Alexandra Instituttet A/S // Aktuelt // Nyheder // Nyheder 2016 // Sådan flytter du fra data til datadreven forretning

Sådan flytter du fra data til datadreven forretning

25-10-2016

Sådan flytter du fra data til datadreven forretning

Kan dine egne kundedata fortælle dig, hvilke kunder der vil forlade dig? Måske. Men bare dét, at du stiller dig selv spørgsmålet, gør, at du allerede er ved at rykke datadreven innovation ind i din forretning. Og så kan du ligeså godt gøre det ordentligt.

Alle genererer data i dag. Men på trods af den nye mulighed for at indsamle og fortolke på digitale informationsmængder, bliver mange forretningsmæssige beslutninger stadig taget på mavefornemmelser. Tænk, hvis vi kunne tage al den information, som vi og vores virksomheder genererer, og bruge den til at finde ud af, hvordan vi skal udvikle vores forretning. Det kan vi med kunstig intelligens, der gør det muligt for os at tage beslutninger baseret på viden og ikke mavefornemmelse. Og det gælder for alle typer forretninger uanset mål, ønske og modenhed.
 

Kombiner domænekendskab med teknisk indsigt

Anders Kofod-Petersen er vores vicedirektør i København og professor i kunstig intelligens. Han fortæller her, hvordan kunstig intelligens også kendt som maskinlæring kan rykke dig fra data til datadreven forretning.
 
- Kort sagt kombinerer vi domænekendskab, dem der ved noget om virksomheden og marked med teknisk indsigt, dem der ved noget om algoritmer og statistisk metode. Lad mig bruge ”churn predicition” som et klassisk eksempel på, hvad det egentligt er, vi gør. Churn prediction handler om at forudsige, hvornår ens kunder tænker på at forlade én. Ved man det, er det muligt at komme handlingen i forkøbet.
 

Churn Prediction: Hvornår forlader mine kunder mig

Kunstig intelligens og subfeltet maskinlæring kan bruges til at forudsige, hvilke kunder der vil fravælge dit produkt eller ydelse i fremtiden. I stedet for eksplicit at programmere regler vil et maskinlæringssystem lære sig, hvilke reelle regler der gør, at kunder forlader os. Det kan derfor understøtte din beslutning om, hvilke tiltag du skal iværksætte for at undgå det.
 
Der er typisk 5 trin, du skal igennem, og vi hjælper med at finde de rette værktøjer undervejs.

Hvilke data har du, hvor er de, og kan vi få fingre dem?

Vi kigger på, hvad vi kan opnå med de data, du allerede har. Din virksomhed har typisk noget data selv. Har du et kundeforhold, så har du jo allerede en relation baseret på den interaktion kunden har haft med din virksomhed.  Ofte er struktureret data nemmest at tilgå, det kan være data fra en kundedatabase med diverse tal om kunderne. Lad os tage en skoproducent som eksempel: Hvilke sko har hvilke kunder købt hvornår. 

Hvad skal vi finde ud af?

Næste trin er at tygge sig gennem data ved hjælp af en masse algoritmer. Vi prøver med de algoritmer, vi ved, der er gode til at finde de ting, vi ønsker, og vi har en værktøjskasse, vi kan dykke ned i afhængig af, hvordan vi ønsker at kombinere dem.
 
- Kerneessensen er, at man træner algoritmerne i stedet for at lave reglerne på forhånd. Fordelen er, at du får de resultater, som er i data, og ikke dem du tror.
 
Hvilket svar skal algoritmen give os? Måske er det fint kun at vide, hvordan den kommer frem til svaret? Eksempelvis bestemmer din ABS bremse, hvor meget du skal bremse, men den behøver ikke forklare dig, hvordan den kommer frem til det. Andre gange vil du gerne vide, hvordan maskinen kom frem til svaret, så du kan søge en forklaring på resultatet.
 
Der vil altså være forskel på, hvor tilfredsstillende et resultat algoritmen skal give. Om det skal være klassifikation: Er det fint nok at vide, at der er 82% risiko for, at Hr. Jensen forlader biksen inden for 10 uger?
 
Eller skal den tjene til beslutningsstøtte: Vil du også vide hvorfor, den finder frem til resultatet, så du har nogle bud på mulig årsag og, hvad du skal gøre for at kunder bliver hængende? Så er forklaringen den udslagsgivende parametre, som du skal tage beslutning ud fra.

Løkke af eksperimenter i iterativ proces

Herefter går vi i gang med at oplære maskinen ved at fordre den med data. Data kan komme i forskellig form og fra forskellige kilder.

3a. Struktureret form i eksempelvis intern kundedatabase
Er der indikatorer i dine strukturerede kundedata som leder op til, at kunder har forladt dig. Vi kører halvdelen af data i gennem og træner algoritmen op som konstruerer en model, der kan forudsige, at de kunder, som den nu har set, har forladt virksomheden.
 
Så tager vi den anden halvdel af kundedataene – kan maskinen stadig forudsige de kunder, den ikke kender (stadig dine gamle kunder), og kan den finde dem? ”Jensen kommer til at forlade biksen om 10 uger”, så kigger vi om, det er sandt altså om han gjorde det. Er den god til det (og er du tilfreds med resultatet), kan vi så gå videre og kigge på de kunder, du har i dag og høre: Hvem kommer så til at forlade dig?
 
Er du ikke tilfreds – går vi et skridt tilbage og kigger på egne ustrukturerede data.
 
3b. Interne ustrukturerede data
Kan maskinen ikke finde ud af det, vi håbede, har den altså lært noget forkert. Egne interne data vil ofte være tilstrækkelige, men der kan være en faktor, som dine data ikke ved eller viser. Vi dykker ned i, om vi kun har trænet på forkerte data? Konkurrenten har måske lanceret et nyt produkt, og den information skal vi også tage vare på, hvis det er den udløsende faktor.  Har vi brug for flere data eksempelvis ustruktureret internt som tekst gennem text mining?
 
Har vi brugt interne strukturerede og ustrukturerede data, men vi er stadig ikke tilfredse. Så må vi dykke ned i andres data.
 
3c. Eksterne strukturerede data
Vi kunne ikke finde data i virksomheden, som med tilstrækkelig præcision kan give svar på, hvem vil forlade os. Så kigger vi videre ud i verden. Er der strukturerede eksterne data, vi kan tage med os. Og kan man få fat i dem?
 
Vi laver samme øvelse. Er vores kunder i et segment, hvor vores produkt er stærkt afhængigt af, at folk har et højt betalt job? Tjek Danmarks Statistik. Har kunderne eksempelvis sæsonjob, der pludselig er ramt af høj arbejdsløshed, og kan det være grunden til, at du mister dem? Tilbage til eksemplet med skoproducenten: Har forskellige skobutikker nogle kundedata, vi kan bruge? Så vi kombinerer domænekundskab – for skoproducenten vil det være dem, der ved noget om sko og den tekniske kundskab – dem der laver tekniske algoritmer og statistiske test – og herefter en brugerekspert ind over for at forstå deres marked.
 
Er vi stadig ikke tilfredse? Næste iteration er eksterne ustrukturerede data.
 
3d. Eksterne ustrukturerede data
Vi kan lede efter en masse andre data. Hvad skriver folk eksempelvis på sociale medier om sko, i modeblade, blogs eller hvad siger den seneste forskning? Det må maskinen tygge sig i gennem.

Byg og vedligehold infrastruktur

Når algoritmen er god nok, vil iterationerne give dig indsigter, som du kan handle på i din forretningsudvikling, og baseret på de indsigter ændrer du på verden omkring dig – og maskinen. Måske får alle gode kunder en ekstra service, eller du starter en ny produktion. Med andre ord påvirker du de data, maskinen beror sin beslutningsstøtte på.

Algoritmen skal derfor også lære af de nye tiltag – for skoproducenten kommer der måske strømper til, snørebånd eller nye kunder. Men det ved algoritmen jo ikke. Den skal derfor trænes en gang om måneden eller kontinuerligt. Laver du store forandringer, må du derfor kigge på det igen.
 
Og når indsigt i data bliver en kritisk del af din virksomhed, skal du kunne gøre det selv på et tidspunkt med en leverandør, du har tæt og godt samarbejde med, fordi indsigten bliver forretningskritisk.

Indsigt gør din forretning datadreven

Når du digitaliserer din virksomhed, kan du ændre din virksomhed fundamentalt. Og det er ærgerligt at stoppe der. Tag eksempelvis dengang, da gravemaskinen blev opfundet til at grave for 20 mand med kun én ved roret. Satte man de andre 19 mand til at flytte gravemaskinen? Nej de lavede noget andet.
 
Nu kan du blive en datadreven virksomhed. Og det giver nye muligheder, når du er drevet af dine data. Det er en kontinuerlig innovationsproces med indsigt, som støtter informerede beslutninger ikke mavefornemmelse. Hvad hvis data kan fortælle, hvilke sko du skal producere? Så kan du bruge algoritmen til at komme videre for den er jo etableret.
 
Konklusionen er, at det er nemt nok at komme gennem de 5 trin. Det vanskelige er at gøre algoritmearbejdet. Vi ser nogle nemme problemer, der kan løses af hyldevare teknologier, mens andre kræver dybere indsigt i metodeværket.
Og bliver det sværere endnu skal det undersøges videre i forskningsverden for at finde ud af, hvordan kan vi løse det – og om kan vi løse det…
 
Essensen er, at du ikke behøver at gå fra traditionel virksomhed til fuld datadreven i ét hug. Det er en rejse, du skal igennem, og du skal være velkommen til at bruge os som din guide.

Fail fast og klassisk systemudvikling

Vi arbejder ud fra to faser:
Første fase: Fail fast. VI går hurtigt i gang med en billig infrastruktur, der er eksperimentelt og empirisk funderet.
Anden fase: Klassisk systemudvikling. Når vi har testet hvad algoritmen kan gøre for virksomheden, kan vi tage en informeret beslutning om, at implementere den i produktionen og anvende den de næste mange år, fordi den baserer sig på en god forretningsmodel.

 

Big data og kunstig intelligens

Uanset om du er en enkeltmandsvirksomhed, et malerfirma med fem ansatte eller en stor koncern, der producerer sko. Udtrykket big data dækker over indsamlingen, opbevaringen, analysen og fortolkningen af disse potentielt enorme mængder data. Tænk, hvis vi kunne tage al den information, som vi og vores virksomheder genererer, og bruge den til at finde ud af, hvordan vi skal udvikle vores forretning. Det kaldes kunstig intelligens.

Kontakt
Deputy Director, Professor
+45 41 15 12 48
Njalsgade 76, 3. sal,
2300 København S
Nyhedsarkiv
.