Data Science, verksamhetsoptimering

Optimera verksamheten med hjälp av Data Science

Data Science är en bred disciplin i gränslandet mellan datavetenskap och statistik. På sistone har Data Science vuxit explosionsartat inom såväl industrin som akademin. I media florerar begrepp som maskininlärning, artificiell intelligens och neurala nätverk, vilka alla ryms inom Data Science-området, (i den här bloggserien reder vi ut begreppen) I följande inlägg ger jag exempel på hur vi använder Data Science idag och belyser bredden hos dess tillämpningsområde.

Data Science är ett verktyg för att generera förutsägelser, upptäcka mönster och dra slutsatser från stora mängder data. Skillnaden mot klassisk dataanalys, exempelvis sådan som utförs i Excel, är att en algoritm programmeras att utföra uppgiften. Algoritmen kan i sin tur bearbeta större datamängder och upptäcka finare mönster än vad en människa kan.

Ämnet kan liknas vid en slags artificiell erfarenhet; utifrån kunskap om (data på) tidigare händelser, kan algoritmer generera förutsägelser, se mönster och dra slutsatser. En människa kan långsamt arbeta upp sin magkänsla inom ett specifikt område genom branscherfarenhet. En dator kan snabbt och effektivt bearbeta stora datamängder för att upptäcka mönster, oavsett genre och därigenom träna upp sin förmåga att göra kloka val utifrån givna premisser. Datan kan bestå av såväl siffror som bild, film, text och tal. Man kan också kombinera så kallad intern data, alltså data som ägs av en specifik organisation, med extern sådan, till exempel väder, demografi och medierapportering.

Data Science, en naturlig reaktion på dataöverflöd?

Kanske är Data Science en naturlig reaktion på det dataöverflöd som uppstått under vår senaste tekniska utveckling; din mobiltelefon kan registrera var du befinner dig, Google vet vad du funderar på, livsmedelskedjor känner till din favoritmat, Facebook vet vad du gillar och Spotify registrerar dina låtval. Det är billigt och enkelt att samla och lagra data, inte minst sådan som registreras online.

Som Data Scientist är mitt jobb att använda en organisations data för att förbättra dess verksamhet. Låt mig som exempel ta upp en erfarenhet från livsmedelsindustrin: matvarors streckkoder innehåller produktspecifik, men inte individuell, information. Alltså finns information om en scannad varas namn, tillverkare, vikt och dylikt, men information som rör ett specifikt exemplar, till exempel bäst före-datum, saknas. Av den anledningen måste anställda manuellt undersöka om det står gammal mat i butikshyllan. Något som i längden innebär stora personalkostnader för livsmedelsbutiker. Med historisk data över livsmedelsförsäljning respektive svinn, programmerades en modell som förutsäger risken att en vara blir gammal innan den lämnar affären. De varor som löper försvinnande liten risk att gå ut sparades i en separat lista. Genom att automatiskt uppdatera och kommunicera listan till butiken, kunde tiden som personalen la på att kontrollera varors utgångsdatum märkbart reduceras.

Fler exempel på tillämpningsområden

Här kan du läsa om ett annat exempel på Data Science i dagligvaruhandeln, där man lyckades identifiera gravida kunder genom en avancerad analys av deras köpmönster. Projektet möjliggjorde riktad reklam till blivande mödrar. Strax efter reklamutskicken besöktes företaget av en man som var rasande över att hans tonårsdotter fått reklam för gravida. Några dagar senare hörde mannen återigen av sig, denna gång med mjukare ton, för att erkänna att han inte varit fullt informerad om sin dotters privatliv och att han ska bli morfar om några månader…

Den nyfikne kan även läsa om hur man använder Data Science för att diagnostisera cancer. 

Lära bilar att köra sig själva 

Översätta teckenspråk och effektivisera polisväsendet.

Data Science är ett kraftfullt, men relativt outforskat verktyg. Låt mig avsluta med att betona att mitt yrke står i ett direkt beroendeförhållande till branschexpertis. Utan spännande idéer på tillämpningar, faller det platt. På Advectas erbjuder vi workshops för att tillsammans diskutera fram specifika tillämpningar av Data Science.

I Stockholm den 9:e november håller vi ett seminarium där vi på ett enkelt sätt förklarar vad AI, Machine Learning och Data Science egentligen är och hur det hänger ihop med varandra. Anmäl dig här. 

Vill du veta mer om våra workshops, ställa en fråga eller diskutera Data Science i allmänhet? Hör gärna av dig till mig!

Anna Samuelsson
anna.samuelsson@advectas.se
Jag som skriver detta heter Anna och jobbar som Data Scientist på Advectas. Jag är utbildad statistiker och finansmatematiker och har tidigare jobbat med dataanalys och mjukvaruutveckling. På Advectas sysslar jag för närvarande med klädindustin och vid sidan av jobbet läser jag gärna böcker (antingen någon pretto realism i Moberg-anda, Kallentofts deckare eller Rudbergs gamla chic-lit). Jag är en jäkel på sötebrödsbak och har två marsvin som ställer sig tvåbent framför mig om jag visslar.

Alla inlägg av Anna Samuelsson

Advectas startar schemalagda utbildningar på de främsta BI-plattformarna

Läs mer om Advectas Academy!