Data Science

Data Science –
ta er analys till nästa nivå

Artificiell intelligens, Machine Learning och Analytics – kärt barn har många namn. På Advectas använder vi begreppet Data Science. Men det viktiga är inte vad det kallas, utan vad det kan åstadkomma för din verksamhet.

Tack vare den stora tillväxten av tillgänglig data och beräkningskraft är förutsättningarna bättre än någonsin för att tillämpa mer avancerad analys för att hitta komplexa mönster i data. Dessa mönster kan sedan användas för ett mer proaktivt och datadrivet beslutsfattande, detta för att automatisera eller berika komplexa beslutsprocesser på ett mer skalbart sätt än vad människor kan göra. Utfallet kan bli stora vinster tack vare effektiviseringar och förbättringar av befintliga processer, men kan också öppna upp för nya typer av affärsmodeller.

Advectas har lång erfarenhet av att implementera datalager och system för beslutsstöd (deskriptiv analys). Med hjälp av våra Data Scientists kan vi stötta i att tillämpa mer avancerad analys som Machine Learning (prediktiv analys) och beslutsoptimering (preskriptiv analys). Vårt erbjudande stoppar alltså inte vid enbart en prediktion – vi optimerar även med hänseende till affärslogik och resursbegränsningar för att resultatet ska ge så mycket värde som möjligt i verksamheten. Vi utvecklar skräddarsydda lösningar i de senaste open-source-verktyg en för att anpassa tekniken för just era problem och förutsättningar.

Vad kan vi hjälpa till med?

Advectas har under åren samlat på sig mycket erfarenhet av att tillämpa Data Science i olika branscher och olika funktioner. Vårt erbjudande är därför brett och sträcker sig från rådgivning och utbildning inom Data Science till att utveckla och produktionssätta lösningar baserat på den senaste tekniken.

Utbildning och inspiration

Undrar ni hur Data Science, Machine Learning och AI hänger ihop och fungerar? Vi håller ofta i seminarium, workshops och pratar på externa konferenser inom ämnet. Varför inte bjuda in din organisation till en inspirerande frukost-eller lunchföreläsning?

Det första Data Science-projektet

Eftersom fältet Data Science är relativt nytt har vi under åren hjälpt många företag att komma igång med deras Data Science-resa. Med denna erfarenhet har vi i samarbete med Högskolan i Skövde tagit fram en metodik för detta, vilket ni även kan läsa mer om längre ner.

projektåtagande
Behöver ni spetskompetens i att implementera Data Science för något specifikt? Vi sätter ihop ett leveransteam och projektleder från start till implementation. Kolla in tidigare kundcase för att se några exempel på vad vi har gjort.

resurskonsult
Behöver er verksamhet mer omfattande stöttning över en längre period? Vi har konsulter med roller som Data Engineers, Data Scientists, Machine Learning Engineers och Business Analysts (med niche mot datadriven verksamhetsutveckling) som kan bistå er verksamhet.

Plattformsutvärdering och Way of Working
Har ni redan påvisat värdet med Data Science och vill ta nästa steg på resan? Då kan vi hjälpa er att ta fram ett förslag på Way of Working samt en teknisk arkitektur skräddarsydd för just er befintliga miljö och era visioner. En teknisk utvärdering görs som en del i att ta fram en större metodik för att hantera hela livscykeln för era Data Science-lösningar. Här går vi även genom begrepp inom MLOps (DevOps för Machine Learning) för att effektivisera och skala upp era lösningar.

Många olika tillämpningsområden

Men vad kan man då göra med Data Science? Användningsområdena är många och vi på Advectas jobbar oberoende av bransch och typ av tillämpning, men nedan följer några områden som vi har valt att fokusera lite extra på. Kolla gärna in våra tidigare kundcase för mer konkreta exempel.

Sälj & Marknadsföring

Inom området försäljning och marknadsföring finns det naturligt mycket data. Man har transaktioner och interaktioner för varje kund i olika kanaler. En vanlig tillämpning är att skräddarsy den externa kommunikationen för att bli mer personlig och relevant. En annan är att prediktera vilka kunder som är sannolika att lämna företaget för att göra riktade insatser mot dem. Alla dessa analyser bör sammanfogas för att mer datadrivet optimera sin kommunikation.

Om du vill höra hur ni mer konkret kan tillämpa Data Science inom sälj och marknadsföring kan du lyssna in på ett kort inspelat webinar och läsa om vad andra har gjort.

Finans

Ekonomifunktionen har länge varit naturligt datadriven genom att skapa, följa upp och kontrollera olika nyckeltal. Man har en helhetsbild av företagets affärer, tillgångar och data. Därför finns det många möjligheter för funktionen att stötta verksamheten i att optimera sina processer. Några vanliga tillämpningar är att hitta avvikande värden i rapporteringsdata, prediktera bedrägeri eller göra avancerade försäljningsprognoser.

Om du vill höra hur ni mer konkret kan tillämpa Data Science inom ekonomi och/eller finans kan du lyssna in på ett kort webinar eller läsa om vad andra har gjort.

operations

Begreppet ”operations” är brett och skiljer sig mycket åt mellan olika branscher. Gemensamt är att effektivisera processer för att nyttja resurser på ett optimalt sätt. Ofta är detta en typ av analys som görs live, antingen som beslutsstöd eller ren automatisering. En vanlig tillämpning är predictive maintenance, att förutsäga om en komponent eller maskin kommer att gå sönder för att sedan optimera serviceschemat. Men det kan även vara att inom vården prediktera vårdbehovet vid inskrivning av en patient och därigenom optimera triageringen (rätt vård till rätt patient i rätt tid).

Om du vill höra hur ni mer konkret kan tillämpa Data Science inom operations kan du lyssna in på ett kort inspelat webinar och läsa om vad andra har gjort.

Supply chain & Logistik

Att optimera sina transporter blir snabbt komplext. Man behöver ta hänsyn till olika typer av transportmedel, sträckor, last, tidsåtgång och så vidare. För att bli proaktiv i sin planering kan man göra prognoser på efterfrågan (och tillgång om möjligt). Genom att kombinera ett nuläge med ett predikterat framtida behov kan man minimera antalet transporter. Ett annat exempel är att optimera var man borde placera sina tillgångar (exempelvis lager). Lägg till tidsaspekten och placera ut exempelvis taxibilar, elskotrar eller ambulanser för att täcka behovet geografiskt för en viss tid.

Om du vill höra hur man mer konkret kan tillämpa Data Science inom supply chain och logistik kan du lyssna in på ett kort webinar och läsa om vad andra har gjort.

Hr & Bemanning

Många arbetsuppgifter inom HR är och kommer förbli manuella. Men det finns vissa processer som lämpar sig bättre för ett beslutsstöd eller automatisering. Ett exempel kan vara att analysera fritextsvar från medarbetarenkäter för att snabbt förstå essensen och agera på den informationen. Ett annat exempel är att schemalägga personal på ett optimalt sätt beroende på efterfrågan, där man tar hänsyn till arbetsvillkor och andra parametrar som kunskapsnivå, arbetsmängd och så vidare.

Om du vill höra hur n mer konkret kan tillämpa Data Science inom HR & Bemanning kan du lyssna in på ett kort webinar eller läsa om vad andra har gjort.

Testa på våra Data Science demos!

Att få inspiration från tidigare kundcase är alltid intressant, men vi vet att det ändå kan vara oklart exakt hur resultatet från AI och Data Science kan användas. Därför har vi utgått från ett flertal till oss vanliga förfrågningar och utvecklat några live-demos för att visa resultatet mer konkret.

Co-vidia – optimal förflyttning av COVID-19-patienterCo-vidia identifierar det optimala sättet att flytta COVID-19-patienter mellan regioner och länder. På så sätt kan alla patienter få tillgång till sängar efter behov med minimerad transport. Lösningen kan enkelt generaliseras för att optimera alla andra resurstilldelningsproblem, som att skicka medicinsk utrustning och utrustning.

Gå till lösningen för att testa själv

Customer retention tool – tar reda på vilka kunder som kommer att lämna och hur ni behåller demI den här demon agerar du marknadsföringspersonal med uppdraget att öka vinsten genom att minska CHURN (kunder som lämnar). Du har en fast marknadsföringsbudget som du kan spendera på antingen utgående kundsamtal eller e-postkampanjer.

Gå till lösningen för att testa själv

I det här webinaret presenteras en demo av lösningen

Prisoptimerings demo – smart prissättning handlar om smart testning
Att sätta rätt pris är ett svårt problem som beror på flera faktorer och blir snabbt komplext. I denna demo kombinerar vi priselasticitet (hur pris och volym korrelerar) med en kundkorgsanalys. Där resultatet är att kunna simulera hur prisändringar påverkar resultatet.

Gå till lösningen för att testa själv

I det här webinaret presenteras en demo av lösningen

SchemaoptimerarenAtt skapa ett optimalt schema blir snabbt komplext när antal anställda, regler, kriterier och önskemål stiger. Denna demo visar hur Data Science (och specifikt beslutsoptimering) kan tillämpas för att ta fram ett optimalt schema automatiskt.

Gå till lösningen för att testa själv

I det här webinaret presenteras en demo av lösningen

Audience Targeting
Prioritera rätt och bli mer träffsäker i din marknadsföring genom att använda Machine Learning som tränats på historisk kampanjdata.

Gå till lösningen för att testa själv

I det här webinaret presenteras en demo av lösningen

Walliz – en guide till bostadsmarknaden
Erbjud dina kunder en tjänst där de kan få reda på vart någonstans som de har råd att bo vid köp av bostad eller erbjud bostadsvärderingar för de som går i säljtankar.

Gå till lösningen för att testa själv

Ta första steget mot Data Science

Från workshop till affärsvärde

Möjligheterna med den här typen av teknik 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 konkretisera till sin egen verksamhet. Därför är det viktigt att konceptuellt förstå hur Machine Learning, AI och andra fält inom Data Science fungerar för att kunna hitta olika tillämpningar i sin egen verksamhet, och förstå vilket affärsvärde de kan leverera.

Hur kommer man igång med Data Science?Advectas kan hjälpa till under hela den process som ett Data Science-projekt innebär. Från att anordna workshops med målet att inspirera och konkretisera olika initiativ, påvisa värde genom en pilot och implementera lösningen i er miljö till att stötta verksamheten i sin förändring och att nyttja resultatet.

Den berikade verksamhetsprocessen är målet, 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 en första workshop till realiserat värde.

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

Under en Data Science Workshop säkerställer vi att alla deltagare får en grundläggande förståelse för Data Science, Machine Learning och AI. På så vis kan vi föra relevanta diskussioner när vi tillsammans arbetar fram en lista över potentiella Data Science-tillämpningar som kan skapa stort affärsvärde.

Den första delen I en Data Science-workshop är en inspirationsdel. Här redogör Advectas på ett tillgängligt sätt hur Machine Learning fungerar konceptuellt genom att knyta an till hur andra liknande företag tillämpar tekniken, men även vad större företag med mer resurser gör – vad som är möjligt överlag.

Den andra delen är den huvudsakliga aktiviteten; att tillsammans hitta och prioritera initiativ som kan skapa bra affärsvärde för just er verksamhet. Detta genom en brainstorming-aktivitet uppstyrd av Advectas. Därefter sammanfattar och konkretiserar Advectas de mest prioriterade initiativen och ger förslag på en väg framåt.

Ladda ner ett white paper som djupare förklarar hur en workshop går till

Proof of concept

Nästa steg på Data Science-resan är vad vi kallar för en Proof of Concept. Här börjar vi med det initiativ från Data Science-workshopen som ni prioriterat högst och testar det i liten skala för att påvisa affärsvärde. Detta för att snabbt se om det inte är möjligt att lösa problemet, och då istället fokusera på nästa initiativ.

Tillsammans med Högskolan i Skövde har vi tagit fram en anpassad projektmetodik för detta. Denna metodik tar fasta på det faktum att utveckling inom Data Science är iterativ och en explorativ process – man vet inte vad resultatet kommer att bli i förväg och huruvida det finns några mönster i datan. Därför innefattar metoden flera Go/No-Go kontroller, eller gates, för att säkerställa att projektet kan generera affärsvärde.

ProduktionssättningUnder PoC:en har vi tagit fram en första lösning och påvisat värde i liten skala. Nästa steg är att skala upp genom att vidareutveckla modellen och göra den redo för att produktionssättas. I detta skede implementeras lösningen i den befintliga IT-infrastrukturen med behövda integrationer.

Advectas använder open-source–verktyg via programmeringsspråket Python för att utveckla lösningar med Machine Learning och Data Science. Detta då de senaste ramverken för Machine Learning släpps från de större IT-bolagen som Facebook och Google till just Python. Att använda ett programmeringsspråk ger även större frihet och möjlighet att skapa bättre anpassade modeller för specifika och lokala förutsättningar jämfört med färdiga produkter.

Att produktionssätta en Data Science-lösning är dock inte bara att skriva lite Python kod, man behöver även en server/plattform att köra lösningen på samt olika verktyg inom mer traditionell mjukvaruutveckling för att få lösningen mer robust och skalbar. Idag har nästan alla molnleverantörer som Azure, AWS och GCP liknande verktyg för att enklare skala upp och hantera Data Science-lösningar. Men det är såklart även möjligt att produktionssätta on-premise!

Berika affärsprocessHur bra en Data Science-lösning än är kommer den aldrig kunna skapa affärsvärde om den inte används av verksamheten. Detta förutsätter att organisationens medarbetare har rätt verktyg och förståelse 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.

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

Data Science är ett område som tillämpar vetenskapliga metoder som matematik och datorvetenskap i kombination med programmering och affärsförståelse i syfte att extrahera insikter från data. Med hjälp av Data Science kan vi förutspå och agera på mönster i data och därigenom optimera verksamheten 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, där reglerna traditionellt bestämts manuellt av en programmerare. Tanken med Machine Learning är att algoritmen själv lär sig att hitta dessa regler baserat på mönster i data. Detta är nästintill ett måste när mängden data blir så stor att regler och mönster blir för komplexa att tolka för en människa.

Om kopplingen mellan begreppen Data Science, AI och Machine Learning är fortsatt förvirrande har vi en bloggserie och ett inspelat webinar om området. Längre ner på sidan hittar du även en kortare utläggning om Machine Learning – hur olika algoritmer kan ”lära sig” av data.

Tekniken bakom Data Science

Machine Learning

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.

Beslutsoptimering

Ett annat viktigt verktyg som används av Data Scientists är beslutsoptimering. Målet med detta är att lösa komplexa problem med flera villkor (affärs– och verksamhetsregler). Ett exempel på detta är schemaläggning av personal inom sjukvården. Här finns det flera villkor som måste följas, som att man är ett visst antal personal med specifika kompetenser vid en viss tidpunkt, att anställda endast får jobba ett visst antal timmar i sträck, över en vecka, etc. Det blir snabbt väldigt komplext och tidskrävande att lösa manuellt när antalet anställda ökar. Ofta brukar vi även berika dessa lösningar med prediktioner för att vara mer proaktiva i vår optimering. I exemplet ovan skulle det vara att först göra en prognos på behovet av mängden personal per enhet, för att därefter skapa ett optimalt schema för alla anställda, för att minimera behovet av timvikarier.

Hur kan vi hjälpa dig?

Projekt eller konsult på plats?

Vill 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.

Bloggar om Data Science