Skab værdi for din forretning med machine learning

Skrevet af
Martin Strandbygaard
Artikel

Del indlæg

Eksempler på værdiskabende anvendelse af machine learning

I denne artikel viser vi med tre konkrete eksempler den værdi og de muligheder, machine learning allerede nu tilbyder, og som flere og flere virksomheder i stigende grad tager i brug. Endelig tager vi et kig på nogle eksempler på konkrete anvendelsesmuligheder.

I følgende artikel kan du læse om:

  1. Aktivering af data, i stedet for at behandle det som et passiv
  2. Automatisering af sagsbehandling og administrative opgaver
  3. Forretningsproblemer løses, hvor det ikke før var muligt
  4. Eksempler på anvendelsen af machine learning

Aktivering af data

De fleste virksomheder og organisationer opsamler store mængder data om virksomhedens drift. Transaktioner i økonomisystemet eller e-mails til supporten er begge eksempler på signaler, der indeholder information, som kan bruges til at forbedre produkter og effektivisere driften.

Når data kun opsamles og ikke anvendes i praksis, bliver det til et passiv, der ikke bidrager til værdiskabelse for virksomheden. I stedet kan transaktioner i ERP-systemet aktivt bruges til at forstå kunders købsmønstre og præferencer og forudsige omsætningen det næste kvartal. Og af kundesupporten kan machine learning bruges til at forstå kundens egentlige problem og sikre, at kunden automatisk sendes direkte til den supportfunktion, der bedst kan løse problemet. Det forbedrer kundens oplevelse af supporten og reducerer omkostninger.

Der findes allerede i dag løsninger på markedet, der undervejs i en samtale kan fortælle, hvordan kundens humør er, så supporten bedre kan tilpasses kunden og sikre en god oplevelse.

Automatisering af sagsbehandling og administrative processer

Der er snakket meget og længe om digitalisering og automatiserede processer, men praksis har vist, at det ikke er helt så let, som det først kan lyde. Med machine learning bliver det muligt at løse nogle problemstillinger på en ny og langt mindre krævende måde.

I stedet for at ansøgninger og blanketter vurderes manuelt, kan et system med machine learning behandle hovedparten af dem automatisk ud fra alle tidligere vurderinger – og så nøjes med at udtage enkelte, særlige eksemplarer til manuel kontrol eller behandling. Det frigør medarbejdere til at koncentrere sig om de sager, hvor der reelt er et behov.

Samme tilgang kan bruges til at kontrollere kvaliteten af sagsbehandling. Ofte sker kvalitetssikring ved, at der gennem stikprøver udtages et antal sager til manuel kontrol. Den tid kan bruges meget mere effektivt, hvis man kan udvælge de sager, hvor behovet er størst.

Forretningsproblemer løses, hvor det ikke før var muligt

Sidst men ikke mindst så vil machine learning hjælpe os med at løse mange forretningsproblemer, der ikke før var praktiske løsninger til.

Med machine learning får man en ny måde at bygge systemer. I stedet for at man minutiøst skal kortlægge krav og regler for efterfølgende at bruge måneder på at kode og teste de selvsamme regler, så kan man med machine learning sætte en computer til at lære af 30 års historisk data og tage afsæt i de samme krav og regler.

Flere offentlige it-systemer, der aldrig blev taget i brug, fejlede på omfanget og kompleksiteten i at implementere uigennemskuelige regler og lovgivning. Her vil machine learning i stigende grad i fremtiden kunne hjælpe ved at lære af de store mængder data, der allerede findes.

Med det følger svære spørgsmål om, hvordan vi samtidig sikrer gennemskuelighed i sådan et system – og hvis udviklingen fortsætter, som den har gjort indtil nu, så vil vi kunne bygge systemerne, inden vi har svaret på de spørgsmål. Men det er i sig selv emnet for en hel artikel.

Efter vi nu har beskrevet de muligheder, som machine learning giver, så vender vi blikket mod, hvordan man rent praktisk kommer i gang med at bruge machine learning.

Eksempler på anvendelse af machine learning

Som nævnt ovenfor er det vigtigt at aktivere sin data, så den ikke er et passiv. Mange virksomheder har store mængder data, som blot er arkiveret uden løbende at blive anvendt til noget værdiskabende – f.eks. log-data, der kun i mindre grad benyttes til ressource-monitorering og fejlsøgning. Samtidig er det vigtigt at bestemme, hvilken yderligere data der er nødvendig for at kunne anvende machine learning til at løse et givent problem.

Markedsforudsigelser og optimeret brugeroplevelse

Google er muligvis den største af dem alle, hvad angår indsamling og behandling af brugerdata. De benytter ikke alene links til at rangordne sider, men indsamler også konstant information, når individuelle brugere klikker på reklamer, der igen anvendes til at målrette reklamemateriale mere og mere præcist.

Andre kendte sider såsom Amazon og Netflix benytter information om, hvad folk køber eller lejer, for dermed at bestemme hvilke personer og produkter der passer godt til hinanden. Efterfølgende har de mulighed for at give anbefalinger på baggrund af tidligere køb. Pandora, Spotify og Last.fm m.fl. anvender for eksempel de enkelte brugeres bedømmelser til at kunne skræddersy dynamiske radiostationer med brugerens foretrukne musik.

Markedsforudsigelser er resultatet af endnu en velkendt anvendelse af machine learning. Flere aktie- og investeringssider værdibestemmer aktiver ved at følge deres løbende salgspriser, omsætningsfrekvens og brugernes prisvurderinger. Forudsigelser baseret på denne model har vist sig at være mere præcise end individuelle eksperters bud.

Mønstre i store datamængder

Dette var enkelte bud på metoder, der benytter crowd-baseret indsamling af data fra hver enkelt bruger, men der findes også mange gode eksempler på anvendelser af machine learning baseret på data indsamlet på anden vis.

F.eks. har man inden for bioteknologien, vha. fremskridt i sekventering og screening-teknologier, været i stand til at generere store mængder data, bl.a. DNA-sekvenser og proteinstrukturer. Machine learning hjælper her med til at finde mønstre i de store datamængder, som i sidste ende kan hjælpe forskere til at forstå de biologiske processer bedre.

Inden for sikkerhed benytter kreditkortselskaber machine learning til at detektere svindel, mens machine vision (digital billedegenkendelse) ofte benyttes i militært regi til automatisk at genkende ansigter, køretøjer og ubudne gæster. Derudover indsamler statslige organisationer informationer, som analyseres vha. machine learning til at forhindre terrortrusler og lignende.

Endeligt har produkt-marketing med behovet for at forstå demografiske tendenser oplevet en helt ny måde at danne rationelle beslutninger på. Machine learning-teknikker såsom clustering benyttes med succes til bedre at kunne forstå markedssegmenter og dermed give mere præcise forudsigelser om fremtidige forbrugertrends.

Dette var blot nogle få eksempler på anvendelsen af machine learning i praksis. Tendensen er klar, og der indsamles i dag løbende mere information. Det betyder, at flere brancher og forretningsområder vil få øjnene op for værdien af machine learning, og at listen over eksempler fortsat vil vokse med uformindsket styrke.

Andre læste også
29. november 2023
Webinar: Microsoft 365 Copilot – skab en sikker & bæredygtig implementering
Se med, når vores eksperter giver gode råd til, hvordan I forbereder den tekniske og organisatoriske implementering af Microsofts nye AI-assistent. 
14. august 2023
Skal du med på kursus om AI & ChatGPT i efteråret?
Kurset er et 2-dages kursus og målrettet dig, der gerne vil lære at identificere, hvordan AI og sprogteknologi, som fx ChatGPT, kan anvendes til at skabe forretningsmæssig værdi for din virksomhed eller organisation.
7. juni 2023
Deltag i seminar om AI og ChatGPT
Få indsigt i, hvordan AI og ChatGPTs revolutionerende potentiale kan anvendes til at skabe forretningsmæssig værdi for din virksomhed. Du får konkrete eksempler, strategisk indsigt og hands-on erfaring.

Nyhedsbrev

Få vores nyhedsbrev

Hold dig opdateret på din virksomheds digitale muligheder med cases og faglige artikler