Brug af big data kræver et spring fra revision til videnskab

De mindre danske virksomheder har slet ikke nok fokus på big data og de muligheder, der ligger i avancerede analyseværktøjer. Men det kræver mod at gå ud på nettet og hente data, forklarer en ekspert.

Danske virksomheder opsamler konstant data i enorme mængder. Alt fra sensordata om vindmøller til nuværende og potentielle kunders gøren og laden på internettet registreres, og de mange data kan bruges til at forbedre produkter, forudsige fejl og få flere kunder i butikken.

Fænomenet hedder big data, og alle de informationer, der kan hentes ud af de mange data ved hjælp af analyseværktøjer som machine learning og deep learning, bliver i dag fremhævet som en af de vigtigste drivkræfter i verdensøkonomien.

Men danske virksomheder tøver når det gælder avancerede analyser af big data, viser en rundspørge, som DI foretog i slutningen af 2015. Og det er især de små og mellemstore virksomheder, der ikke er kommet i omdrejninger.

Kun godt 10 procent af virksomhederne med under 100 medarbejdere brugte big data i deres forretning, mens det var 40 procent for de store virksomheder.

Plads til forbedring

»Selv om vi faktisk er godt med sammenlignet med resten af verden, kan virksomheder helt sikkert blive bedre til at udnytte de muligheder, der ligger i analyser af data. Men vi har brug for flere gode cases, som viser, at data kan forbedre deres forretning,« siger Adam Lebech der er branchedirektør for DI Digital.

Men i virkeligheden er det ikke meget, der skal til, for at kaste sig ud i den fagre nye verden: adgang til en cloud computer, et datasæt og habile programmeringsevner, for eksempel Python, Java eller C++. Herefter kan Googles TensorFlow eller et andet open source-værktøj hentes på nettet, og så er man stort set i gang.

Opskriften kommer fra Lars Kai Hansen, der er professor på Institut for Matematik og Computer Science på DTU, hvor man underviser de studerende i metoderne. Og interessen for at tilegne sig dem stiger støt i disse år:

»Big data i danske virksomheder er ligesom en dinosaurus: det er en kæmpe krop, men et meget lille hoved til at analysere alle de mange data. Men teknikkerne er klar nu, og man behøver ikke at være Vestas eller et andet stort firma for at kunne udnytte dem,« siger han.

Også Morten Middelfart mener, at små virksomheder sagtens kan kaste sig over de nye avancerede teknikker. Han har siden 1995 været dybt involveret i udviklingen af stærke analyseværktøjer, og med udgangspunkt i to ph.d.er, en MBA og en hel række patenter på området har han selv startet flere virksomheder.

Hans grundholdning er, at hvis en beslutning kan automatiseres, skal det også ske. På den måde frigøres ressourcer fra det trivielle, så menneskerne i virksomheden kan koncentrere sig om de mere komplicerede beslutninger.

En vej uden garantier

Men Morten Middelfart advarer også om, at man bevæger sig ud på en vej, hvor der ikke gives garantier. Det er nemlig ikke længere nok at basere sine analyser og beslutninger på virksomhedens egne tal:

»Man skal ud at hente eksterne tal, for eksempel på sociale medier. Så i stedet for at være en revisor, der kigger på tal, man selv skaber, skal man være en videnskabsmand og bevæge sig ud i det ukendte. Det betyder samtidig, at man bevæger sig længere og længere væk fra sine økonomisystemer, og dermed bliver datasættene mere urene,« siger han.

Men det kan betale sig, forsikrer han. Hvis et website kun sælger til 10 procent af dem, som besøger siden, kunne det for eksempel være interessant at undersøge, hvorfor de resterende 90 procent ikke køber noget. Skal virksomheden satse på at fordoble trafikken på siden for at få mere salg, eller skal produkterne målrettes bedre til de eksisterende kunder? Den viden kan ikke hentes internt i virksomheden.

Rent praktisk ville Morten Middelfart dog ikke starte med avancerede neurale netværk og deep learning. Mindre kan også gøre det:

»Jeg ville nok starte med nogle prototyper opbygget af statistiske værktøjer, for at se, om der var et mønster i mine data, som jeg kunne reagere på. Herefter kunne jeg sagtens forestille mig at bruge målrettede algoritmer og neurale netværk til at automatisere processerne,« siger Morten Middelfart, der bl.a. har rådgivet den dansk-tyske virksomhed Easi’r, som sælger salgssystemer til bilforhandlere.

Læs også: Fuzzylogik fortæller bilforhandleren, når du er købeklar

Kommentarer (3)

Har man ikke habile programmeringsevner kommer man nu langt med SAS. Det koster lidt, men er hurtigt tjent ind.

Jeg synes også det vigtigste budskab til de dsnake virksomheder er at de sidste år er indgangshøjden til at komme igang med at bruge Macine Learning blevet utrolig lav.


Min far maskinmester på et stor bryggeri der engang lå i Valby (så har jeg ikke afsløret for meget). Tilbage i firserne var en del af hans og hans kollegers opgave at aflæse forskellige målere rundt omkring på bryggeriet. På et tidspunkt blev det fornuftigt nok besluttet at det kunne klares fra en terminal, hvor der endda kunne sættes triggeralarmer på. Hverken min far eller hans kolleger havde nogen IT-kundskaber, så de skulle jo have noget oplæring. Efter kurset kom min far stolt hjem med det fysiske resultat af det: Et board som han havde bygget, som via en microchip og nogle indstillelige modstande kunne variere styrken og hastigheden af nogle blinkende pærer.

Da hele projektet var gennemført viste det sig - selvfølgelig - at de hverken skulle vide noget om printplader eller programmering for den sags skyld. De skulle kunne aflæse terminalen, lave tests, afstille alarmer og en sjælden gang ud og dobbeltchecke om de digitale aflæsninger stemte overens med de analoge. Automatikken og programmellet blev købt som en samlet pakke udefra.

Der blev altså skudt langt over målet med hvad de skulle kunne, men sådan var det jo dengang da man famlede lidt i blinde med "nu skal vi have det over på IT"-bølgen.


Det er selvfølgelig godt f.eks. at kunne programmere i Python hvis man skal vil være meget seriøs omkring Machine Learning, men den opfattelse kan også komme til at stå som en hindring for adaptionen i de mindre virksomheder og indgangshøjden for at komme igang er i dag utrolig lav. Selvfølgelig vil man få endnu større effekt hvis man kan skræddersy sin ML integration 100%, men det kræver langt mindre at komme igang og for mindre virksomheder har cost/benefit-kurven nok en temmelig hurtigt aftagende stigning.

Tænk på det som brugen af Excel: Du har alt fra dem, der blot indtaster data i forproducerede ark (de fleste) over dem, der "kan lidt med formler", dem der kan VBA, dem der kan skrive eksterne moduler til dem, der sidder og laver decideret udvidelser. Det er ikke et krav for brugen af Excel at man i firmaet har en der kan skrive udvidelser, man kan sagtens have god brug af Excel, selv om man har nogle få der ved hvordan man koder i VBA. På samme måde kommer man altså ret langt med en grundlæggende viden om statistik og brug af statistikprogrammer og nysgerrighed på emnet. Så kan man altid senere finde ud af at man får større nytte ud af noget mere skræddersyet.

  • 0
  • 0

Et sprog som Python er nu så tilgængeligt at jeg synes det er glimrende at lære. Selvom man ikke lærer det for at bruge det så får man en forståelse for hvad det er programmøren laver, hvorfor det nogle gange tager lidt tid, og hvordan man kan formulere en opgave så den bliver nemmere at løse med programmering.
Jeg tror også det har været fint for din maskinmester far at være på det der programmerings- / elektronik- / logikkursus før digitale aflæsninger blev indført. Hvis man har en ide om hvad der foregår inde i ens "black box" er det også nemmere at acceptere at man må fikse det i stedet for at tillægge elektronikken nedrige motiver. Eller påstå at guderne er imod én.

  • 0
  • 0