavaan kasvuun!

1. ALUEKEHITYS, 2. TULEVAISUUDEN ENNAKOINTI, 3. STRATEGIAPROSESSIT, 4. Osaamis- ja koulutustarpeiden ennakointi, 5. Koillisväylä, Arktinen meriteknologia, 6. Kaivostoiminta, 7. Logistiikka ja yhteydet, 8. Energia ja ympäristö, 9.1 Matkailu, 9.2 Kauppa, rakentaminen, ICT, hyvinvointi, palvelut, METODI, O. YHDYSKUNTASUUNNITTELU JA MAANKÄYTTÖ

RD Info 1/2023: Parhaimmilla ennakointimalleilla ja koulutuksella elinvoimaa – toimialakartoituskonseptilla työmarkkinat tasapainoon, kasvun porrasmallilla kannattavaan kasvuun!