Data Science

TRE FORSKELLIGE TYPER LÆRING

Læring generelt (både for menneske og maskine) kan gøres på tre forskellige måder. Det første er, at du lærer dig selv uden indflydelse udefra. Dette hedder Unsupervised learning. Den anden måde er at lære af en anden, der hedder Supervised Learning. Den tredje og mest avancerede måde er at sætte et mål, som du stræber efter og teste forskellige måder at opnå det på, med en belønning afhængigt af hvor godt man har præsteret. Dette kaldes Reinforcement learning. Disse er de tre vigtigste metoder, herunder en række undergrupper, der anvendes inden for ML og Data Science.

Unservervised Learning er velegnet til brug, hvis data er ustruktureret og / eller komplekse. Resultatet er mønstre, ofte i form af klynger. Så er det nødvendigt at manuelt tolke disse klynger for at forbinde dem til indsigter og / eller handlinger.

Supervised Learning betyder, at en algoritme er trænet til en bestemt opgave ved at bruge data forsynet med etiketter(labels). Derefter kontrolleres modellen mod data, der har labels, men som den ikke har set før. Gradvist bliver algoritmen bedre og bedre, hvilket resulterer i mindre og mindre fejl.

Reinforcement Learning er den tredje større metode og bruges ofte, når der er flere mulige handlinger, der knytter sig til incitamenter eller mål. En stor fordel er, at træningen foregår autonomt uden behov for eksterne labels. Ulempen er, at algoritmen lærer iterativt fra starten af hvert problem, hvilket betyder at det kan tage lang tid, før det bliver til en god løsning.

DEEP LEARNING

Ved hjælp af store og komplekse kunstige neurale netværk (som efterligner den menneskelige hjernes forbindelser mellem neuroner og synapser) kan vi i dag løse komplekse problemer ved hjælp af Machine Learning. Metoden kaldes også Deep Learning og er især kraftfuld ved billedanalyse. For eksempel når du låser din computer eller mobiltelefon op ved hjælp af ansigtsgenkendelse.

Det er i høj grad takket været Deep Learning, at AI er blevet så kraftfuld i dag. En særlig heftig delmængde af Deep Learning er GAN-netværket (Generative Adversial Network), med hvilke man kan generere nye data, såsom udvikling af designskitser på nye tøj.

BIG DATA

En vigtig faktor, når det kommer til Machine Learning, er, at der ofte kræves meget store mængder data, ofte med historik flere år tilbage i tiden, for at kunne lave gode analyser. Det er denne omfattende datamængde, der almindeligvis hedder Big Data. Dataene kan komme både internt fra f.eks. Forretnings-, produktions- eller CRM-systemer, men også fra eksterne kilder, f.eks. forskellige hjemmesider og sociale medier, eller sensordata og IoT.

Den store forskel mellem Business Intelligence og Data Science handler om intelligensniveauet. Data Science kan siges at dække, der hvor Self Service BI slutter, selvom grænsen kan være flydende. BI-værktøjer kan f.eks. bruges i en Data Science-løsning til at visualisere resultaterne. Men i forhold til BI giver Data Science generelt dybere indsigter og større konkurrencefordele.

En anden afgørende forskel er, at Data Science åbner op for en proaktiv strategi, da analyserne kan give prognoser for fremtiden, mens Business Intelligence i princippet altid præsenterer historiske oplysninger.

FRA STATISTISK TIL INDBYGGET ANALYSE

Der er også forskellige niveauer af analyse, og jo højere op i hierarkiet, jo større er mulighederne. Stort set er der følgende niveauer:

Statistisk analyse – Hvad sker der, hvis tendensen fortsætter? Prognoser om fremtiden baseret på antagelsen om, at det samme mønster fortsætter.

Prediktiv analyse – Hvad er sandsynligheden for, at der vil ske noget?

Prescriptiv analyse – Hvilke handlinger skal vi gøre for at få et optimalt resultat?

Indbygget analyse – Udfør de optimale handlinger automatisk.

Nogle gange bruges udtrykket “generelt AI” hvilket betyder, at algoritmen er et ræsonnement, trækker sine egne konklusioner og skaber egne handlinger i overensstemmelse med sine egne mål. Det er ikke noget, der eksisterer i dag. Ifølge en aktuel undersøgelse baseret på hundredvis af forskere inden for AI, ligger dette også langt frem i tiden. Chancen for at vi vil have generel AI om 50 år, anslås at være 50%.

Data Science og dens generelle metoder kan med succes bruges til mange forskellige områder. Advectas arbejder uafhængigt af brancher og forretningsområder. Nogle eksempler på områder hvor vi kan bidrage med vores ekspertise er:

KUNDESERVICE / MARKEDSFØRING
Hvem er din kunde? Hvad vil kunden have og hvornår? Hvor er kunden? Hvordan når du til kunden? Hvordan adskiller du dig selv fra konkurrenterne, på den måde som kunden ønsker? Hvilken kampagne er mest omkostningseffektiv? Advectas hjælper dig med at få svarene frem ved hjælp af kundeanalyse.

SALG / INDKØB
Hvordan ser salget ud næste år? Hvor store bestillinger skal vi lave for at imødekomme efterspørgslen uden at opbygge for store lagere? Salgsanalyse, prognoser, automatiserede salgsaktiviteter og indkøbs anbefalinger er eksempler på forskellige anvendelsesområder, hvor Advectas Data Science-team kan bidrage til både indsigt og handling.

PRODUKTION / VEDLIGEHOLDELSE
Ved at analysere sensordata, alene eller i kombination med andre data, kan Advectas hjælpe med at optimere og effektivisere jeres virksomhed. Eksempler på Industrial Analytics er evnen til at optimere planlagt vedligeholdelse for at reducere omkostningerne ved slitage og nedetid (Predictive Maintenance) samt analyse af maskiner, test, biler og produktudvikling i realtid. Andre anvendelsesområder er optimering af fremstilling, opbevaring mv.

Tekstanalyse
De fleste virksomheder ikke mindst i servicesektoren, har idag enorme aktiver i form af tekst. Det kan f.eks. være spørgeskemaer, kundeservice dialoger, tidsskrifter, manualer, juridiske dokumenter, CV’er og også sociale medier og websider. Ved at analysere tekst i stor skala kan man finde nye indsigter og skabe værdi. Advectas har både dyb viden indenfor området og smarte værktøjer, hvor du selv kan lave analysen.

Proaktiv virksomhedsledelse og innovation gennem Data Science handler ikke kun om adgang til data og avanceret teknologi. Vejen til den datadrevne organisation er i lige så højr grad et strategisk skridt, hvor ledelsen konstant udfordres og reagerer på nye indsigter. Og det handler ikke kun om handlinger, der understøtter den eksisterende strategi – men også om de der ændrer den eksisterende strategi og forretningsmodel!

Advectas har en række metoder, der hjælper jer med at komme i gang med et pilot-projekt eller et afgrænset POC-projekt og videreudvikler dit eksisterende Data Science-satsning. Vi har bla. Advectas Analytics Jumpstart. Vi har også en række erfarne Management-konsulenter med fokus på digital transformation, klar til at hjælpe jer med at udvikle, da data bliver en stadig mere forretningskritisk ressource i din virksomhed.

PROJEKT ELLER KONSULTANT HOS JER?

Vil i høre mere om hvad Advectas Data Science-team kan gøre for jeres virksomhed, eller vil i bruge en af vores Data Scientist-konsulter til at hjælpe jer? Så tøv ikke med at kontakte os eller udfyld kontaktformularen, og vi vender tilbage til dig inden for kort tid.

download Og læs mere!

Vil du vide mere om forretningsudvikling og forretningsoptimering med Data Science?  Her kan du downloade vores brochure “Fra BI til AI”.