Hæ, maskinlæring nyttig for strategi?

Samtidig sliter mange selskaper med å forstå og utnytte det strategiske mulighetsrommet for maskinlæring. De siste årene har vi sett utallige halvhjertede og irriterende chat-roboter som skal kunne «svare på alt», såkalt personlig tilpasning og tjenester som forsøker å gjette brukerens neste handling. Grunnen til at disse forsøkene ofte feiler er mangelen på gode data i store nok mengder, og mange selskaper synes å allerede ha gitt opp maskinlæring i tjenestene sine.

Hvorfor ikke bruke maskinlæring der så og si alle bedrifter allerede harstore datamengder - nemlig internt? I denne artikkelen slår vi et slag for å bruke maskinlæringsmetoder internt i bedriften for å effektivisere og forbedre tjenester, prosesser og bunnlinje.

Vi trekker frem noen områder der de aller fleste bedrifter vil ha potensiale for å ta i bruk maskinlæring.

Mange selskaper opererer fortsatt med tradisjonelle, utdaterte kundesegmenter som «mann i 50-årene» eller «ung, urban kvinne». Planlegging og utvikling av produkter, tjenester, markedsføring og tilhørende ressursbruk skjer basert på disse oppdiktede segmentene. Hva med å la maskinlæring gjøre jobben, og finne mønstre og fellestrekk hos kundene du selv ikke visste fantes, og plassere disse i segmenter?

Prosessen kan være helt anonymisert, og man kan bruke data man allerede sitter på i dag som alder, bosted, kjønn, kjøps- og brukshistorikk, sivilstatus og annet. Om ønskelig og hensiktsmessig kan databasen suppleres med tilegnede eller kjøpte data om inntekt, boforhold, stilling, arbeidsgiver og annen data man får tak i. En enkel clustering-algoritme vil, forhåpentligvis, finne gode, uante mønstre i kundedataene, og plassere disse i passende grupper.

Disse kundesegmentene vil kunne være mye mer treffsikre og utfyllende, slik at bedriften kan fokusere energi og ressurser på å bygge de riktige verdiforslagene til det riktige segmentet. Kanskje ender du opp med noen av de samme segmentene du hadde gjettet på forhånd - men da har du i hvert fall lært mye mer om dem på veien.

Et annet område mange selskaper kan ha behov for effektivisering er innen planlegging av bemanning, logistikk og distribusjon. Antall kundebehandlere på jobb bør svare til pågangen på kundesenteret, varebiler bør være fullest mulig og kjøre færrest mulig kilometer.

Dette er et annet, viktig område der maskinlæring kan være virkningsfullt. Ved å bruke historiske data om kundeatferd - som antall henvendelser til support eller bestilling av matvarer - kan maskinlæring forsøke å predikere hvordan pågangen vil være i fremtiden. Der det kan være vanskelig å forutse handlingen til én enkelt kunde, så vil prediksjon på kundebasen som helhet kunne være mye mer treffsikkert. Ved hjelp av relativt enkle metoder som regresjon kan man bruke data om historisk atferd hos kundemassen, sammenstilt med eksterne data som værforhold, helligdager eller annet, til å predikere hvordan pågangen vil bli i kveld, i morgen eller neste uke. Dette vil være kraftfull beslutningsstøtte til planlegging av bemanning, logistikk og distribusjon.

Det vil vært både lettere, mer treffsikkert og verdifullt for Foodora å forutse hvor mange bestillinger som vil komme i løpet av en kveld, og hvor mange bud de da vil trenge, enn å forsøke å gjette hva hver enkelt kunde kommer til å bestille til middag og når.

Ekstra virkningsfullt kan det være om man bruker disse to områdene sammen:kan vi knytte kundesegmenter til en spesiell atferd, og forsøke å spå denne?

Lånekassen gjorde i 2017 et forsøk på bruke maskinlæring til å plukke ut studenter til såkalt bokontroll. De gjorde en segmentering på lånetakerne basert på hvem som hadde løyet om boforholdet, og dermed ikke hadde rett på stipendet de hadde fått. En clusteringalgoritme forsøkte å finne mønstre i dataene blant studenter som løy, og de som ikke gjorde det.

Utfallet av segmenteringen ble så brukt til å forutse hvem som kom til å jukse blant neste års låntakere. De gjorde et forsøk: ett utvalg for kontroll var tilfeldig, altså slik som det vanligvis ble gjort, mens det andre utvalget ble plukket ut fra clusteringalgoritmen.

Resultatet ble at utvalget der det ble brukt maskinlæring var dobbelt så effektiv til å forutse hvem som løy om boforholdet. Denne metodikken sparer både Lånekassen og hver enkelt lånemottaker for masse papirarbeid hvert eneste år - samtidig som det sparer Lånekassen (og staten) for titalls millioner kroner hvert eneste år. Det finnes en rekke slike eksempler på hvordan man kan knytte clusteringbasert kundesegmentering opp mot ulike typer brukeratferd.

Vi vil altså oppfordre selskaper til å ikke bare forsøke å dytte maskinlæring inn i brukeropplevelser der det egentlig ikke gir noen spesiell verdi for hverken kunde eller selskapet, men heller ta en kikk internt. Har dere noen store databaser som bare står og sørger for at systemer fungerer, men som kan sitte på uant, verdifull informasjon? Kanskje kan det være nettopp internt at maskinlæring faktisk kan gi stor verdi.