Man kan se element av stordata överallt. För oss är det intressant när transportföretag vill ha dynamiska prissättningsmodeller, försäkringsbolag beräknar försäkringspremier, elbolag vill uppskatta sannolikheten att du byter elleverantör (kundbortfall) eller medieföretag vill ha datadrivna beslutsunderlag. Hemma i soffan upplever vi också stordata i praktiken när Netflix föreslår vår nästa film eller när Google tillhandahåller skräddarsydda annonser och Amazon intressanta produkter.
Stordata är beskrivningen av en uppsättning metoder och verktyg som hjälper oss att analysera, visualisera och förstå stora datauppsättningar. I Norge samarbetar Knowit med flera av de centrala aktörerna inom till exempel transport, bank, finans och media när det gäller stordata, prediktion och maskininlärning.
Konkurrensutsatta NSB vill ha god kontroll över prissättningen
Du har säkert märkt hur flygbolagen arbetar med dynamisk prissättning. Vi fick nyligen veta via ett samarbete med NSB att dynamisk prissättning faktiskt är mycket mer utmanande för tågbranschen än för flygbranschen. Till skillnad från när du flyger, kan du gå av längs vägen när du tar tåget. Därför genererar prognosarbetet enorma datamängder. Prognoser för alla avgångar under en given tidsperiod innebär flera tusen kombinationer av resesträckor och ofta hundratals miljoner observationer.
– Användning av alla tillgängliga datakällor och gott prognosarbete med kapacitetsberäkningar och prissättning är rätt väg att gå, säger affärsrådgivaren Bjørn Inge Stalsberg på NSB. – Vår ambition är att kunna prissätta resor dynamiskt och få en intäktsökning med samma utrustning och prestanda som idag. En bra prediktion och algoritm för prissättning kommer av naturliga skäl att vara en betydande konkurrensfördel.
– Vi hade redan en lovande prototyp som vi tillsammans med Knowit har förädlat för att utveckla en algoritm som vi kan använda på marknaden. Just nu har vi teoretiska modeller som inte har testats i verkligheten, men våra data indikerar att vi kommer att få ett bra resultat. Prediktionsmodellen är nu mycket mer exakt och genomarbetad och ger oss bland annat en hög precision på de mest trafikerade sträckorna. Vi kan också återspegla säsongsvariationer och olika köpmönster.
– Algoritmen som Knowit har utvecklat är ett sådant spännande och banbrytande arbete att Amazon vill titta på det som ett möjligt referensfall. Baserat på NSB:s höga krav på både precision och omfattning, har Knowit med hjälp av ledande maskininlärningsalgoritmer levererat ett mycket grundligt prognosarbete. Vi upplever riskerna förknippade med investeringen som låga för närvarande och planerar nu att lansera dynamisk prissättning i förhållande till efterfrågan på marknaden under 2019, säger Stalsberg.
Algoritmen som Knowit har utvecklat är ett sådant spännande och banbrytande arbete att Amazon vill titta på det som ett möjligt referensfall.
Bjørn Inge Stalsberg, NSB
Kommersiell tv-kanal anpassar sig efter tittarnas nya användarmönster
De flesta medieföretag prioriterar nog arbetet med att skaffa nya insikter högt och använder både kvalitativa och kvantitativa metoder för att säkra insikter från interna och externa datakällor. Det var också fallet när en av de första kommersiellt finansierade tv-stationerna i Norden samarbetade med Knowit för att kunna basera sina val på datadrivna beslut. Mediekoncernen upplevde att tittarna rörde sig bort från linjär tv och allt mer gick över till ”stream on demand”. Utlösande för satsningen var minskade intäkter och ökade risker i samband med innehållsproduktion som inte passade tittarnas behov. Det mesta av innehållet hade hittills utvecklats baserat på erfarenhet och magkänsla och man efterlyste därför i högre grad beslut baserade på fakta och verkliga kundinsikter.
– Vi satte ihop ett team med branscherfarenhet, dataanalytiker och utvecklare, som tillsammans genererade exakta problemformuleringar och sedan designade relevanta algoritmer, säger Ingvar Larsson, vd för Knowit Decision. – Efter hand fick vår kund instrumentpaneler som löpande presenterade både vad tittarna tittade på och genom vilka kanaler de gjorde det. Dessutom blottlade instrumentpanelen andra parametrar som kunde läggas till grund för att producera relevant innehåll i ett relevant format.
Det nordiska tv-bolaget fick nu en överblick över och förståelse för hur förhållandena mellan olika val i produktionen påverkade kundernas lojalitet och val av plattform. Prediktioner visade också hur många tittare de skulle få för olika koncept och vilket innehåll de borde utveckla och lansera för att upprätthålla höga tittarsiffror. Prediktionerna resulterade i besparingar på mellan 50 och 100 miljoner kronor, samt ökade intäkter till följd av optimerade reklamplaceringar.
Allt större efterfrågan på prediktion av kundbortfall
Ett både klassiskt och modernt koncept som många nyttotjänsteleverantörer inom finans, energi och transport använder sig av är kundbortfall. Det vill säga en sannolikhetsberäkning av huruvida en kund kommer att lämna dem eller inte. För en bank kan det se ut enligt följande när vi tillämpar stordata och maskininlärning:
- En stor datauppsättning som innehåller detaljerad information om varje kund. Det kan vara transaktionsfrekvens baserat på tid, kön, ålder, civilstånd, lån och avbetalningsinformation, spårning av klick i nät- och mobilbank och mycket annat – bara fantasin sätter gränser.
- Analytiker som tvättar datauppsättningen och granskar och skapar en förståelse för vilka korrelationer man bör, och inte bör, hålla utkik efter.
- Algoritmen väljs med omsorg och används för att konstruera en modell. Denna modell kommer att ansvara för att skapa prediktioner.
Med hjälp av relativt enkla grepp kan en bank på det här sättet beräkna alla kunders sannolikhet för att lämna banken vid en given tidpunkt. Detta är oerhört viktig information som kan användas för att kommunicera förebyggande med dessa kunder. Erfarenheten visar att bortfallsprediktion kan leda till betydande besparingar, särskilt för företag där kostnaderna för kundvärvning är stora poster.
Är det bara stora internationella företag som kan tjäna pengar på stordata?
Stordata, AI, maskininlärning, autonomi, neurala nätverk och bortfallsprediktion är alla frestande begrepp men som fortfarande i hög grad begränsas till att användas på snygga PowerPoint-bilder. Därför har vi tittat på hur vanliga nordiska företag kan få affärsvärde med våra metoder. Och investeringsnivån måste vara överkomlig.
... och här kommer den tekniska beskrivningen
För att konstruera stordatamodeller involverar algoritmerna stora mängder matematik och statistik. En av de största utmaningarna inom detta område är hur man översätter tekniska metriker för algoritmprestandan till bra mått och metriker med affärsvärde. (En metrik är en enhet för att definiera kvalitativa och kvantitativa mått, till exempel rangordning av hur attraktivt ett erbjudande är på en skala från ett till tio. Här kan skalan kallas en metrik för hur attraktiva erbjudandena är.) För detta krävs solid domänkunskap kombinerat med god förståelse för datauppsättningens potential, jämfört med dess genererade modell. Detta är den knepiga biten: att bygga broar mellan två olika områden. Ska modellen ha hög träffsäkerhet på de utvalda kunderna eller hitta flest antal kunder som sannolikt kommer att lämna banken? Alltså, högst precision eller andel kunder som sannolikt kommer att lämna banken? Detta är metriker som är beroende av varandra – om man ökar den ena, minskar den andra. Båda är populära i prestandautvärderingar av maskininlärningsalgoritmer, men hur översätter man detta till ekonomiska målsättningar?
Vi stötte nyligen på en liknande problemställning då vi skulle hjälpa en bank att förutsäga om en kund vill lämna banken eller inte, för att kunna vidta riktade åtgärder mot de berörda kundsegmenten.
Tvärvetenskapligt samarbete är nödvändigt för ökat affärsvärde
Riktade åtgärder går ofta ut på att ringa kunden eller skicka anpassade erbjudanden. I exemplet ovan kan man kanske uppfatta det som att det skulle vara bättre att välja hög precision om företaget tjänar mer på att fokusera på ett kundsegment med lägre sannolikhet för kundbortfall? Detta visade sig också vara fallet i exemplet ovan, men det tog lång tid innan man kom fram till det.
En viktig aspekt av en pipeline (förfarande eller protokoll) är att bevara den mänskliga dimensionen. Aldrig tidigare har kundupplevelsen och värdet för användaren stått i så hög kurs som idag. Man måste kartlägga domäninsikten hos både användare och leverantör och arbeta sig fram till en gemensam förståelse av behov och önskemål genom samarbete. Detta är ett centralt steg i varje pipeline.
För det är inte bara modellen, eller algoritmen eller datauppsättningen, som är av värde för ett företag. Det är pipelinen, metoden, strategin. Med en bra och genomtänkt ”pipeline” (förfarande eller protokoll) som kombineras med ett tvärvetenskapligt samarbete mellan dataanalytiker, affärsutvecklare och kundens kunskap om ekonomiska mål och nyckeltal, kan värdeskapandet bli väsentligt.
En oslipad diamant
Man bör inte underskatta sådana här projekt. Bra processer i dessa projekt kan ge er goda resultat genom att avslöja eventuell potential hos data som har ansamlats hos er. I vissa fall kommer datauppsättningarna inte att ha potential att leda till någon större intjäning, men även i sådana fall kan man med hjälp av en bra ”pipeline” upptäcka behov och möjligheter för att inrätta system som passivt utarbetar bra datauppsättningar över tid. Detta är en lågkostnadsinvestering som vi ser att fler och fler kunder finner värdefull.
En bra pipeline ökar chanserna för att slutprodukten harmonierar med ambitionen. Idealet är att konstruera en modell som optimeras mot metriker som tar hänsyn till vilken domän och vilket värde som man är ute efter. Och i en bra pipeline är det helt centralt att kunden står i centrum. Om man behandlar kunddata som bara siffror på ett papper, förlorar man den empati och den relevans som krävs för ett lyckat stordataprojekt.