Dataanalyse: Hvordan finne mønstre og forbedre prosesser

Når vi skal utnytte verdien av data og analysere datasett, kan det gjøres på forskjellige måter. Vi benytter oss både av manuell dataanalyse og dataanalyse med maskinlæring.

Manuell dataanalyse

Dataanalyse kan bestå av enkle fremstillinger av rådata. Det kan for eksempel være visuelle illustrasjoner som søylediagram, automatisk farging av kolonner eller grafer i Excel. Det kan også være illustrasjoner som fremstilles i et dashboard, som PowerBI, hvor vi kan sette opp filter som sorterer ut dataen du ønsker. For å få maks utnyttelse av dataen, kreves det ofte spisskompetanse. Kompetansen kan for eksempel komme fra en økonom som setter opp matematiske formler.

Dataanalyse med maskinlæring 

Mulighetsrommet for dataanalyse ved hjelp av maskinlæring er stort – likevel vet vi at modellen aldri blir bedre enn dataen man putter inn. For å ta et enkelt eksempel: Hvis du har lært opp en maskinlæringsmodell til å kunne identifisere bilde av en hund og en katt, men viser modellen et bilde av en tiger, vil du få et dårlig resultat. Programvaren vil gi deg et svar, men svaret vil være gitt på feil premisser og vil derfor være feil. Derfor må maskinlæringsmodeller alltid kombineres med kunnskap. 

Slik kan du bruke maskinlæring til å finne mønstre 

Det finnes en håndfull typer maskinlæringsmodeller som utnytter historiske data. Disse kan du bruke for å ta velbegrunnede avgjørelser i virksomheten din. Et eksempel er en anbefalingsmotor som kan brukes til å gi forslag basert på tidligere handlingsmønstre. Det er for eksempel det Netflix bruker når de forslår filmer og serier. Kanskje kan en anbefalingsmotor være nyttig i dine salgsprosesser.

En maskinlæringsmodell innebærer at det har blitt satt opp en dataanalyse som oppdateres jevnlig. Ved å fortsette å monitorere den innsamlede dataen, kan du bruke veiledet maskinlæring til å forutse eller tolke fremtidige handlingsmønstre. Dette kan for eksempel være en maskinlæringsmodell for bruk til analyse av kundefrafall (churn). Ved å identifisere hvor stor sannsynligheten det er for at en kunde forlater deg i morgen, kan du også kartlegge når du burde sende kunden et ekstra godt tilbud.

En annen kjent metodikk innen maskinlæring er analyse av tidsserier. Her følges en eller flere størrelser over tid, for å finne trender som sesong-, uke- eller time-variasjoner. Ut fra dette kan du forutsi hvordan utviklingen vil være neste time, neste uke eller neste år. En av våre kunder, en stor dagligvarekjede, benytter dette for en mer presis brødbestilling for alle sine butikker. Modellen tar hensyn til variasjoner i ukedager og sesong. Brødbakingen blir dermed mer bærekraftig, og butikkene kaster færre usolgte brød. Samtidig har de alltid tilstrekkelig med brød på de travle dagene.

Med disse metodene kan du også se etter anomalier – om det dukker opp «noe» som ikke passer inn blant mønstre du har sett i tidligere data. Dette er en spesielt viktig tematikk som gjør det enklere å oppdage uønskede sikkerhetstrusler, potensielle behov for ekstra vedlikehold eller andre hendelser som krever ekstra oppmerksomhet i positiv eller negativ retning.

Slik kan du bruke maskinlæring til å forbedre prosesser

Ved bruk av maskinlæring kan prosesser forbedres og effektiviseres. Dette kan for eksempel være nyttig i forbindelse med dokumentasjonshåndtering i bankbransjen. En bank har for eksempel 1000 dokumenter som må gjennomgås. Ikke alle dokumentene er relevante – så hvordan kan vi kartlegge akkurat hvilke dokumenter som må leses?

Til slike oppgaver kan vi bruke en metodikk som skal gjøre menneskelig språk forståelig for maskiner. Naturlig språk prosessering, eller på engelsk kalt Natural Language Prosessing (NLP), brukes for å strukturere informasjonen av tekst.

Først må de sentrale nøkkelordene i et dokument identifiseres manuelt. Ved å kartlegge hvilke kombinasjoner av nøkkelord som typisk finnes i dokumentene, kan de systematiseres i en modell. Deretter bruker vi maskinlæring til å trene opp modellen basert på definerte kombinasjoner av nøkkelord. På denne måten kan vi automatisk selektere ut hvilke dokumenter som bør gjennomgås og hvilke du kan se bort i fra. Ved å forbedre og automatisere denne prosessen sparer du tid og de ansatte kan bruke sin kapasitet mer hensiktsmessig. Den samme teknikken kan benyttes til å skille viktige og uviktige eposter eller til å oppdage de viktigste meldingene i et driftsmeldingssystem.

Mengde og størrelse har betydning. Et større datagrunnlag gir et bedre grunnlag for å predikere et utfall eller gjenkjenne mønstre. La oss se for oss en typisk situasjon i forbindelse med oppstart av maskinlæring: Vi begynner å samle inn data i dag. Basert på innsamlet data, lager vi en modell som gjør prediksjoner. Samtidig fortsetter vi å samle inn ny data, som gjør at man etter hvert vil sitte igjen med et stadig bredere datagrunnlag. Når modellen oppdateres, vil den gi et enda bedre grunnlag for korrekte prediksjoner.

Les også: 5 fordeler med prediktiv analyse

Slik kommer du i gang med dataanalyse

Ofte ser man ikke den beste løsningen selv fordi man begrenses av egne erfaringer: Er du vant til å jobbe i Excel, begrenses tankene innenfor Excels rammer – eller din kunnskap i Excel. Ved å se på dette sammen, kan vi se på mulighetsrommet uavhengig av begrensninger. Derfor starter vi ofte med å se for oss en perfekt verden: Hva skulle du gjerne hatt svar på?

Ved å kartlegge dine behov, vil våre tekniske eksperter kunne tolke resultatene og sammen sette de riktige målsetningene for din virksomhet. Når våre Data Scientists setter i gang med analysearbeidet, betyr det likevel ikke at vi går hvert til vårt. Erfaringsmessig vet vi at sluttresultat blir best når vi utvikler modellen sammen.

Når virksomheten din er med på hele prosessen, kan vi fange opp behov og ønsker underveis, slik at vi hele tiden sikrer at vi går i riktig retning. Nytteverdien er heller ikke utelukkende i verktøyet, men også i det vi lærer sammen underveis.