Skab værdi med dine data

Vi har brugt en del tid på events og workshops, hvor indgangsvinklen ofte har været ”hvor kan AI give værdi i min virksomhed”. I denne artikel giver vi nogle bud på hvor i virksomheden AI kan tilføre værdi.

Først lige en introduktion til AI og use cases af Jon Andersen, CCO Ambolt AI:

Hvor kan AI give værdi i min virksomhed?

I en undersøgelse foretaget af O’Reilly, svarede 20% af respondenterne at deres største forhindring for at komme videre med AI var problemer med at identificere relevante business use cases. Med use case mener vi ganske enkelt anvendelse af AI-teknologi til at løse et forretningsproblem.

Eksempler på gode use cases:

Bestemme hvilken kategori en email tilhører (skal den sendes til service eller tech support etc.)
Forudsige kunde churn (hvornår vi er ved at miste en kunde)
Finde det næste produkt en kunde er sandsynlig til at købe
Bestemme om en komponent i en produktionslinje har den rigtige kvalitet
Forudsige hvornår en maskine bør have service ift at undgå nedbrud eller øget energiforbrug

FIND ET PROBLEM, HVOR AI KAN GIVE VÆRDI

Det kan være svært at generalisere, men der er nogle tommelfingerregler for hvor man kan starte med at dykke ned i om AI overhovedet giver mening og værdi.

Vil det f.eks. give værdi at kunne:

Forudsige hændelser?
Klassificere xx (inddele xx i relevante grupperinger)?
Få indsigt & overblik fra forskellige IT systemer / afdelinger?

Og så er det altid relevant at følge pengene. I et studie gennemført af McKinsey undersøgte man brugen af AI i 19 forskellige industrier. En af deres key findings var, at hvis du vil vide hvor AI har sandsynlighed for at skabe værdi, så skal du følge pengene. De anbefaler at undersøge de største profitcentre i organisationen. Hvis de ligger i produktion og supply chain management, så er det her du skal starte. Samtidig vil det også være en god idé at undersøge dit største omkostningscenter, som kundeservice, og se om AI / ML (Machine Learning) kunne give mening her.

1. Opgaver med behov for forudsigelse (prediction)

Opgaver i din organisation hvor viden om forudsigelse og forecast kan skabe værdi er oplagte til at find use cases. Prediction modeller er skabt ved at udsætte algoritmen for en stor mængde historiske- og realtidsdata, hvorfra den skaber mønstre. Output fra prediction modellen vil typisk komme med et sandsynlighedsestimat. Vi vil for eksempel være 90% sikre på at produktion af et specifikt produkt vil tage 6 arbejdsdage.

Eksempler:

Forudsige ressource- / energiforbrug
Estimere sandsynligheden for at en maskine får nedbrud – forhindre nedbrud / forlænge levetid
Forudsige fremtidige indtægter og udgifter, til budgettet
Forudsige efterspørgsel efter et nyt produkt
Forudsige om vi er ved at miste en kunde

2. opgaver med behov for klassificering

Et andet område hvor ML og AI kan skabe stor værdi, er i opgaver med behov for klassificering. Her trænes en model til at gruppere observationer i specifikke kategorier.

Eksempler på klassificering:

Kategorisering af e-mails. Hører en e-mail hjemme hos service eller hos teknisk support?
Bruger vi megen tid i f.eks. kundesupport på at besvare stort set samme spørgsmål?
Kan vi klassificere kvalitetsproblemer? (og finde frem til årsag)

3. Rutineopgaver

opgaver, der gentages igen og igen, er et andet godt sted at undersøge nærmere. Rutineopgaver egner sig ofte til automatisering. AI kan her hjælpe med bedre beslutningsgrundlag og medarbejdere kan frigøres til andre mere spændende opgaver. Mange virksomheder arbejder med proces frameworks som Lean eller Sigma, hvor der ofte er potentiale for automatisering med AI. Dog skal det understreges at du ikke nødvendigvis behøver at bruge AI for at automatisere disse processer. Ofte kan der opnås lige så gode resultater med mere simpel teknologi.

Eksempler på automatiserede opgaver

Besvare ofte stillede spørgsmål i service og opdatere FAQ
Generere og sende rapporter efter endt opgave / endt periode
Og generelt et bredt område af back-office funktioner

4. Områder hvor du allerede bruger avanceret analyse

Hvis du allerede bruger avanceret analyse til at løse problemer, så er her et område du med fordel kan studere nærmere. I tidligere nævnte McKinsey undersøgelse, fandt de frem til at det største potentiale med AI ligger i områder, hvor traditionelle kvantitative analysemetoder allerede er i brug. Machine learning kunne potentielt give væsentligt bedre resultater på disse områder.

5. opsummering

I de fleste tilfælde er det en god ide at sigte efter nogle hurtige gevinster og få dem integreret i hverdagen først, før du går i gang med større projekter. Fordelen med AI / ML er netop at du kan bide elefanten op i små bidder, og opnå stor gevinst med selv små projekter. Blot du finder frem til de bedste use cases.

Som Kenneth Düring Jensen. Mgr, Research & Advanced Engineering, AGCO Innovation Center Randers udtrykker det “start small – scale fast”

Grip gerne fat i os hvis du vil vide mere