Datadrevet innovasjon - Eksemplene

Eksemplene

Her har vi samlet eksempler på det våre intervjupersoner har gjort, holder på med nå eller tror at de skal få til. Noen av eksemplene står også andre steder i rapporten, men vi tenkte at det ville være lettere for deg å bli inspirert gjennom å få en slik oversiktsside.

Bilde av Kristin Wulff

Kristin Wulff

Nærings-PhD og rådgiver

Effektivisering
  • Prediktiv kundeutvikling. Og det å ringe kunder er dyrt. En ansatt klarer maks 60 om dagen, så da kan du regne ut hva det koster å ringe. Der har vi såpass god respons, at det ikke blir et veldig skeivt datasett, og da har vi prøvd å lage en modell som peker ut de som har størst potensiale for å svare positivt på en telefon. (Christian, Head of Innovation, SpareBank 1 Kreditt)
  • Robotisering. Hvis man tar AI i bred forstand så bruker vi jo robotisering og automatisering av prosesser og det som kalles for RPA. Teknisk sett bruker vi ganske mye og har blitt relativt moden på. (Astrid, Executive Director, SpareBank 1 SMN)
  • Automatisering. AI spiller en ganske stor rolle i framtiden hvis du tenker at du skal automatisere og selvbetjene prosesser, fordi at du kan... du kan få god datakvalitet inn med ganske liten ressursinnsats fra vår side i forhold til kvalitet. (Bjørn, CIO, Fiskeridirektoratet)
  • Automatisering. Vi har også eksperimentert på om vi kan automatisere enda mer av det vi fremdeles har av innkommende papir og lese automatisk fra innskanning av dokumenter. Fra tradisjonell OCR-tolkning beveger vi oss mot mer avanserte AI-modeller. (Geir Olav, CTO, SR-bank)
  • Prediktivt vedlikehold. "Og det er prediktivt vedlikehold på kraftstasjonene. Det er jo ikke noe nytt dette her, de aller fleste store kraftselskapene har startet med det. Tanken er å få overført domenekompetansen fra driftsoperatørene som kjenner maskineriet ut og inn og få det overført til en algoritme som kan fange opp anomalier hvis det skjer ett eller annet. På den måten er tanken at man kan få redusert rutinemessig vedlikehold. " (Ragnhild, Fagansvarlig analyse, NTE)
Kundeopplevelse og kundebehandling
  • Personalisering. Vi hadde, noe av det første vi laget var en pre-skår modell. Som er en veldig enkel logistisk regresjonsmodell. Som man fikk enkelt ut i drift og som har gitt oss egentlig ganske mye med liten innsats. (Christer, Kredittsjef, SB1 Kreditt)
  • Digital rådgiver. Så den bot’en og det området der burde kanskje utvikles mer mot en rådgiver: hjelpe deg å bruke pengene dine på en bra måte, gjøre riktige investeringsvalg, spare pengene på riktig måte og gi deg en bedre personlig økonomi. Kanskje det er i en sånn type retning man bør tenke chatbot og digital rådgiver og en digital bank. (Astrid, Executive Director, SpareBank 1 SMN)
  • Mer relevant for kunden. Å lage en god digitalbank som gir deg en følelse av at banken er tilstede i livet mitt krever mye mer behandling av data for å være relevant. (Geir Olav, CTO, SR-bank)
  • Nyttig i hverdagen. Enkelteksempler: hva skjer hvis kortet mitt i en butikk ikke virker, reiser til et annet land og regionssperre er på. Finnes mange tjenester vi kunne tenke oss å bygge slik at kunden får relevant råd eller relevant innspill i hverdagen. Personalisering på ulike måter (Geir Olav, CTO, SR-bank)
  • Kundeinnsikt. På enkelte områder er vi kommet ganske langt, vi har ganske åpen innsikt for ansatte og konsulenter inn i selskapet til et Power-BI-oppsett for eksempel, som gir relativ dyp innsikt i både inntekter, utgifter, hvordan produktene våre tas imot i markedet osv. (Kristian, Head of Architecture and Platform, Vipps)
  • Chatbot er et annet område vel mange har begynt å bruke, så har vi jo en avtale med boost.ai fra Stavanger, som vi har på nettsidene våre, som ikke er så fryktelig mye mer enn spørsmål og svar, forhåndsdefinerte spørsmål og svar, pr i dag. Men som også bruker moderne NLP for å gjenkjenne spørsmålene. (Astrid, Executive Director, SpareBank 1 SMN)
  • Oversikt over økonomien. Så har vi andre områder hvor vi bruker mer det man kan tenker på som moderne ML, inn i mobilbank, transaksjonsklassifisering for eksempel. (Astrid, Executive Director, SpareBank 1 SMN)
  • Bedre betingelser. På personmarkedet så ønsker vi å kunne låne ut så mye penger som mulig, med en så god risikovurdering som mulig. Vi ønsker jo å ha så gode risikomodeller som mulig som gjør at vi unngår tap, men at vi også kan låne ut penger til kunder som vi tradisjonelt kanskje ikke hadde lånt ut til. Så det er jo, ja, all den type data som kan hjelpe til i den type modeller da, regnskapsdata, når det gjelder bedriftskunder og på privatkunder så kan det være andre ting som spiller inn, som sier noe om hva slags sikkerhet du har og hva slags yrke du har og en del sånne ting da. Jeg tror det er mye å gå på der. Jeg tror man kan gjøre mye mer med en sånn type av modeller enn det man tradisjonelt har brukt, men også andre typer data. Og der er det jo litt interessant i forhold til å tenke, vil kunder være interessert i å kanskje dele andre typer data med banken hvis de da får bedre betingelser på lånet sitt, eventuelt øke sannsynligheten for å få et lån. (Astrid, Executive Director, SpareBank 1 SMN)
  • Riktig pris. Det man prøver, er at prisen på forsikringen som du blir tilbudt, det er jo en statistisk modell som ligger til grunn for det. Og tradisjonelt sett så har de statistiske modellene, de har vært basert på såkalte gam-modeller. Eller, det er egentlig utvidelse av lineær regresjon. Så det er generaliserte lineære modeller der man utvider med polynom-samspill. Og så ser vi da på om vi klarer å gjøre modellene enda mer treffsikre, ved å bruke andre mer type maskinlæring- modeller. Det er egentlig et forholdsvis vanskelig problem, så det er de først nå i sommer akademia har klart å komme opp med noen løsninger på dette her. Det er jo et stort område, aktuar-fagfeltet. Og det er først nå man ser de begynner å få øynene opp for dette her. (Øyvind, Head of Machine Learning and AI, Fremtind)
  • Ekstra service. Hvis du melder bilskade hos oss får du opp et kart på nærmeste verksted og du velger verksted, og så får du også booke tid samtidig. Så da har vi egentlig ytt en ekstra service som forsikringsselskapet ikke trenger å gjøre. Og så kan vi bli smarte i å shuffle kundene inn mot de verkstedene vi har avtale med. Sånn at vi håndterer verkstedrisiko der, vi håndterer i forhold til innkjøpspriser, og vi gir en ekstra service og kunden blir mer fornøyd (Tariq, Chairman Digital Leadership Community at Polyteknisk Forening)
  • Oversikt over økonomien. SB1 utvikling har lagd en modell som ser ganske sofistikert ut, for å scanne igjennom debet, eller banktransaksjoner. Ikke våre transaksjoner, men de du har i banken din. Den scanner igjennom alle kontobevegelsene dine og prøver å klassifisere alt som kan være et abonnement. Og da snakker vi ikke bare om lette ting som Netflix og sånt, men hvis du er med i en polsk fluebindeklubb og betaler 30 euro i måneden så skal den klare å finne tak i det også. (Christian, Head of Innovation, SpareBank 1 Kreditt)
Forstå markedet bedre
  • Kraftmarkedet. Nå prøver vi å forstå oss på hele kraftmarkedet. Det er en veldig ambisiøs oppgave. Det å forstå seg på hele kraftsystemet og marked i Norden det er vanskelig i utgangspunktet, men man må ikke knekke hele den nøtta der. Det har skjedd noe med hele dynamikken med kraftsystemet som er i stor endring som gjør at prisene våre og markedet vårt endrer seg ganske mye. (Ragnhild, Fagansvarlig analyse, NTE)
  • Handlemønsteret. Hvordan er handlemønstrene i forhold til, hvis du tenker deg disse festivalene som er om sommeren, da. La oss si Vinjerock, da. Hvordan er handlemønstrene rundt i disse områdene, når du har disse forskjellige festivalene rundt i Norge. Og da kunne de hjelpe forskjellige merchants med datapunkter, og si at dette gikk det mest av i fjor, disse tidspunktene. Så kunne vi hjelpe de med det, og så kunne de staffe opp, eller de kunne bestille varer i forhold til datapunkter basert på tidligere erfaringer på hva som skjedde i de områdene. Og ikke bare akkurat i den bygden det var eller det stedet det var, men også på vei dit. Fordi alle skal jo reise dit, og reiser de da med tog? Reiser de med bil? Hva gjør... hva gjør de unge som da skal på disse festivalene? Så vi hadde noen sommerprosjekter på det, og det er... sånne type ting kan vi få veldig mye ut av. (Kari, Senior Vice President, IT, Mastercard)
  • Makroøkonomi. Flera statliga aktörer som exempelvis SSB använder data från betalningsinfrastrukturen i sina modeller för att häva kvaliteten på makroekonomiska beslut. Det er en del av konsesjonen for å få lov til å drifte denne infrastrukturen som vi gjør. Ett exempel där insikt från betalningsinfrastrukturen har varit grundlag för stora och viktiga beslut för Norge är när Holden-utvalget i våras gav anbefallningar om hur de tilltag man satt in som følge av coronakrisen hade fungerat och vad som skulle prioriteras vidare. I alle mulige sånne litt større makrobeslutningssituasjoner, så er det å kunne, smidig, kontinuerlig og helst i realtid, da, lese betalingsdata – kjempeviktig. (Anna-Karin, Direktør Payments, Norge, Mastercard)
Nye forretningsmodeller
  • Partnerskap. Når man tenker nye forretningsmodeller så tror jo jeg at eksponering av data med høy kvalitet vil ha en verdi for fintech. Som gjør at de vil samarbeide med oss. Og da handler det om data av høy kvalitet, men det handler også om en helhetlig API strategi og API portaler som henvender seg til fintechs og utviklere som gjør at de raskt kan innovere på våre plattformer og våre data. (Astrid, Executive Director, SpareBank 1 SMN)
ML trener regelbaserte systemer
  • Forklarbarhet. "Vi bruker ofte ML til å forstå hvordan vi skal bygge opp tradisjonelle regelbaserte scenarier. Maskinen lærer og gir oss input tilbake som vi bygger inn i de regelbaserte scenariene, som gjør at de er dokumenterbare også for tilsynsmyndigheter og for eksempel økokrim hvis det skulle dukke opp saker." (Dag, Senior Vice President, DNB)
Bredere data
  • Oppkjøp. Fremtind just bought Autopass, and I don’t know what they are going to do with that, but they also have this smart car insurance, so I can just imagine they are sitting there the data scientists laughing and figuring out how they are going to use, get consent to use these Autopass transactions to combine them with the driving transactions. (Isabel, Chief Data Officer)
  • Privat/offentlig samarbeid. CITS-begrepet, at vi sier at det handler egentlig om samhandling – det vil si at man kommuniserer digitalt mellom kjøretøy og infrastruktur, og bakende-system til bakende-system. Og der passet den NordicWay Interchange inn, der vi har nå et fellessystem for Norge, Sverige, Finland og Danmark der vi utveksler veimeldinger som skjer i veinettet. Et eksempel er jo at vi lurer jo på om det er glatt ute på veien, tradisjonelt sett har vi stappet folk i en målebil og kjørt oss en tur og målt. Og så ser vi jo med CITS, vår definisjon av CITS, at vi kan jo snakke med Volvo og spørre dem “hvor opplevde dere dårlig friksjon eller god friksjon”. Så vi har jo en server som strømmer rundt 78 milliarder, nei millioner, datapunkter fra alle Volvoer i EU, som viser hvor det er glatt på veien. (Tomas, Fagansvarlig for automatisering, Statens vegvesen)
Deling av data
  • Redusere matsvinn. Vi ble ringt opp av en bensinstasjonkjede, der de spurte om de kunne få telledataene våre - og da skulle de kjøre prediksjon på det for å finne ut av når de skulle starte bollesteking på bensinstasjonene rundt omkring i Norge. Så de stolte ikke bare på sine egne salgstall, men de ønsket også å se trafikkvolumene, da, i det. Og det tenker jeg, det er jo fryktelig kult at vi kan bidra til å redusere matsvinn, vi ville aldri ha tenkt på det selv. Men premisset er å få ut dataene til disse miljøene. Så vi klarte jo ikke å levere data til dem da, i praksis. Og det er jo litt synd, da. (Tomas, Fagansvarlig for automatisering, Statens vegvesen)
  • Avdekke svindel. Alt fra å levere svindelrapportering basert på det transaksjonsgrunnlaget vi har, til eierbankene våre, det er for så vidt også noe som gir en liten inntekt. (Kristian, Head of Architecture and Platform, Vipps)
  • Selge bransjeinnsikt. større initiativer rundt data APIer som tredjeparter skal kunne konsumere. I første omgang type sånn bransjeinnsikt, da, som aktører som ønsker å operere i den norske finansbransjen kan ha nytte av (Kristian, Head of Architecture and Platform, Vipps)
  • Merverdi til partnere. som en del av netthandelsproduktet vårt nå, så eksponerer vi tjenester der bedrifter kan hente ut informasjon om brukerne, selvfølgelig med samtykke fra brukerne selv. Alt fra adresseinformasjon til andre typer data. og sånn sett kan du si vi kapitaliserer på brukerbasen vår, men også liksom gir value-add til de typiske betalingsproduktene som de leverer (Kristian, Head of Architecture and Platform, Vipps)
Datakvalitet
  • Presisjon. Vi har jo noen suksesshistorier her, og det var jo det der med posisjonering. Det er jo en sånn kinky greie. Vi har jo x antall landmålere i sjappa som er fryktelig gode på det her når du står i ro, men så utfordret vi han sjefslandmåleren vår på “ja men, enn når vi begynner å bevege oss og forflytte oss?” “Ja men det må jo være det samme”, var liksom tanken, den første tanken, og så etter at han har begynt å tenke litt da, så innser han at det her er jo et helt hav av problemer. Og det har jo ført til at vi nå har fått kartverket også, og etter at vi hadde jobbet litt og funnet ut at det var et problem, så spurte vi jo kartverket om det var et problem, og de hadde også den samme kommentaren at “nja, det kan vi jo håndtere”, og så begynner de å se på det og så innser de at "nei, faen, det her er jo en helt ny verden av problemer”. (— på slutten av intervjuet om dette:) Det var jo at, ja, de var veldig flinke til å bruke AI til, eller ML til å finne skiltene, i bildene, men å si hvor det står hen i terrenget, med en god presisjon gitt at du bare har en mobiltelefon du ikke vet veldig mye om, og en GPS i mobiltelefonen – hvordan får du til 1,3 meters nøyaktighet på det. Og da er det jo structure from motion-variant, tankegang, der de bruker det og så glatter de da GPS med det. Så den navigerer også gjennom tuneller, og retter opp da på en måte feil i GPS-signalet basert på optisk navigasjon igjennom. Og da er det klassiske metoder som fotogrametri som brukes. Så da får du en kombo. Men AI alene vil på en måte ikke ha løst dette uten videre. (Tomas, Fagansvarlig for automatisering, Statens vegvesen)
  • Rydde i gammel moro. I forhold til å rydde opp i datakvalitet. Fordi man da sitter på, ja jeg skal ikke kalle det spagetti, men det er en sammenblanding av gamle kjernesystemer og moderne systemer med begrenset kapasitet. Noen faktisk sånn at de er programmert i assembler ikke sant. Hvor det er sånn 3. generasjon familiemedlem som sitter og forvalter det. Og så med kapasitetsproblemer knyttet til tabellverk for eksempel, med integrasjon mellom ulike kjernesystemer og så skal man se kundene på tvers. Og så er det noen som retter opp i den ene enden, og så tyter det ut i den andre enden, og så skal man rette opp i den andre enden og så ryker det ut i den andre enden altså. Du får vedvarende datakvalitetsfeil da. Så det var årsaken til at Aidan ble hyret inn. I forhold til å få kontroll på datakvalitet og strømmene mellom de ulike systemene, og få en overbygning på toppen i forhold til at vi ser informasjonselementene våre på tvers av konsernet. (DNB, Dag)
Datafangst
  • Bildegjenkjenning. Vi har for eksempel sladding av vegbilder der vi valgte å ta den lengre enn Google Streetview der vi faktisk maskerer ut hele mennesker, og kjøretøy og bikkjer og sykler, så det er jo et sånt AI-system vi har trent opp og har nå i produksjon hos oss. Det er jo det her, sladding som egentlig aldri dreide seg om sladding, men det handlet om å finne skilter, og det har vi på en måte... vi har funnet en rutine som gjør det med en grei nok presisjon for en del typer skilt, fartsgrenser for eksempel. (Tomas, Fagansvarlig for automatisering, Statens vegvesen)
  • Artsbestemmelse. AI er jo en av de som definitivt kan ha en ganske stor verdi. Spesielt fordi at vi skal kunne ... hvis du tenker på fiskebestanden, da, så vil jo det være beskattet både av turister, folk flest altså, fritidsfiskere og profesjonelle aktører. Og disse dataene som blir generert knyttet til disse aktivitetene, de bør på en måte samles slik at en kan bruke dem på tvers. Slik at data som blir samlet av en fritidsfisker bør kunne brukes av av oss opp imot en profesjonell fisker osv. Og der er AI ganske interessant fordi at, nå er det jo litt sånn at vi har jo forskjellige prosjekter, forskjellige leverandører. Så det får jo bare være, eller... men sånn er det. En ting vi ser på nå det er bildegjenkjenning. Og det er et godt eksempel, der jeg kan godt forklare et eksempel på et scenario på bildegjenkjenning, da. Som inkluderer flere brukerflater og flere typer brukere. Altså, et typisk eksempel det er... i dag så har vi en app som heter turistfiske og vi har fritidsfiskeappen. I den så kan du i dag registrere hvis du har tapt et redskap, hvis du har tapt en teine. Men vi kan òg tenke at i den appen kan du ta et bilde, og så kan du få vite om det er en oppdrettslaks, eller villaks eller en sjøørret eller en regnbueørret osv., da, at du kan kategorisere fisken basert på det bildet. Men du kan òg kategorisere en hyse og en torsk og en sei og en lyr og en makrell. De dataene som vi samler inn i en sånn verden der vi, folk tar et bilde. De kan gå inn i en felles løsning. Som gjerne har et API. Så kan disse dataene gå tilbake slik at hvis en inspektør hos oss som... Vi snakker om Saga-systemet nå. Hvis en inspektør hos oss bruker Saga-systemet og tar et bilde av en fisk, så kan man slå opp i samme API og så kan han finne hvilken art det er. Sånn at begge kan jobbe mot samme dataene og bruke samme dataene på tvers til artsgjenkjenning. Og kan en inspektør som er god å ta bilder, at han kan lett si at dette her er en spesiell art, han kan da oppdatere den bildedatabasen med nye arter. (Bjørn, CIO, Fiskeridirektoratet)
  • Ustrukturerte data. Pensjon. Den er jo notorisk vanskelig. For, hvilke sykdommer har du? Typisk veldig mye tekst og ustrukturerte data, fra legen og så videre. Så der, det er vel noe vi må ta tak i når vi har blitt flinkere og mer modne egentlig. For der er det ikke så mye å hente på klassisk teknologi. Der tror jeg vi nesten må inn i AI med en gang. (Tariq, Chairman Digital Leadership Community at Polyteknisk Forening)
Leveransekvalitet, finne feil og avvik
  • Kontroll av entreprenører. Problemet da, som vi prøver å løse, er at de klarer ikke å verifisere i det fagsystemet her, om entreprenørene gjør jobben sin i henhold til kontrakten. Ja. Så vi ser på noen veldig spesifikke biter av den kontrakten, men da går det på det å kjøre for fort, når de hhv. brøyter, legger sand eller salt, eller om du har det som heter samproduksjon – at de slipper salt og sand samtidig. (Lars, Produkteier for dataplattformen Saga, Statens vegvesen)
  • Kontroll av entreprenører. Så det dreier seg om at de ikke har lov å kjøre raskere enn 40 km/t, samtidig som de brøyter eller slipper sand eller lignende, for da går det på bekostning av friksjon og trafikksikkerhet. Eh, og så har de satt på en sånn, eh... 5 km/t buffer, og alt ut over det får ikke entreprenørene betalt, da. Og når vi gikk inn og analyserte dataene da, så så vi at egentlig, sånn som datakvaliteten er nå, med de utfordringene som er der, så kan dere ikke... må dere gå opp til en buffer på 15-20 km/t. L: Ja. Og da ble han litt lang i maska. Og det betyr jo “oi, da må vi betale mange, mange titalls millioner ekstra i året”. Det er ikke så kult. Og da skjønte han at “ok, det her er et problem vi faktisk må ta tak i". ----- Så, det er jo en enkel endring på en måte, at vi vil få inn alle events med millisekundoppløsning og ikke sekundoppløsning. Men det er ingen som har tenkt å stille den type krav før, da. (Lars, Produkteier for dataplattformen Saga, Statens vegvesen)
  • Driftsovervåking. "Dynatrace fungerer på en litt annen måte ved at den egentlig recorder hvordan tjenestene våre oppfører seg, typisk i en 1-2 ukers periode, og på en måte lærer seg hva som er normal-staten til systemet. Og over tid da gir alarmer når systemet oppfører seg annerledes enn normalt. Så det gjør for eksempel når vi innfører en ny tjeneste så kan vi få en god del falske positive for at Dynatrace ikke har lært seg systemet enda, men det betyr også at vi kan se en del sammenhenger og bli varslet om en del ting som vi ikke får fra våre andre alarmer rett og slett for at vi ikke har vært obs på den mulige feilsituasjonen, da." (Kristian, Head of Architecture and Platform, Vipps)
  • Avdekke svindel. Det som helt konkret har vært sett på er jo å bygge inn maskinlæringskomponenter i betalingsmotoren vår, eller i tilknytning til betalingsmotoren vår, som ser på patterns og typisk kan avdekke avvikende, hva skal jeg si, oppførsel i transaksjonsmotoren (Kristian, Head of Architecture and Platform, Vipps)
  • Avdekke svindel. Fraud eller anti-money-laundering, hvor vi også gjør det, i Mastercard. Inne på vårt område omkring transaksjonene er det jo typisk en forretningsservice som bankene selv er pålagt å skulle utføre. Men, det interessante kunne vært å se på om vi når, når vi leverer clearing-systemer og så videre, så ser vi jo på hele puljen av transaksjoner på tvers av alle banker. Det burde middelbart gi en bedre mulighet for å kunne se på, på mønstre på tvers av banker. På tvers av flere parter, så der kunne det kanskje være en attraktiv service, men da er vi jo inne og rugger ved de services som bankene jo tradisjonelt sett tenker som deres ansvar. (Simon, Senior Enterprise Architect, Mastercard)
  • Avdekke svindel. AI er ikke ... hva skal man si, det er ikke grunnstammen i vår fraud detection, men det utgjør en del av det. (Simon, Senior Enterprise Architect, Mastercard)
  • Avdekke svindel. Scoring av bedrifter. Vi innhenter data som jeg sa fra både offentlige myndigheter og andre steder for å... ha en god oversikt over hvilke typer bedrifter vi har i VIPPS og overvåke hvordan transaksjonene går til og fra de, for å potensielt avdekke blant annet hvitvasking (Kristian, Head of Architecture and Platform, Vipps)
  • Avdekke avvik i regnskapsføring. Det som ligger i ML-komponenten i dag, det er en struktur, og den går på å avdekke avvik i all regnskapsføring i lønnssystemet. Og det betyr alle typer regnskapsposteringer, både det som er den direkte regnskapsposteringa av transaksjoner i lønn, men også all avgiftsberegning og pensjonsberegning og hele den delen der. Vi oppbevarer mye historikk til den må slettes pga loven. Det er veldig mye data, og etter hvert ser vi også nå når vi har begynt å kjøre ML-komponenten at det er mye feil i grunnlaget. Feilene kan være en bug i systemet, eller at noen har vært inne og tukla i databasen, eller en konsulent som har retta opp noe uten å ha retta opp grunnlaget for at det ble sånn. Så vi oppdager mye feil. Når vi gjør dette er det også mulig å oppdage hvis noen tukler med regnskapsbilag bevisst. I første omgang er det kun regnskapsavvik vi ser på. Og så tenker vi at det også vil være et behov rundt selve utbetalingen. Altså avviksbehandling av bank-delen. For den er jo kanskje enda tettere opp til det å kunne drive med bedrag. Regnskapspostering og transaksjonsbehandling er hovedmengden av data som vi gjør i forhold til en lønnskjøring. Så hvis vi får på plass det med bank så har vi en komplett modul for den delen som går på å finne bevisst feil. (Arne, Director Development Norway, Aditro)
  • Avdekke avvik i lønnsutbetaling. Og det svenske lønnssystemet, som heter Aditro pay i Sverige, de har dratt det litt lenger. Hvis du går inn på en person i systemet og ser på lønnsslippen, så kan du få en markering på en lønnstransaksjonslinje hvis maskinlæringskomponenten har funnet at her må du sjekke om dette stemmer. Så de har dratt ML helt inn på lønnsslippen, altså den visuelle lønnsslippen. (Arne, Director Development Norway, Aditro)
Uforutsigbarhet og prediksjon
  • Havbruk. Oppdrett det er litt som landbruk at du setter noe i jorda og så lar du det vokse og så henter du det opp igjen, sant. Det er en form for landbruk, altså sjøbruk eller havbruk som det heter, så det er en prosess som er relativt sånn, slow moving, da, i dataverden. Det er lite bevegelig data som blir registrert, i alle fall. Men det er klart at det er veldig mye mer datatilfangst i anlegget, og vi kunne jo tenke oss at det var mye mer sensorteknologi på anlegget som vi fikk tilgang til som kunne si noe om sannsynlighet for rømming. Men det er litt sånn naturen, vi er nært på naturen så det er klart at du kan ha veldig masse fine sensorer, men hvis det plutselig kommer et uvær så er det ikke noe du kan forutse i en datamodell så lett kanskje, vet ikke (Bjørn, CIO, Fiskeridirektoratet)

Hvor modne er dere?

Vi har laget en spørreundersøkelse som kan måle modenheten i deres organisasjon. Du kan gjennomføre det anonymt og se sammenslåingen av resultatene til alle som har besvart.

04. Data-raffineriet

Skal man lykkes med datadrevet innovasjon, må man ha på plass nødvendig infrastruktur for å kunne dra nytte av de dataene man har eller kan få tilgang på.