Exempel på kundlösningar inom Data Science

Case 1: TILLVERKANDE INDUSTRI

SYSTEM FÖR DIREKT ÖVERVAKNING OCH UNDERSÖKNING AV PRODUKTION

Utmaning

  • Kunden har ett valsverk, och har problem med att för hög andel av produktionen blir defekt.​
  • Den defekt som är mest kostsam är när formen på produkten blir felaktig, vilket leder till stopp i processen, bortfall i produktion och andra effekter. ​
  • Processen är komplex, med många steg och små toleranser. En kritisk del av tillverkningen var halvvägs genom processen, och för processingenjörerna var det mycket intressant att granska produktionen i detalj vid den här punkten, både historiskt och prediktivt.

Lösning

  • Ett system byggdes med Python som bas där olika prediktiva modeller analyserade data som generades i processen, bland annat materialdata, sensordata och formen på produkterna.​
  • Allting visualiserades i ett gränssnitt, där man kunde följa produktens väg genom processen.​
  • Bland annat gjordes prediktioner baserat på sensordata, och sekvenser av mätvärden där ett s.k. bi-direktionellt LSTM-nätverk med attentionmekanism användes för att identifiera vilken del av produktens form som var kritisk.

Leverans

  • Systemet varnade då risk för fel fanns, och pekade på vad som var riskfaktorn för den individuella produkten, redan innan det blev fel.​
  • Systemets användningsområde var för processingenjörer som undersökte hur produktionen gått, och vad som orsakade fel. Dessutom kunde systemet bidra med kritisk information till operatörer, som kunde ta mer välutformade beslut.​
  • Både den prediktiva aspekten (att kunna förutspå fel i produktionen) såväl som den historiska aspekten (hur fel i produktion ser ut över tid) var värdefull för de tilltänkta användarna

Case 2: TILLVERKANDE INDUSTRI

ANALYS AV SENSORDATA FRÅN PRODUKTIONSANLÄGGNING FÖR ATT​ MINSKA FELFREKVENS OCH UNDERLÄTTA ROTFELSANALYS​

Utmaning

  • Kunden har ett valsverk och har problem med att för hög andel av produktionen blir defekt.​
  • Den defekt som är mest kostsam är när formen på produkten blir felaktig, vilket leder till stopp i processen, bortfall i produktion och andra effekter.  ​
  • Processen är komplex, med många steg och små toleranser. De hade tidigare gjort översiktliga analyser men inte lyckats identifiera orsaker till felaktigheterna. Fokus låg på att hitta orsaker och samband de fram tills dess inte kunnat identifiera.

Lösning

  • I ett initiativ för att svara på varför vissa produkter blir felaktiga analyserades all sensordata från produktionen. Totalt ca 3500 olika parametrar behandlades.​
  • Arbetet genomfördes i Python med statistiska analyser, maskinlärning och deep learning-modeller. Insikterna levererades till kunden i form av en rapport som innehöll förslag på åtgärder för att minska felfrekvensen.​
  • Tekniskt förklarat användes XGBoost-modeller på huvuddelen av parametrarna och ett bi-direktionellt LSTM-nätverk med attentionmekanism användes för att analysera sekvenser av mätvärden.

Leverans

  • De tränade modellerna lyckades få en AUC-ROC-score på 0.84 tillsammans med en träffsäkerhet på ca 88%.​
  • Bland annat upptäcktes att vissa karaktäristiska former på produkten ökade risken för fel i slutproduktionen. Vidare kunde en viss del i processen kunde pekas ut som kritisk. Informationen fungerade som underlag för processingenjörer och operatörer som ansvarade för produktionsanläggningen.​
  • Detta gav vägledning för var nya sensorer skulle placeras och vilka nya delar av processen som skulle övervakas mer noggrant.

Case 3: DRIVMEDELSFÖRETAG

CHURNANALYS OCH KUNDSEGMENTERING

Utmaning

  • Kunden hade ca 60 000 företagskunder och hade svårigheter att hitta vilka kunder de skulle fokusera sina marknadsaktiviteter och erbjudanden mot.​
  • De ville också veta vilka kunder som mest troligt skulle sluta (churna) inom de närmaste 6 månaderna.​
  • Innan projektet startade skedde majoriteten av urvalen på manuell basis, vilket gav dålig träffsäkerhet, onödiga marknadsaktiviteter samt hög omsättning av kunder.

Lösning

  • Uppdraget började med att segmentera kunderna och titta på Customer Lifetime Value för olika kunder. Detta för att få en bättre bild av vilka deras kunder var och deras beteende.​
  • Vidare tränades ett antal modeller I SPSS modeller och R för att förutspå vilka kunder som var på väg att sluta.​
  • En ensemble-modell skapades som en gång per månad automatiskt skulle generera en lista på de kunder som marknadsavdelningen skulle fokusera på.

Leverans

  • Segmenteringen hjälpte kunden att förstå deras egna kunder bättre. Flera nya insikter genererades och flera gamla antaganden visade sig felaktiga.​
  • Bland annat kunde man påvisa skillnader i kundbeteende beroende på om de tankade bensin eller diesel, och tidigare antaganden om kundresor kunde revideras. Detta låg till grund för deras fortsatta arbete med kundanalys.​
  • Churnmodellerna nådde en träffsäkerhet på 89% vilket tillsammans med lifetime value hjälpte dem pin-pointa på ett hylt nytt sätt vilka kunder som de skulle rikta aktiviteter och erbjudanden mot.

case 4: KONSULTFÖRETAG​

SYSTEM FÖR ATT MATCHA RÄTT KONSULTER TILL RÄTT UPPDRAG

Utmaning

  • Kunden är ett större konsultbolag, med ca 5000 konsulter och underkonsulter och 25000 positioner på projekt årligen. Uppgiften att hitta rätt konsulter till rätt uppdrag, samt att veta hur många som hade en viss typ av kompetens. Detta var något som tog för lång tid med tidigare system.​
  • Dessutom var synligheten av kompetenser något som var svårt att få fram tidigare system. Många projekt tillsattes utan att granska vem som egentligen hade bäst kompetens, och vissa projekt avböjdes p.g.a. att ingen visste vilka i företaget som kunde leverera

Lösning

  • Tillsammans med kunden byggdes en sök- och matchningslösning i Python där projektägare snabbt kunde hitta konsulter som matchade vissa sökkriterier, även personer som skrivit sitt CV på andra språk än svenska.​
  • Genom avancerad textanalys, doc2vec samt RNNs och andra tekniker var det även möjligt att ta en uppdragsbeskrivning och hitta relevanta konsulter för uppdraget.​
  • Hela lösningen kunde användas genom ett Google-liknande gränssnitt i en portal för uppdragsmatchning.

Leverans

  • Data science-delen i projektet utgjorde en central del i att korta ner tiden det tar att hitta rätt personer.​
  • Den språkagnostiska delen var oerhört värdefull och hjälpte projektägarna att hitta rätt personer till rätt plats.​
  • För konsultcheferna var lösningen också en vinst eftersom den hjälpte till att synliggöra vilka kompetenser som fanns i nätverket. ​
  • Lösningen ansågs som en av de viktigaste differentiatorerna konsultbolaget använde sig av.

case 5: DRIVMEDELSFÖRETAG

SEGMENGERING OCH KUNDVÄRDESANALYS

Utmaning

  • Kunden hade ca 60000 företagskunder och hade svårigheter att hitta vilka kunder de skulle fokusera sina marknadsaktiviteter och erbjudanden mot.​
  • Kundanalyserna som skedde var väldigt grundläggande och segmenteringen var bestämd på förhand. Innan projektet skedde urvalen mycket på manuell basis, vilket gav dålig träffsäkerhet, onödiga marknads-aktiviteter samt hög omsättning av kunder.  ​
  • En annan del som var kostsam var hur rabattpolicyn såg olika ut för olika kunder och nivåerna var godtyckliga.

Lösning

  • Tillsammans med kunden och en management/​
    strategikonsult med B2B-fokus lades en plan upp för hur en ny segmentering skulle genomföras. ​
  • Kunderna delades upp i olika RFM (Recency, Frequency, Monetary Value) nivåer samt i olika grupper utifrån CLV (Customer Lifetime Value).  ​
  • Dessa olika grupper analyserades ur olika perspektiv för att kunna tydliggöra egenskaper och mönster, samt hur kundens resa såg ut över tid. Detta gav möjligheter till att bekräfta en del antaganden som gjorts innan, men också dementera en del uppfattningar.

Leverans

  • Den nya planen och uppdelningen gav nya möjligheter att jobba mer effektivt med kundstocken, samt vara mer relevanta när kunder kontaktades. ​
  • Flera nya kundgrupper kunde identifieras, bland annat de ”ofrekventa” kunderna som kom och gick och där köpen kom stötvis. Sedan kunde skillnader ses mellan de som tankade diesel och de som tankade bensin eller alternativa drivmedel. ​
  • Vidare gavs underlag till att jobba mer strukturerat med rabattnivåer för att inte ge onödigt

Case 6: PAPPER- OCH MASSAFÖRETAG

TRANSPORTOPTIMERING FRÅN PRODUKTIONSANLÄGGNING TILL KUND

 

Utmaning

  • Kunden hade en omfattande logistik för att leverera pappersmassa till kunder runtom i Europa från bruken i Sverige.​
  • De hanterar hela kedjan från skog till pappersmassa hos kunden, vilket resulterar i många steg och en hög komplexitet.​
  • Transportkostnaderna var en betydande del av deras omkostnader, så att få ner dessa var hög prioritet.

Lösning

  • Kunden hade redan en existerande optimerings-lösning, men den inbegrep mycket handpålägg-ande och gjordes endast en gang per år.​
  • För ändamålet utvecklades en optimerings-modell i IBM CPLEX där datan uppdaterades automatiskt och kunde köras varje dag med 90 dagars horisont. Modellen inkluderade hela logistik-kedjan från bruk till kund med hög detaljnivå.​
  • Bland annat integrerades en vehicle-routing-modul i modellen som automatiskt kunde generera optimala rutter som deras båtar skulle segla.

Leverans

  • Genom att använda den nya optimeringsmodellen uppskattades en besparing på ca 2-4% av transportkostnaderna. Detta kan jämföras med en break-even av projektet som låg på 0.1% av transportkostnaderna.​
  • Dessutom kunde stora tidsbesparingar göras i och med att datamodellen blev mer robust, feltolerant och automatiserad.​
  • Ett nytt analysgränssnitt hjälpte kunden att få en bättre överblick, underlätta utvärdering av alternativ och möjliggöra snabbare beslut kring produktion, lagerhållning och allokering av transporter.

Case 7: LIVSMEDELSVERKET

STRATEGISK ROADMAP INOM BI, DATA SCIENCE OCH DATALAGER​

Utmaning

  • Livsmedelverket gav i uppdrag att utreda hur de kunde sammanställa, bearbeta och analysera data på ett effektivt sätt för ökad intern användning och för att kunna finna nya kunskaper.​
  • Mer specifikt hur rapportering, Self service BI, Data Science och AI-lösningar kunde integreras på bästa sätt i deras verksamhet. De var i behov av en omstrukturering av datalager, samt hade nyss beslutat om nya satsningar inom BI och Analys.

Lösning

  • Leveranser inkluderade nulägesanalys, insamling av behov och krav, miljöförutsättningar och rekommendationer kring analysmiljöer. Tillsammans med Livsmedelsverket gjordes en serie workshops, där idéer runtom i verksamheten snappades upp, konkretiserades och validerades.​
  • Tillsammans med best-pracice metoder från andra projekt utarbetades en roadmap ur ett teknik-, verksamhets-, AI- och rapporterings-perspektiv. Tillsammans med verktygsval och plattformsval gav detta en helhetsbild över hur Livsmedelsverket kunde komma framåt med datadrivna initiativ.

Leverans

Resultaten från projektet levererades i en serie presentationer för olika representanter från verket. Roadmapen kommer att användas i dialoger med verksledning och departement, samt till investeringsunderlag för kommande projekt. ​

Projektet hjälpte även att skapa en förståelse för olika analysmetoder i allmänhet och AI i synnerhet.​

Dessutom gav det ny fart till hur de kunde jobba med innovation, och säkra att idéer

Case 8: drivmedelsbolag

CHURN- OCH REVOLVEANALYS PÅ BETALKORTSKUNDER

Utmaning

  • Företaget vi hjälpte var intresserade av att hitta churnkunder (kunder som stod i begrepp till att sluta) samt revolvekunder (kunder som utnyttjade sin kredit regelmässigt).​
  • Churn var viktigt för att kunna rikta marknadsaktiviteter mot dem innan de lämnade, och revolvekunder var viktiga för att dessa var de mest lönsamma kunderna.

Lösning

  • I det här projeket användes SPSS Modeler samt SPSS CaDS för att automatisera analysen som identifierade framtida churn-och revolvekunder. ​
  • Flera prediktiva modeller byggdes och samman-vägdes, och dessa kunde operationaliseras genom CADS.​
  • Modellerna utväderades, och vilka faktorer som spelade i i de två olika fallen kunde redovisas. Modellen deployades för att regelbundet ta fram kunder som marknadsavdelningen skulle fokusera på.

Leverans

  • Med hjälp av churnmodellen ökade träff-säkerheten jämfört med tidigare med 575%. Ökningen i träffsäkerhet när det kom till revolve-kunder ökade med 301%. Detta var mycket höga värden, och innebar en stor förbättring för kunden.​
  • Detta gjorde att kundavdelningen kunde ge mer riktade erbjudanden, bli bättre på att behålla kunder och identifiera de kunder som låg i riskzonen för att gå till inkasso. Som helhet blev de bättre på att förutspå kunders beteende, vilket gjorde att de fick bättre avkastning på kundbasen.

Ta del av resultatet från Den svenska Business Intelligence- & Data Science-studien 2019

Ladda ner studien