Mange virksomheter sitter på store mengder data de verken har full oversikt over eller utnytter godt nok. Dermed går de glipp av muligheter til å forbedre produkttilbudet, øke effektiviteten eller optimalisere prosjektporteføljen.

For å få bedre innsikt må dataene behandles og analyseres på en effektiv måte. Når datamengdene blir store, kan kunstig intelligens bidra til å avdekke mønstre som gjør analysen mer målrettet og gir ny innsikt.

Det er et av formålene med effektiv dataanalyse (data analytics). Men hvordan kommer man egentlig i gang med å bruke AI til å analysere store datamengder?

Her viser jeg noen eksempler på hvordan jeg har brukt AI til å hente ut verdi fra store datasett, og hvordan du selv kan ta bedre og mer datadrevne beslutninger.

Dataanalyse og produktutvikling

Utgangspunktet er gjerne én konkret problemstilling eller utfordring vi ønsker å forstå bedre, eller en beslutning som vi ønsker å bli tryggere på før vi velger mellom mulighetene.

Et selskap samlet inn store mengder driftsdata fra maskiner de hadde solgt til kundene. Da de skulle oppgradere maskinene, var fokuset i utgangspunktet på raskere ytelse og rimeligere maskinvare. 
 
Det ble så en mulighet for å benytte utforskende AI på det innsamlede datasettet for å forstå hvordan maskinene faktisk fungerte “i felt”. Denne innsikten avdekket flere funksjonelle og ikke-funksjonelle muligheter som ble vurdert, prioritert og tatt inn i oppgraderingsprosjektet som krav til videre utvikling. 

Det ble mye data. 

Fordelen med gode data analytics-AI-verktøy som Altair RapidMiner er at de gjør den innledende utforskningen av data enklere.

Les også: Metiers AI-tjenester i prosjekter, digitalisering og virksomhetsutvikling

Et spørsmål i slike undersøkelser er om det finnes forhold mellom variabler, altså om verdien til én variabel kan brukes til å forutsi verdien til en annen. Dersom to eller flere variabler endrer seg i takt (statistisk kovarians), kan det tyde på at de henger sammen på en meningsfull måte.

Å beregne kovarians for et helt datasett kan imidlertid være svært tid- og ressurskrevende, spesielt når det er snakk om millioner av datapunkter. En mer effektiv tilnærming er å bruke Altair RapidMiner til å analysere et statistisk tilfeldig utvalg av dataene. Svaret gir en pekepinn på hva vi kan lete etter av innsikt i neste fase.

Det gjorde vi, og mønstre dukket opp. Bestemte varianter og forhold hang sammen med feil.

Etter rundt 90 timer med forsøk begynte vi å forstå dataene godt nok til å bygge en modell som kunne simulere hvordan maskinene ville fungere dersom vi justerte enkelte parametere. Modellen gjorde det mulig å estimere hvordan slike forbedringer kunne påvirke vedlikeholdskostnader og vedlikeholdsintervaller, noe som trolig igjen ville ha en positiv effekt på kundetilfredsheten. 

Vi brukte 80 prosent av dataene vi hadde tilgjengelig til å trene modellen og 20 prosent til å teste den. På den måten kunne modellen finne ut av hva som skapte problemer for maskinen.

Tiltakene som kunne gjennomføres startet med enkle justeringer i produkt og prosess. Samtidig åpnet arbeidet for en ny måte å jobbe på: bruken av strukturerte data og AI som beslutningsstøtte kunne videreføres til produktteamet og integreres i den løpende produktforvaltningen.

Hotell i kanselleringsklasse

Et hotell opplevde et tilbakevendende problem: mange kanselleringer kort tid før gjestene skulle ankomme.

Bestillingene kom gjerne inn så mye som 200 dager i forkant, og to–tre uker før ankomst så belegget ut til å være fullt. Deretter begynte avbestillingene å strømme inn, og fyllingsgraden falt raskt. Spørsmålet var om det fantes mønstre i dette som kunne avdekkes ved hjelp av dataanlyse?

Vi hentet fram flere års historiske bestillingsdata og begynte å stille noen enkle, men strategiske spørsmål. Hvilke romtyper ble sjelden kansellert? Var helger annerledes enn ukedager? Var det mulig å skille ut visse typer reisende basert på bestillingsmønstre? Og kunne vi justere prisene for bestemte romtyper (de som ofte ble kansellert kort tid før ankomst) mot en lengre avbestillingsfrist for å få full refusjon? 

Etter hvert som mønstrene ble tydeligere, trente vi en prediktiv modell som med høy treffsikkerhet kunne beregne sannsynligheten for at en bestilling ville bli kansellert.

Modellen gjorde det også mulig å oppdage perioder der hotellet med lav risiko kunne tillate overbooking. Dersom kanselleringene kom, fikk det små konsekvenser. Dersom de uteble, hadde de et samarbeid med partnerhotell på plass for å håndtere overskytende gjester.

Denne datadrevne tilnærmingen ga hotellet et nytt grunnlag for å planlegge kapasitet, justere priser og potensielt øke lønnsomheten.

Les også: Du har ikke kontroll på dataene dine!

Fra utforskning til bedre beslutninger

Metoden er ganske lik og kan brukes i ulike prosesser og faser, med noen justeringer. 

Jeg starter smalt: tar et lite uttrekk av data for å få opp tempoet i analysen, rydder i begrepsbruken i datasettet (hva som menes med de ulike parameterne), og lar verktøyet peke på variabler som faktisk henger sammen. Irrelevante felt kastes ut. 

Når jeg har oversikt og kontroll på hvilke data jeg trenger, lar jeg Altair RapidMiner produsere tusenvis av prediktive modeller som lærer av et sett med historiske data. 

I hotelleksemplet over brukte vi 80 prosent av tidligere hotellbestillinger der vi visste om bestillingen ble kansellert eller ikke. Det vi ønsket, var å lage en prediktiv modell som kunne anslå sannsynligheten for at en bestilling ville bli kansellert. 

Deretter tester Altair Studio hver modell mot de resterende 20 prosentene av dataene, der vi kjenner utfallet (kansellert/ikke kansellert). Den modellen som treffer best, velges. Dette er maskinlæring. 

Avhengig av situasjon, datamengde og behov kan vi skru opp ambisjonsnivået: større datamengder, hyppigere oppdateringer og mer automatisering. I noen tilfeller bruker vi innsikten fra et slikt delprosjekt som et springbrett til å utvikle en overordnet data-, analyse- og AI-strategi. 

Jeg kan også bruke generativ AI som en assistent i den utforskende fasen – for eksempel til å oppsummere logger eller forklare variabler – men når vi skal forutsi noe, er det utforskende AI, maskinlæring og prediktiv AI vi benytter. 

Kombinasjonen fungerer godt: generativ AI hjelper oss å komme raskere i gang, mens prediktiv AI gir oss bedre og mer treffsikre beslutninger.

Les også: Slik får du kontroll på dataene dine

Skap verdi med AI

Verdien oppstår først når innsikten faktisk endrer prioriteringer. I forprosjektet med analyse av operasjonell ytelse i maskinsettet ga analysen et klart svar på hvilke funksjonelle områder som burde forbedres. Innsikten skapte verdi ved å tydeliggjøre hvor utfordringene lå, og hvordan produktet kunne forbedres.

For hotellet kunne vi frigjøre kapasitet, endre produkttilbudet og redusere kaoset som oppsto når avbestillingene kom bare dager i forveien.

Metoden er overførbar også til mange ulike prosjektmiljøer. I bygg- og anleggsprosjekter gir kombinasjoner av fremdrift, leveranser og værdata ofte tidlige signaler om avvik. Har du kontroll på dataene dine og kobler dem effektivt til AI, kan det være forskjellen på å oppdage en forsinkelse to uker i forkant. eller to dager etter.

I virksomheter som lever av bestillinger, som hoteller eller klinikker, handler det mer om kunder og kapasitet. Ved å bruke historiske data kan vi identifisere hvilke bestillinger som sannsynligvis blir kansellert, og justere oppfølging og vilkår før ressursene bindes opp. 

Hotelleksempelet viser hvordan små, datadrevne grep kan gi bedre kontroll og gradvis endre hverdagen.

Les også: 4 AI-tips for en enklere prosjekthverdag

Kom i gang med datanalysen

Vår erfaring er at man i starten må begynne i det små for å demonstrere verdien av å bruke AI på denne måten. Det handler om å forstå landskapet, rydde i dataene og etablere en første arbeidsflyt for læring og modellutvikling som faktisk fungerer. 

I produktprosjektet brukte vi rundt 80–90 timer på denne fasen før vi trente noe som helst. Når verdien av denne typen dataanalyse er vist, er det viktig å sette arbeidet i system: gjerne med utgangspunkt i en definert data-, analytics- og AI-strategi. 
  
I første omgang er ikke kompetansekravet i teamet avskrekkende: én som forstår dataflyt og enkel modellering, én som eier prosessen og tør å endre plan når signalene kommer, og en prosjekteier som setter av tid.

Du trenger ikke gjøre alt på én gang. Start med å velge én beslutning, bygg nok forståelse til å identifisere noen få variabler, og bruk AI til å gi deg tidlige og troverdige signaler.

Når det sitter, er veien kort til å gjøre det samme i neste del av prosjektet. Det er da dataene gir reell styringsverdi.

👉 Interessert i å få mer verdi ut av AI i din virksomhet? Sjekk ut våre AI-sider og ta kontakt med en av våre fagansvarlige.

Vil du komme i gang med AI på en praktisk måte? Meld deg på vårt introduksjonskurs i AI for prosjektledere via lenken under.