Ville Suvanto

Affärsvärde uppstår när affärsproblem omvandlas till dataproblem

En av de allra svåraste aspekterna när det gäller att leverera affärsrelevant analys är att identifiera affärsproblemet och sedan kvantifiera det så att det kan uttryckas i en algoritm. Därefter kan man skapa en konkret handlingsplan för hur man löser det med hjälp av data och analys. Det kan låta enkelt men många går bet.

Utöver behovet av kunskaper i datavetenskap, sätter kvalifikation och kvantifiering av affärsproblem press på företaget eller produktägaren. Ett bra sätt att komma igång är att använda en metod som underlättar identifieringen.

På senare år har vi blivit allt bättre på att lösa förutsägelseproblem, och vi kan med hygglig säkerhet klassificera e-postmeddelanden, se vilka produkter vi tror att kunder skulle vara intresserade av och – i framkanten av utvecklingen – låta datorn räkna på de mest troliga dragen i ett parti schack eller Go.

Vi har också utvecklat sofistikerade tekniker för cognitive computing; vi kan förutsäga vad en given bild avbildar, vilken som är den rätta översättningen av en mening och vad som är det bästa svaret på en kunds fråga. Vad alla dessa skenbart obesläktade lösningar har gemensamt är att de alla är förutsägelser. Mer specifikt; de kan alla lösas med övervakad maskininlärning.

En annan sak vi är bra på är att hitta affärsproblem. Kunder överger sina varukorgar innan utcheckning i e-handeln, våra leveranser är försenade, våra maskiner havererar för ofta eller kunder byter operatörer. Men inget av dessa problem kan lösas genom att matas in direkt i en maskininlärningsalgoritm. Kraften i maskininlärning kan inte utnyttjas förrän affärsproblem förvandlas till dataproblem.

Omvandlingen är nyckeln

Några av de mest innovativa produkter som benämns artificiell intelligens har sina rötter i ett innovativt sätt att förvandla affärsproblem till förutsägelseproblem. Om du för 40 år sedan hade sagt till folk att det byggandet av en självkörande bil är ett förutsägelseproblem skulle de ha sagt att du var galen. På liknande sätt kan automatiserad kundtjänst förvandlas till ett förutsägelseproblem. Vilket är svaret som mest sannolikt löser kundens problem eller ber om den nödvändiga informationen.

Även om ovanstående insikter förvandlas till revolutionerande koncept, är det mycket enklare att skapa lösningar som kan hjälpa till med vardagsverksamheten. Automatiserad klassificering av inkommande dokument eller att förutsäga rätt expert för att hantera problemet är exempel på enkla lösningar som lätt kan tillämpas i många organisationer.

På liknande sätt kan vi utnyttja maskininlärning för att tillhandahålla mer exakta eller nya tjänster till våra kunder.

Det uppenbara valet löser inte alltid problemet

Även om maskininlärning inte är det enda verktyget för att lösa dataproblem, är det första steget mot att bli bra på att förvandla affärsproblem till dataproblem att förstå vilka slags problem som kan lösas på det sättet.

När det gäller övervakad maskininlärning visar vi en algoritm massor av exempel från befintliga data, och låter den hitta regler så att den kan göra förutsägelser med nya data. I det andra steget förvandlas affärsproblemet till ett förutsägelseproblem. I vissa fall är detta ganska enkelt, men i många fall måste du vara kreativ.

De allra farligaste fallen är de som verkar enkla men där det uppenbara valet egentligen inte löser affärsproblemet.

Bortom maskininlärning

Det finns emellertid många dataproblem som kräver andra tillvägagångssätt. Ibland lämpar sig traditionell statistik bättre för uppgiften och ibland kanske vi behöver mer komplicerade optimeringslösningar för att lösa ett problem.

Men maskininlärning är ändå en utmärkt metod att börja med. Det blir alltmer populärt och det av en bra anledning. Maskininlärning är ofta lätt att göra till en produkt, den lär sig över tid och kan lösa en mängd olika uppgifter och hjälpa till med många andra, om den används kreativt.

Jag skulle säga att förmågan att omvandla affärsproblem till dataproblem kommer att bli en av de viktigaste färdigheterna för beslutsfattare, om det inte redan är det. I takt med att teknologi får en större och växande roll i affärsverksamheter som tidigare har skötts av människor blir två färdigheter ännu viktigare: Sociala färdigheter och färdigheter som kompletterar maskinerna.

Teknologi låter oss göra fantastiska saker, om vi bara förstår vad vi kan göra med den.

Blog moderation guidelines and term of use