Data Science

Data Science – tar optimering och innovation till en ny nivå

Artificial Intelligence eller AI, Machine Learning och Advanced Analytics – kärt barn har många namn. På Advectas använder vi samlingsbegreppet Data Science. Men det viktiga är inte vad det kallas, utan vad vi kan åstadkomma för din verksamhet.

Business Intelligence-verktyg erbjuder utmärkta möjligheter att följa upp verksamhetens nyckeltal kopplade till strategier och affärsmodeller. Men dagens digitala ledare använder i allt högre grad Data Science för avancerad analys av stora mängder data. Syftet är att öka sina insikter ytterligare, kanske främst genom att på olika sätt optimera verksamheten. Data Science gör det dessutom möjligt att prediktera händelser i framtiden. Detta kan i sin tur påverka befintliga strategier och driva fram helt nya affärsmodeller med tydliga konkurrensfördelar.

Mer om detta alldeles strax, men först: Vad är egentligen Data Science och hur hänger det ihop med det kanske hetaste ordet just nu – Artificiell Intelligens eller kort och gott AI?

Data Science, AI och Machine Learning – hur hänger det ihop?

Data Science innebär användningen av vetenskapliga metoder såsom matematik, programmering och datorvetenskap i kombination med processer och system i syfte att extrahera kunskaper och insikter från data. Med hjälp av avancerad dataanalys kan vi förstå, förutspå och agera på digitala spår från olika händelser och aktiviteter, och därigenom optimera verksamheter på ett sätt som annars inte är möjligt.

Ett viktigt verktyg inom Data Science är den grupp av algoritmer som kallas för Machine Learning (ML), på svenska maskininlärning. En algoritm är en funktion eller modell som ett datorprogram kan följa och köra.

Tanken med Machine Learning är att algoritmen själv lär sig att hitta mönster och regler kontinuerligt. Detta är även ett måste när mängden data blir så stor att regler och mönster blir för komplexa att tolka för den mänskliga hjärnan.

Många olika tillämpningsområden

Data Science och dess generella metoder kan användas framgångsrikt inom mycket skiftande områden. Advectas arbetar oberoende av bransch och verksamhetsområde. Några exempel på områden där vi kan bidra med vår expertis är:

kundservice / Marknadsföring

Vem är din kund? Vad vill kunden ha och när? Var finns kunden? Hur når du kunden? Hur differentierar du dig från konkurrenterna på det sätt kunden vill? Vilken kampanj är mest kostnadseffektiv? Advectas hjälper dig att ta fram svaren med hjälp av Customer Analysis.

Försäljning / Inköp

Hur kommer försäljningen att se ut under nästa år? Hur stora beställningar ska vi göra för att klara efterfrågan, utan att bygga upp stora lager? Försäljningsanalys, prognoser, automatiserade säljaktiviteter och inköpsrekommendationer är exempel på tillämpningar där Advectas Data Science-team kan bidra till både insikter och handlingar.

Tillverkning / underhåll

Genom analys av sensordata, ensamt eller i kombination med annan data, kan Advectas kan hjälpa till att optimera och effektivisera er verksamhet. Exempel på Industrial Analytics är möjlighet att optimera planerat underhåll för att minska slitage- och stilleståndskostnader (Predictive Maintenance), liksom analys av maskiner, tester, bilar och produktutveckling i realtid. Andra tillämpningsområden är optimering av tillverkning, lagerhållning m.m.

Textanalys

De flesta företag, inte minst i tjänstesektorn har idag enorma tillgångar i form av text. Det kan vara t.ex. enkätundersökningar, kundtjänstdialoger, journaler, handböcker, juridiska handlingar, meritförteckningar och även sociala medier och webbsidor. Genom att analysera text i stor skala kan man hitta nya insikter och skapa värde. Advectas har både djup kunskap inom området och smarta verktyg där du själv kan göra analysen.

Inspireras av flera olika kundcase här

ta första steget mot data science

Från workshop till affärsvärde

I digitaliseringens spår skapas data överallt från många olika typer av processer. Fler och ﬂer företag vill nu använda både sin egen data och extern data för att optimera processer och därigenom minska kostnader och skapa konkurrenskraft. Tack vare att det idag ﬁnns mer data och mer tillgänglig beräkningskraft än tidigare är förutsättningarna nu bättre än någonsin för att tillämpa avancerad analys såsom maskininlärning (eller i folkmun AI) för att hitta komplexa mönster i data. Dessa mönster kan sedan användas som direkta insikter eller indirekt underlag för ett mer proaktivt och datadrivet beslutsfattande. Men det är även möjligt att med hjälp av avancerad analys automatisera och berika komplexa beslutsprocesser på ett mer skalbart sätt än vad människor tidigare kunnat göra. Detta kan såklart skapa stora vinster och effektiviseringar, men också öppna upp för nya typer av affärsmodeller.

Alla dessa nya möjligheter har med rätta skapat en väldig hype kring området, men ﬂera aktörer målar upp visioner som för ett enskilt företag är orimliga att nå. Detta gör att det redan mycket breda och svårfångade begreppet AI blir ännu svårare att förstå och konkretisera till sin egen verksamhet.

Därför är det viktigt att konceptuellt förstå hur maskininlärning, AI och andra fält inom Data Science fungerar för att kunna konkretisera olika tillämpningar till sin egen verksamhet, och vad de kan ge i affärsvärde.

Hur kommer man igång med Data Science?
Advectas kan hjälpa till under hela den process som ett Data Science-projekt innebär. Vi kan hjälpa er med allt från att anordna workshops för att inspirera och konkretisera olika initiativ, påvisa värde genom en prototyp, implementera lösningen i er miljö och sist men inte minst stötta verksamheten i sin förändring att nyttja kraften i resultatet.
Den berikade verksamhetsprocessen är målet, för det är först då man skapar riktigt affärsvärde, men vägen dit kan kännas lång om man inte delar upp resan i delmål. Därför tror vi att en introduktion till Data Science bör ske i fyra steg – från första workshop till realiserat affärsvärde.

Data Science-workshop
Förståelsen för vad Data Science är och vad man kan uppnå med Data Science kan skilja sig åt bland organisationens medarbetare. Vissa medarbetare har en djup teknisk kunskap, medan andra besitter stor affärskännedom.

Under en Data Science Workshop säkerställer vi att alla deltagare har en grundläggande förståelse för Data Science, maskininlärning och AI. På så vis kan vi föra relevanta diskussioner när vi arbetar fram en lista över de potentiella Data Science-tillämpningar som kan skapa allra störst affärsvärde.

Jumpstart-metodiken
Nästa steg på Data Science-resan är vad vi kallar för en jumpstart. I ett jumpstart-projekt väljer vi en potentiell Data Science-tillämpning från workshopen och testar i liten skala för att påvisa affärsvärde.

Tillsammans med Högskolan i Skövde har vi tagit fram en anpassad projektmetodik för jumpstartprojekt. Jumpstart-metodiken tar fasta på det faktum att utvecklingen av nya lösningar inom avancerad analys är en iterativ och explorativ process – man vet inte säkert vad resultatet kommer att bli i förväg.

Produktionssättning
Under jumpstarten har vi tagit fram en modell och påvisat värde i en liten skala. Nästa steg är att skala upp, vidareutveckla och ﬁntunea modellen så att den är redo att produktionssättas. I detta skede implementeras modellen också i den beﬁntliga IT-infrastrukturen.

Affärsvärde
Hur bra en Data Science-lösning än är så kommer den aldrig kunna skapa affärsvärde om den inte används av verksamheten. Detta förutsätter att organisationens medarbetare har rätt verktyg för att använda Data Science-lösningen på rätt sätt. Därför måste vi se till att organisationens processer, styrning och kultur anpassas därefter. I det här steget integrerar vi resultatet i beﬁntliga processer och utbildar verksamheten i hur Data Science-lösningen bör konsumeras.

Vad är Machine Learning?

Tre olika typer av lärande

Lärande i allmänhet (både för människa och maskin) kan ske på tre olika sätt. Det första är att man lär sig själv, utan påverkan från någon utomstående. Detta kallas Unsupervised learning. Det andra sättet är att man lär sig av någon annan, vilket kallas Supervised learning. Det tredje, och mest avancerade sättet är att sätta upp ett mål man strävar mot och testar olika sätt att nå det, med en belöning beroende på hur väl man presterat. Detta kallas reinforcement learning. Och det är dessa tre huvudsakliga metoder, inklusive en rad undergrupper, som används inom ML och Data Science.

Unsupervised Learning lämpar sig väl att använda om data är ostrukturerad och/eller komplex. Resultatet är mönster, ofta i form av kluster. Därefter är det nödvändigt att manuellt tolka dessa kluster för att koppla dem till insikter och/eller handlingar.

Supervised Learning innebär att en algoritm tränas upp för en specifik uppgift med hjälp av data försedd med etiketter (labels). Sedan verifieras modellen mot data som har labels, men som den inte har sett innan. Efter hand blir algoritmen bättre och bättre vilket resulterar i mindre och mindre fel.

Reinforcement Learning är den tredje större metoden och används ofta när det finns ett flertal möjliga handlingar som kopplar till incitament eller mål. En stor fördel är att träningen sker autonomt, utan behov av externa labels. Nackdelen är att algoritmen lär sig iterativt från början för varje problem, vilket betyder att det kan ta lång tid innan det blir en bra lösning.

Deep learning

Med hjälp av stora och komplexa artificiella neurala nätverk (som efterliknar den mänskliga hjärnans kopplingar mellan neuroner och synapser) kan vi idag lösa komplexa problem med hjälp av Machine Learning. Metoden kallas också Deep Learning och är speciellt kraftfull vid bildanalys; exempelvis när du låser upp din dator eller mobiltelefon med hjälp av ansiktsigenkänning.

Det är till stor del tack vare Deep Learning som AI blivit så kraftfullt idag. En särskilt häftig delmängd av Deep Learning är GAN-nätverk (Generative Adversial Network) med vilka man kan generera nya data, exempelvis ta fram designskisser på nya kläder.

Big data

En viktig faktor när det kommer till Machine Learning är att det som regel krävs mycket stora mängder data, ofta med historik flera år tillbaka i tiden, för att kunna göra bra analyser. Det är denna omfattande datamängd som brukar kallas Big Data. Datan kan komma både internt från exempelvis affärs-, produktions- eller CRM-system. Men också från externa källor, t.ex. olika webbplatser och sociala medier, eller sensordata och Internet of Things.

Vägen till den datadrivna organisationen

Proaktiv verksamhetsstyrning och innovation genom Data Science handlar inte bara om tillgång till data och avancerad teknologi. Vägen till den datadrivna organisationen är i lika hög grad en strategisk förflyttning, där ledningen kontinuerligt utmanas och måste agera utifrån nya insikter. Och det handlar inte bara om åtgärder som stöttar den befintliga strategin – utan också sådana som förändrar den befintliga strategin och affärsmodellen!

Advectas har ett antal metoder som hjälper er, både att komma igång med en pilot eller ett avgränsat POC-projekt och att vidareutveckla er befintliga Data Science-satsning. Bland annat Advectas Analytics Jumpstart.

Vi har dessutom ett flertal erfarna Management-konsulter med inriktning mot digital transformation, redo att hjälpa er att utvecklas i takt med att data blir en allt mer affärskritisk resurs i er verksamhet.

Projekt eller konsult på plats?

Vi du veta mer om vad Advectas Data Science-team kan göra för er verksamhet eller vill du hyra in någon av våra Data Scientist-konsulter för att stötta upp på plats hos er? Tveka inte att kontakta någon av våra säljare eller fyll i kontaktformuläret så återkommer vi till dig inom kort.