Kom igång med maskininlärning

Hur många verksamhetsbeslut är helt eller delvis automatiserade i din verksamhet? Om ni regelbundet tar beslut baserat på verksamhetsdata och KPI:er så är möjligheten stor att vissa beslut eller beslutsunderlag kan automatiseras. I den här bloggserien kommer jag gå igenom de olika stegen för komma igång med maskininlärning i din verksamhet och vad du bör tänka på.

Vad kan maskininlärning göra för mig och min verksamhet?

Ett steg till en automatiserad verksamhet är att låta datat tala för sig själv. Det kan röra sig om att förbereda och presentera beslutsunderlag automatiskt så att en människa kan ta rätt beslut, eller att till och med låta ett program ta beslut helt automatiskt.

Vad är maskininlärning?

Maskininlärning är ett samlingsnamn för metoder och modeller som syftar till att utföra en uppgift eller ta ett beslut baserat på tidigare erfarenhet från liknande situationer. Mycket av bakomliggande teori inom området har sitt ursprung i statistiska metoder. Därmed är maskininlärning inte strikt talat ett nytt område, utan snarare en ny förpackning och tillämpning av vedertagna metoder. Maskininlärning brukar delas in i tre delar:

• Oövervakad inlärning – Modellen tränas på data som saknar kategorisering
• Övervakad inlärning – Modellen tränas på kategoriserat data
• Förstärkningsinlärning

I den här bloggserien ska vi koncentrera oss på de två första punkterna ovan. (Förstärkningsinlärning används främst inom områden där man vill lära en agent att ta beslut i en miljö som den inte fått se tidigare, t.ex. inom robotik, spel och självkörande fordon).

Vad skiljer maskininlärning från statistik och annan analys av data som vi redan gör i vår verksamhet?

Oavsett vilken grad av automatisering vi väljer så kan vi med hjälp av maskininlärning analysera och lära oss av existerande data för att sedan hitta mönster och samband som det hade varit mycket svårt (eller rentav omöjligt) för en människa att hitta. Vi kan därmed inte bara få en ögonblicksbild av vårt data, utan vi får också möjlighet att generalisera och förutspå hur framtida data passar in i vår modell av verksamheten. Det ger oss möjlighet att dra slutsatser om vart verksamheten är på väg i takt med att nytt data finns tillgängligt. Det ger oss också möjlighet att ha ett objektivt perspektiv på verksamheten, till stor del befriat från subjektiva antaganden.

Exempel på tillämpningar som är väl lämpade för maskininlärning

• Hitta mönster i data
  • Exempel: Indelning av kunder i segment. Kunder som är ”likadana” placeras automatiskt i samma segment.
• Automatisk kategorisering
  • Exempel: Sätt en märkning på nya ärenden automatiskt så att de hamnar hos rätt avdelning direkt.
• Förutspå framtida verksamhetsbeteenden
  • Exempel: Uppskattning av transaktionsvolymer (nya ärenden, orderbelopp, krediteringar, etc.).
• Förklara verksamhetsbeteenden
  • Exempel: Vilka brytvärden avgör skillnaden mellan typbeteenden? Ärenderubrikens längd har störst påverkan på hur lång tid ärendet tar att lösa.
• Undvika mänskliga fördomar
  • Exempel: Hitta de parametrar som har störst påverkan på din KPI.

Hur kommer jag igång?

Den viktigaste faktorn för att komma igång med maskininlärning är att organisationen är mogen att anta utmaningen att börja arbeta datadrivet. I praktiska termer innebär det att organisationen är förändringsbenägen och att det finns strukturerad data med hög kvalitet, dvs. data som vi förstår och kan lita på. Kanske arbetar ni redan datadrivet? Toppen, det gör det lättare att komma igång med maskininlärning. I nästa del av den här bloggserien ska vi titta på hur vi kan hitta en startpunkt och börja med en första tillämpning av maskininlärning i just din verksamhet. Vi på Multisoft hjälper dig gärna med att komma igång vare sig det gäller ett specifikt fall, eller rent allmänt för att göra en genomlysning av verksamhetens data inom olika områden inom just din verksamhet. Läs mer om hur vi jobbar med AI.