Sådan finder du ud af, hvilke data du har - og hvordan du kan bruge dem!
Vi bruger ordet ’data’ i flæng, når vi taler om kunstig intelligens. Det er data, som den kunstige intelligens lever af, og har man ikke nok data, så kan man ikke udvikle en model baseret på kunstig intelligens – sådan lyder budskabet typisk.
Men når vi taler om data, kommer det ofte til at lyde som en meget fast og defineret størrelse, selvom det i virkeligheden dækker over omtrent alle tænkelige informationer. Derfor kan I sagtens sidde på gode data i virksomheden, selvom I endnu ikke har gjort noget konkret for at ’udvinde’ dem.
Man skelner typisk mellem strukturerede og ustrukturerede data. Ser vi på en virksomhedsside på de sociale medier som eksempel, så er de strukturerede data de informationer, som allerede er gjort op i tal og som er målbare/kategoriserede – det kan være antal følgere, antal likes, antal kommentarer osv. Det er tal, I kan hente ned allerede nu, og se en sammenlignelig historik for. Men hvis det ikke bare er antallet af kommentarer, men indholdet i kommentarerne, der har jeres interesse, så er vi ovre i ustrukturerede data, for vi kan ikke uden videre sammenligne kommentarer og udlede kategorien af indholdet, uden at forarbejde den data først. Ved eksempelvis at tælle antal gange noget nævnes i kommentarerne, eller kategorisere dem som overvejende positive eller negative – eller noget helt andet – kan vi med lidt arbejde gøre de ustrukturerede data strukturerede, og kan også få værdifulde informationer ud af dem i en AI-kontekst.
Så helt groft sagt kan man sige, at strukturerede data er tal og ustrukturerede data er al anden information som tekst, tale, lyd, billeder osv. osv. Altså vil enhver virksomhed have data, spørgsmålet er i højere grad, hvilken information man gerne vil hente ud af de data. Og det er derfor, du ofte vil støde på, at man bliver rådgivet til at finde sit formål med at bruge kunstig intelligens, før man begynder at finde ud af, hvad man har af data. Jeg vil dog argumentere for, at man kan gøre begge dele på samme tid.
Inspireret af professor i kunstig intelligens, Anders Kofod-Petersen, har jeg ofte hjulpet virksomheder med at finde deres relevante formål og data med denne matrice:
Illustration: Kasper Fænø Bay Noer.
Pointen med matricen er, at du samtidigt kan danne dig et overblik over jeres ønsker for virksomheden og den data, der kan understøtte det. I kan lave øvelsen af to omgange – en hvor I ser på, hvilke data I har, og hvilke ideer det kan kaste af sig, og en anden hvor I får alle jeres ideer på bordet og derefter finder ud af, hvilke data der skal til for at kunne føre de ideer ud i livet. Det kan være, at I har adgang til flere data, end I tror, når I ser på jeres ideer, for det kan handle om, at man skal begynde at registrere bestemte procedurer mere konsekvent, eksempelvis.
For at give jer inspiration til, hvordan I kommer godt i gang med matricen, så vil jeg give nogle eksempler på de forskellige kategorier og felter. Men vi begynder lige med at gennemgå, hvad der præcist gemmer sig bag de forskellige data-typer.
Internt strukturerede data er jeres egne tal, I arbejder med internt – det kan være salgstal, produktionsdata, oppetid, informationer fra jeres CRM-systemer og kundedatabaser.
Internt ustrukturerede data er jeres egne informationer, der florerer internt – det kan være kommunikationen på jeres intranet, som kan fortælle noget om stemningen blandt jeres medarbejdere, hvad der vil øge medarbejdertilfredsheden, om nogle afdelinger konsekvent er mere stressede end andre, om nogle bestemte spørgsmål går igen, som kan fortælle jer noget om, hvilke informationer, jeres medarbejdere mangler i deres arbejde.
Eksternt strukturerede data er informationer fra offentligt tilgængelige kilder eller datasæt – det kan være sæsonbetingede nationale salgstal, statistik om personer i din målgruppe og data fra myndigheder, som eksempelvis vejr- eller trafikdata.
Eksternt ustrukturerede data er informationer fra offentligt tilgængelige kilder og platforme, som endnu ikke er målbare – det kan være kommentarer på sociale medier, offentlige produktanmeldelser, overvågningsbilleder, trafikmeldinger og open source-databaser med eksempelvis billeder – blandt meget andet.
Hvad der menes med indsigter, processer, produkter, services og forretningsmodeller skulle gerne være mere selvsigende, men jeg vil gerne give nogle eksempler fra eget udgangspunkt i Alexandra Instituttet ved at vise, hvordan nogle af vores kunder har udvidet deres virksomhed med nye teknologier, set i lyset af matricen:
TopDanmark – eksterne ustrukturerede data til ny proces og service
Hos TopDanmark har de brugt eksterne ustrukturerede data – i form af de billeder som deres forsikringskunder sender ind, når de har fået en bule i deres bil – til at skabe en ny intern proces og en forbedret service for deres kunder. For det tager lang tid at gennemgå billeder manuelt og vurdere omfanget af skader, så de har udviklet en model baseret på kunstig intelligens til automatisk at vurdere, hvilken kategori skaderne skal placeres i. Det giver en mere effektiv proces for medarbejderne og et hurtigere svar til kunderne.
DR – eksterne ustrukturerede data til ny indsigt og mulig proces
Hos DR har de også anvendt eksterne ustrukturerede data, i dette tilfælde kommentarer på deres sociale medie-sider, til at få en indsigt i, hvordan tonen er i debatten på deres forskellige sider. Det har de brugt AI-teknologien Natural Language Processing (NLP) til. Indsigten vil i et næste skridt kunne bruges til at skabe en forbedret intern proces omkring monitoreringen af ens tilstedeværelse på de sociale medier.
IO Group – interne strukturerede data til ny service og forretningsmodel
Hos IO Group anvender de kundernes egne interne strukturerede data til at forbedre den service, de leverer til dem. Ved at koble sig på kundens egen manuelle sortering af mails kan de implementere en model baseret på kunstig intelligens til at gøre sagsbehandlingen nemmere, for modellen vil automatisk kunne foreslå placering og videre behandling af den indsendte mail, baseret på virksomhedens historik. På den måde har de både udviklet en ny service og til dels en ny forretningsmodel, fordi de nu kan slå sig op på at være datadrevne.
Jeg håber, at eksemplerne kan give jer lidt inspiration til, hvordan I selv kan udvikle jer med AI, og hvilke ideer og datakilder, I kan fylde ind i matricen.
Når I så har fået fyldt matricen, så har jeg et par sidste råd omkring, hvad I skal være opmærksom på i den næste fase af jeres idémapping.
I vil måske bemærke, at de lavest hængende frugter typisk befinder sig i den nederste venstre del af matricen. At ændre på egne procedurer ud fra interne, allerede strukturerede data vil typisk ikke kræve den store omlægning, så her kan man ofte nemt skabe resultater. De vil dog sjældent slå lige så meget ud på bundlinjen, som hvis I opfinder en helt ny forretningsmodel baseret på eksterne ustrukturerede data, som det vil være vanskeligt at gøre jer efter. Her er prisen dog, at I typisk vil skulle ændre jer mere radikalt, eksempelvis i medarbejdersammensætningen, i implementeringen af ny teknologi og/eller i en ny branding af jeres virksomhed.
Derfor bør jeres næste skridt være at vurdere det forretningsmæssige potentiale af jeres idéer, og hvad det vil koste. Ideer og datakilder kan sagtens overlappe hinanden, så tænk kreativt og find ud af, om ikke flere af jeres ønsker kan gå i opfyldelse med den data, I har eller kan udvinde.
God fornøjelse med jeres idémapping – I går et spændende nyt kapitel i møde!
Vil du bidrage til debatten med et synspunkt? Så skriv til vores debatredaktion på debat@ing.dk
