Data-drevne beslutninger

Siden introduktionen af Business Analytics (BA), som ramme for data-drevne beslutninger er der sket meget. Mængden af data er eksploderet og teknologier som Internet of Things og Machine Learning skaber kun mere data.

Muligheden for at træffe beslutninger ud fra data bliver bedre, men ikke nødvendigvis nemmere. Men mængden af data bliver ikke kun større, den bliver også hurtigere. Den ankommer hurtigere og bliver hurtigere irrelevant igen. Så for at kunne konkurrere på data-drevne beslutninger, skal man kunne træffe bedre beslutninger, hurtigere.

Man kan spørge sig selv, hvad man egentlig skal bruge al den ekstra data til?

Sat lidt på spidsen: Hvis man ikke formår at omsætte sine investeringer i data til at træffe bedre beslutninger, er investeringen spildt og man risikerer at sakke bagud i kapløbet med de konkurrenter, som har knækket nødden.

Så hvad er næste skridt efter Machine Learning? Og hvordan omsætter man den ekstra indsigt som data og Machine Learning giver til bedre beslutninger. For at give et svar på dette, vil vi i det følgende tage et kig på data og ML i kontekst af Business Analytics, og vi vil se på hvordan optimering kan bruges til at komplimentere den BA-portefølje, man allerede har.

Business Analytics i tre niveauer

Når vi taler om data-drevne beslutninger, kan det være en fordel at se det i en bestemt ramme. Her vil vi bruge Business Analytics, der omhandler brugen af matematiske og statistiske metoder på data for at træffe bedre beslutninger. Der er skrevet en del litteratur om emnet, f.eks. ”Competing on Analytics: The New Science of Winning” (Davenport og Harris 2007), som giver en introduktion til området og argumenterer for hvorfor analytics kan bruges til at give konkurrencefordele.

Business Analytics er et bredt begreb som dækker over et stort antal af metoder. De kan opdeles i tre kategorier, efter deres kompleksitet og hvilket behov de dækker – eller, hvilke spørgsmål de giver svar på.

De tre niveauer er:

• Descriptive Analytics. Hvad er der sket? Hvad sker der lige nu?

• Predictive Analytics. Hvorfor skete det? Hvad vil ske i fremtiden?

• Prescriptive Analytics. Hvad skal vi gøre ved det?

Første niveau, 'Descriptive Analytics', beskæftiger sig med fortiden, op til og med nu. Metoder her dækker over rapporteringer, dashboards, og lignende. Disse er essentielle værktøjer, som enhver virksomhed har brug for, og det er let at se, at der er noget at vinde for den virksomhed, som ikke helt har styr på det deskriptive. En virksomhed som ikke er i stand til at fakturere rigtigt, kan fx gå glip af store indtægter.

Næste niveau, ’Predictive Analytics’, tager et skridt videre og bruger eksisterende data til at skabe ny viden. Det kan være at afdække sammenhæng, korrelationer, mellem tilsyneladende usammenhængende data, eller at bruge eksisterende data til at forudsige hvordan data vil udvikle sig i fremtiden, nogle gange med stor nøjagtighed. Det er her Machine Learning kommer ind i billedet.

Tredje niveau, ’Prescriptive Analytics’. Det er her optimering kommer ind i billedet. Her bruges matematiske modeller ikke kun til at skabe indsigt, men rent faktisk at træffe (eller i hvert fald foreslå) beslutninger baseret på data.

The Coffee House - et eksempel

Som eksempel kan vi betragte en hypotetisk virksomhed. Det kunne f.eks. være en virksomhed som servicerer kaffemaskiner, lad os kalde den The Coffee House. I vores eksempel har firmaet en stab af serviceteknikere, som hver dag kører rundt til kunder og servicerer deres kaffemaskiner. Det kan være planlagte servicebesøg i henhold til maskinens specifikationer, reparationsbesøg på grund af maskiner som er i stykker, samt installation af nye maskiner hos nye eller eksisterende kunder. Så i princippet en simpel servicevirksomhed, som hjælper andre virksomheder med det vigtigste – god kaffe.

I princippet er der ikke næppe brug for megen planlægning. Hver tekniker har måske et fast program med faste kunder, eller tager hver morgen en stak arbejdskort fra kontoret, og bruger sin dag på at besøge kunder – med sporadiske afstikkere til akutbesøg.

Men hvordan går det egentlig med virksomheden? Man han måske en overordnet idé, mest baseret på intuition, om at det går ”fint”, men hvordan ved man om virksomheden blevet drevet på den mest effektive måde. De grundlæggende driftsmæssige beslutninger, hvilke kunder skal besøges hvornår og af hvem, bliver i bedste fald truffet på en ad hoc basis. Kan vi være sikre på at de beslutninger er fulgt med tiden?

Ved at analysere på virksomhedens data (Descriptive Analytics), kan vi måske se nogle tegn på, at ikke alt er, som det skal være:

• Flere og flere medarbejdere registrer overarbejdstimer

• Flere planlagte kundebesøg må udskydes, nogle så det regelmæssige servicebesøg må udskydes eller helt annulleres

• Antallet af besøg per tekniker falder

• Antallet af akutte reparationsbesøg er stigende

• Medarbejderne bruger forholdsvist mere af deres tid på vejen, snarere end hos kunderne

Så, vi kan altså ved hjælp af ’Descriptive Analytics’ opnå en del indsigt i hvordan virksomheden reelt kører. Men med ’Predictive Analytics’ kan vi opnå endnu mere indsigt.

Baseret på data virker det som en oplagt hypotese, at der er kommet flere akutopgaver, fordi der ikke er tid til de planlagte servicebesøg. Altså en ond cirkel. Men er der virkelig en sammenhæng mellem de to? Ved hjælp af metoder fra ’Predictive Analytics’, f.eks. Machine Learning, kan vi spørge hvorfor skete det og undersøge om der reelt er en korrelation. Måske er der. Men måske er nogle af kunderne vokset og har ansat flere medarbejdere uden at anskaffe sig flere kaffemaskiner. Maskinerne bliver altså brugt for meget i forhold til de fastsatte serviceintervaller.

En anden mulighed for ’Predictive’ er muligheden for at forudse nedbrud. Man kan forestille sig at avancerede maskiner kan transmittere sensordata, som kan opsamles og bruges til at forudsige sandsynligheden for et snarligt nedbrud. Så kan vi se muligheden for at komme problemerne i forkøbet.

Men indtil videre har vi kun opstillet mere data at forholde os til. Der skal stadig træffes beslutninger, men der er ikke rigtig nogen nem måde at træffe beslutningerne på. Her kan vi bruge det sidste trin i analytics, ’Prescriptive Analytics’: Hvad skal vi gøre nu?

Ved at formalisere beslutningstagningen, har vi mulighed for at evaluere forskellige beslutninger op mod hinanden, før de bliver udført i praksis, og måske endda vælge den bedste.

Nogle af de beslutninger, der skal træffes inkluderer:

• Hvis kunderne overudnytter kapaciteten på deres maskiner, skal vi så øge servicefrekvensen eller anbefale kunderne at anskaffe sig nye maskiner. Måske kan vi tjene mere på flere servicebesøg, men har vi kapaciteten til det?

• Hvis teknikerne bruger meget tid i deres køretøjer, har de måske en forkert fordeling mellem teknikere og kunder. Ved at bruge metoder fra ruteplanlægning kan teknikerne optimere deres fordeling af kunder og ruterne imellem dem.

• Hvis teknikerne ofte har brug for at returnere til lageret for at hente ekstra reservedele, skal man måske undersøge muligheden for at opføre et eller flere mindre lagre. Men hvor skal de i så fald bygges, og hvor mange skal man bygge?

• Hvis vi ved at en maskine er i risiko for at bryde sammen, skal vi så planlægge et ekstra besøg? Hvis en tekniker alligevel er i nærheden, kan det være en god ide, men hvis det sker på bekostning af et andet besøg, hvad skal så prioriteres?

• Der er flere beslutninger at træffe. For nogle er det nemt at overskue konsekvenserne af, men for andre kan det være svært.

Optimering

Optimering er en vigtig del af værktøjskassen for ’Prescriptive Analytics’. I optimering tager man sit beslutningsproblem inden for planlægning, investering eller andet, og formulerer det som en matematisk model. En model består af tre dele:

• Beslutningsvariable, som beskriver de beslutninger, der skal træffes, og et domæne til hver variabel, som beskriver hvilke værdier variablen kan tage

• Begrænsninger, som beskriver de mulige interaktioner mellem variable

• En målfunktion, som beskriver den samlede nytteværdi af beslutningerne

Resultatet af en optimering tildeler en værdi til alle beslutningsvariable, så alle begrænsninger er overholdt.

Ser vi på eksemplerne fra The Coffee House, kan vi formulere beslutningsproblemerne som matematiske problemer. Dem kan vi løse ved specialiseret software, eller selv implementere en algoritme som løser problemet. Måske endda en kombination.

Men det er måske ikke helt oplagt at se hvorfor optimeringsproblemer er så komplekse i forhold til de andre typer af Business Analytics. Svaret er nok at de alle indeholder kompleksitet som manifesterer sig forskelligt. For optimering kommer kompleksiteten fra sammenhængen mellem beslutningerne. Antallet af mulige løsninger kan være alle kombinationer af alle variable, hvilket er et stigende antal der vokser med rekordfart, som problemerne tager til. Det er samme tendens der gør, at det er relativt nemt for mennesker at træffe gode beslutninger for små beslutningsproblemer, men det bliver hurtigt uoverskueligt som problemerne bliver større.

Som sidste trin i Business Analytics, hører optimering naturligt til i den mere komplekse ende af skalaen, sammen med de mere avancerede dele af 'Predictive Analytics'. Vi bevæger os her væk fra data som grundlag for beslutningstagningen og betragter beslutningstagningen direkte. Vi har set på de hvordan de foregående trin i Analytics kan bruges til at identificere problemer og muligheder. I optimering handler det om at udnytte de afdækkede muligheder. Derfor er optimering også velegnet til at forbedre brugen af ressourcer på områder hvor der ikke nødvendigvis er de helt store problemer – det handler snarere om at udnytte de potentialer, som de andre led har identificeret (se f.eks. ”The Optimization Edge: Reinventing Decision Making to Maximize All Your Company’s Assets”, Sashihara, 2011).

Den lidt forsigtige guide til hvornår man kommer i gang med optimering må derfor være: Brug de lavere led i Business Analytics til at identificere problemer og muligheder og brug optimering til at få det bedste ud af de muligheder, som din data kan afdække.

Konklusion

I denne blog har jeg diskuteret vigtigheden for virksomheder i at træffe beslutninger af høj kvalitet, hurtigt samt hvordan denne evne giver en klar konkurrencefordel i forhold til konkurrenter, som ikke formår at følge med udviklingen. Med den kraftige vækst i data og metoder til dataanalyse, er muligheden for at træffe gode beslutninger øget væsentligt. Men det samme er kravene både til beslutningernes kvalitet og den hastighed hvormed de skal træffes, i takt med at det konkurrencemæssige landskab, dataenes volumen og hastighed, samt kompleksiteten af tilhørende softwareprodukter ændrer sig.

Ved at bruge en servicevirksomhed, som The Coffee House, som eksempel, kan vi se hvordan selv en relativt lavteknologisk virksomhed har en stigende mængde af data og kompleksitet at forholde sig til. Ved at bruge Business Analytics som ramme, kan vi identificere hvordan virksomheden klarer sig på specifikke parametre, og hvordan data kan bruges til at gøre virksomheden endnu mere konkurrencedygtig.

Data-drevne beslutninger er heldigvis allerede en del af de fleste virksomheder, og dermed er de allerede steget et stykke på den analytiske sti. Så hvad er det næste skridt, efter virksomheden har implementeret rapporter, dashboards, og måske endda metoder fra Machine Learning? Jo, det er optimering, eller at bruge matematik og software til at træffe beslutninger. På den måde kan man træffe beslutninger hurtigere og bedre, og uden mange af de forudindtagede holdninger eller gætterier ud fra vanen, der måske ligger naturligt til os mennesker.

At begynde på at bruge optimering til at træffe beslutninger, det er i sig selv et optimeringsproblem, men du kan være sikker på, at der venter en konkurrencefordel til den første, som kommer i mål med det.

God fornøjelse...