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 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.
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.
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.
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.
Den stora skillnaden mellan Business Intelligence och Data Science handlar om nivå av intelligens. Data Science kan sägas ta vid där Self Service BI slutar, även om gränsen kan vara flytande. BI-verktyg kan exempelvis användas i en DS-lösning för att visualisera resultaten. Men jämfört med BI ger Data Science generellt sett djupare insikter och större konkurrensfördelar.
En annan avgörande skillnad är att Data Science öppnar för en proaktiv strategi, eftersom analyserna kan ge prognoser för framtiden, medan Business Intelligence i princip alltid presenterar historisk information.
Det finns också olika nivåer av analys, och ju högre upp i hierarkin, desto större blir möjligheterna. I stora drag finns följande nivåer:
Statistisk analys – Vad sker om trenden fortsätter? Prognos om framtiden, baserat på antagandet att samma mönster fortsätter.
Prediktiv analys – Vad är sannolikheten att något kommer att hända?
Preskriptiv analys – Vilka handlingar ska vi göra för få ett optimalt resultat?
Inbyggd analys – Exekvera de optimala handlingarna automatiskt (tillämpning, snarare än metod)
Ibland används även uttrycket ”generell AI”, vilket innebär att algoritmen resonerar, drar egna slutsatser och skapar egna handlingar efter egna mål. Detta är inget som existerar idag. Enligt en aktuell undersökning baserad på hundratals forskare inom AI ligger detta också långt fram i tiden. Chansen att vi ska ha generell AI om 50 år bedöms vara 50 %.
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:
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.
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.
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.
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.
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.
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.
Vill du veta mer om affärsutveckling och verksamhetsoptimering med Data Science? Här kan du ladda ned vår broschyr ”Från BI till AI”.
Det finns många smarta tillämpningar inom Data Science-området och det kan ibland vara svårt att veta vad man kan göra med tekniken. Som inspiration har vi har därför sammanställt ett antal leveranser vi har gjort till några av våra kunder.
