Arkitektur og realiteter

En av mine favorittbøker er How buildings learn, av Stewart Brand. Boken handler om hva som skjer med bygninger etter at de blir bygget (de vokser, blant annet, og endrer seg som følge av bruk, men ulike deler endrer seg ulike fort.)

Ofte er det slik at man har regler for hvordan noe skal gjøres: Parkeringsplasser, stikkontakter, mennesker per kvadratmeter, og så videre. Disse reglene fører ofte til nokså rare resultater når de treffer brukernes egentlige behov.

Her er et eksempel. På BI har vi to etasjer med parkering i garasjen. Disse parkeringsplassene er helt tydelig presset inn, så mange som mulig, på så liten plass som mulig. I USA er parkeringsplasser dimensjonert ut fra reelle biler, og slik at folk skal kunne komme seg ut og inn av bilen. I Norge tror vi tydeligvis at alle biler er små (og det var de jo for 30 år siden eller så) og at folk er så slanke at de kan komme seg ut gjennom sideruten uten problemer (for det er jo ikke plass til å åpne døren.)

Vel, biler har blitt større, særlig i bredden, tildels som et resultat av nye sikkerhetskrav. Dermed blir parkeringsplasser for trange. Og hva skjer så? Jo, folk parkerer slik at de kan komme seg ut og inn av bilen, naturlig nok. Resultater er en liten studie i hva som skjer når faktisk behov møter teoretisk design.

Her er et bilde fra garasjen på BI da jeg kom på jobb litt etter 0900 i dag:

Som synes: De som kommer tidlig, tar plassen i midten, og dermed blir det vanskelig for dem som kommer etterpå. Greit nok, og ikke så rart gitt at selv nokså normale biler (som Subaruen på det siste bildet) har dårlig plass, særlig når man ser hvordan søylene spiser 20 cm parkeringsplass på hver sin side. Spørsmålet er hva man kan gjøre med det?

Det er litt sent å gjøre noe med størrelsen på parkeringsplassene, men kanskje man kunne prøve seg med en eller annen «nudge» for å få folk til å ta plassene på sidene først, slik at man i det minste fikk inn to biler i stedet for en for hver tredje parkeringsplass? Avgift på plassene i midten hadde nok fungert, at man slo på det røde lyset som markerer en plass som opptatt hvis begge plassene på siden er tatt, eller kanskje skravering.

Eller man kan bare fortsette som før, og tro at når man har definert en parkeringsplass til en viss størrelse, så kommer folk til å bruke den som forventet. Har man så mange parkeringsplasser, så har man det, for det sier tegningene.

Personlig har jeg Summon på min Tesla, og den funksjonen kommer nå i en oppgradert versjon som parkerer bilen selv. Men det gjør det ikke noe lettere for andre å komme seg ut av sin bil uten å lage riper i min.

Gode forslag etterlyses. Og kanskje noen arkitekter burde tenke litt over forskjellen mellom kart og terreng…

.

Om leiesykler og plattformøkonomi

Nok en kommentar på digi.no, denne gang om leiesykler – spesifikt, el-sparkesykler – og plattformøkonomi.

Et nytt innslag i bybildet er elektriske sparkesykler, som man såvidt begynte å se i fjor sommer. Nå står 10 selskaper klare til å introdusere disse som app-baserte bysykler i Oslo. Jeg regner med at det går med dem som med de fleste mikrobryggeriene – opp som en løve og ned som, vel, en haug med sykler, omtrent som i Shanghai, der jeg er nå.

(Bilde fra Wikipedia)

Som vanlig har jeg lest inn teksten som en liten minipodcast, her kommer den:

Oppgaver i maskinlæring

Sammen med Chandler Johnson og Alessandra Luzzi underviser jeg nå tredje iterasjon av kurset Analytics for Strategic Management. I løpet av kurset jobber studenter med reelle prosjekter for ordentlige selskaper, og bruker ulike former for maskinlæring (stordata, analytics, AI, hva du vil kalle det) til å løse forretningsproblemer. Her er en (for det meste anonymisert, bortsett fra offentlig eide selskaper) liste med resultatene så langt:

  • Et IT-serviceselskap som leverer data og analyser, ønsker å forutsi kundenes bruk av sine elektroniske produkter, for å kunne tilby bedre produkter og skreddersy dem mer til de mest aktive kundene. Resultat: Bedre salgsprediksjoner enn den eksisterende metoden (reduserte feilmodellering med 86%) – men modellen fungerer ikke langt frem i tid. Men den vil bli implementert.
  • En bensinstasjonskjede ønsker å beregne churn hos sine forretningskunder, for å finne måter å holde dem på (eller om nødvendig, endre noen av sine tilbud). Resultat: Fant en modell som identifiserer kunder som vil forlate dem, med en treffrate på 50% vil modellen forbedre resultatet med 25m kroner, og det er rom for å øke bruken av modellen utenfor de opprinnelige segmentene.
  • En frisørkjede ønsker å forutsi hvilke kunder som vil sette opp en ny avtale når de har klippet seg, for å bygge kundelojalitet. Resultat: Fant en modell som predikerte hvilke frisører som har problemer med å bygge opp en gruppe stamkunder (med omtrent 85% nøyaktighet), har klart å få en bedre forståelse av hva som driver kundelojalitet og dermed hvordan de kan hjelpe frisører med å få flere kunder.
  • En stor finansinstitusjon ønsker å finne ansatte som ser etter informasjon om kunder (for eksempel kjendiser), for å styrke personvern og datakonfidensialitet. Resultat: Slet med å få tak i nok og riktige data, men bygget en spesifikasjon av hva slags data som er nødvendig, hva det vil koste, og hva resultatet vil være – og fant at innenfor dette området finnes det svært få modeller, noe som er en mulighet. Og man fant noen lovende startpunkter for å bygge en slik modell. Vanskelig, men viktig område.
  • En stor offentlig IT-avdeling ønsker å forutsi hvilke ansatte som sannsynligvis vil forlate selskapet, for bedre å planlegge for rekruttering og kompetansebygging. Resultat: Bygget en prediksjonsmodell og en prosess som reduserer ledetiden for å ansette en ny person fra 9 til 8 måneder (en 10m innsparing) og dermed reduserer behovet for å utsette prosjekter på grunn av kapasitetsmangel, samt forbedre planleggingen av fremtidige kompetansebehov og øke sjansen for å beholde viktige ansatte.
  • OSL Gardermoen vil finne ut hvilke flypassasjerer som vil ønske å bruke taxfree-butikken etter at de har landet, for å øke salget (og ikke bry dem som ikke vil kjøpe taxfree). Resultat: Fant at noen variable man trodde ville øke taxfree-andelen ikke gjorde det, lærte mye om hva som gjør forskjell – og at modellen, hvis man klarer å bygge den, vil være mye verdt (en økning i taxfree-bruk på under en prosent vil øke Avinors inntekter med mer enn 100m). Samt at eksperimentering, ikke store prosjekter, er veien å gå videre.
  • En mindre bank ønsker å finne ut hvilke av sine yngre kunder som snart trenger et boliglån, for å øke sin markedsandel. Resultat: Bygget en modell som øker sannsynligheten for å identifisere førstegangs boliglånskunder, til en merverdi av 6,9 millioner kroner – samt at bruken av denne modellen introduserer datadrevne beslutninger for organisasjonen.
  • Et internasjonalt TV-selskap vil finne ut hvilke kunder som sannsynligvis vil si opp abonnementet sitt innen en bestemt tidsramme, for å bedre skreddersy sitt tilbud og markedsføring. Resultat: Bygget en modell med en kortsiktig beregnet merverdi på 500000 kroner per år, som treffer seks ganger bedre enn tilfeldige utvalg. I løpet av arbeidet har man funnet en rekke aktiviteter som kan øke kundelojaliteten uten store kostnader – og funnet inspirasjon for mer bruk av maskinlæring.
  • En leverandør av administrerte datasentre ønsker å forutsi sine kunders energibehov, for å kunne skrive og oppfylle konktrakter om sertifisert grønne datasentertjenester. Resultat: Bygget en modell basert på historiske sensordata for eksisterende kunder, for å forutsi forbruk for en ny kunde, og deretter en modell som inkluderer den nye kunden for å overvåke resultatet og forbedre modellen for alle kundene. En korrekt modell (som implementert) vil forbedre månedlig inntekt med 47% for en ny klient og redusere sjansen for kontraktsterminering.
  • Ruter (paraplyfirmaet for offentlig transport for Oslo-området) ønsker å bygge en modell for å bedre forutsi trengsel på busser, for å, vel, unngå trengsel. Resultat: Bygget en modell og et forslag til en tjeneste for å kunne fortelle Ruters kunder om det (sannsynligvis) er ledige seter på bussen eller ikke, går nå til testing.
  • Barnevernet ønsker å bygge en modell for å bedre forutsi hvilke familier som mest sannsynlig vil bli godkjent som fosterforeldre, for å kunne prioritere saksbehandling og redusere ventelister. Resultat: Tross mye manglende data klarte man å finne gode indikatorer på godkjente fosterforeldre og har lagt en plan for videreutvikling av modellen etterhvert som man får bedre data. Området er lovende, siden behovet for fosterforeldre er stort og selv en liten forbedring vil hjelpe.
  • Et strømproduksjonsselskap vil bygge en modell for å bedre forutsi strømforbruket i deres marked for å kunne planlegge produksjonsprosessen bedre. Resultat: Testet mange modeller og har funnet at å forutsi spot-priser er vanskelig, men har klart å finne indikatorer på økt volatilitet, noe som gjør at man kan produsere noe mer presist. Kortsiktig effekt av en liten modell er 100-200 tusen euro per år for hver produksjonsenhet, et tall som forventes å øke siden volatiliteten i markedet vil øke fremover.

Alt i alt er vi svært fornøyd – vi har klart å øke verdien, samlet sett, for disse selskapene adskillig mer enn kurset koster (I hvert fall 10-gangen, konservativt anslått). Flere av deltakerne har fått nye stillinger og flere av dem har bestemt seg for at data science er en retning de skal fortsette å utvikle seg i, og ønsket seg flere slike «tekniske» kurs. Og gitt at vi også har produsert en masse kunnskap og generelt økt deltakernes evne til å bygge bro mellom analytikere og forretningsfolk, tror jeg vi kan erklære dette prosjektet for en suksess…

Og her er (de fleste) av denne gjengen:

Oppgaver i strategisk forretningsutvikling og innovasjon

Vanligvis skriver jeg en bloggpost en gang i året (2016/17, 2015/16, 2014/15, 2013/14, 2012/13, 2011/12) om hvilke oppgaver studentene gjør i Ragnvald Sannes’ og mitt kurs Strategisk forretningsutvikling og innovasjon. I fjor ser det ut til at jeg glemte å gjøre det, og nå nærmer vi oss slutten på årets oppgaver, så her kommer en liste med et utvalg oppgaver fra i fjor og i år. Som vanlig må jeg være litt diskret i beskrivelsene, siden mye av dette er konfidensielt av konkurransehensyn:

  • et inkassoselskap ønsker å bruke automatisering til å effektivisere sine rutinesaker
  • en stor finansinstitusjon ønsker å utvikle en belønningsordning for innovasjon internt i organisasjonen
  • en stor produsent innenfor næringsmiddelindustrien ønsker å utvikle en digitalt produktstrategi for en del av sortimentet som skal markedsføres internasjonalt
  • en konkurrent av BI ønsker å utvikle en strategi for digitalisert undervisningsleveranse
  • et forsikringsselskap ønsker å utvikle bruk av sensorer for å redusere vannskader
  • en studentorganisasjon ønsker å lage en bedre måte å matche studenter inn i bofellesskap
  • en forsikringsmegler ønsker å utvikle en digital plattform for forsikringsmegling
  • en regionsavis ønsker å utvikle en digital strategi
  • et interiørmagasin ønsker å utvikle en digital strategi
  • et stort transportselskap ønsker å utvikle en digitalt basert prisstrategi
  • et oppstartsselskap ønsker å utrede alternative drivstofftyper
  • et oppstartsselskap ønsker å utrede et tilbud med digitale nøkler for adgang til bygninger
  • en finansinstitusjon ønsker å lage fremtidens forsikringsprodukt
  • et stort boligselskap ønsker å lage et softwareprodukt for borettslagsstyrer og andre tillitsvalgte
  • et helseforetak ønsker å bruke digital teknologi til å øke kvaliteten på portørtjenestene
  • et forlag ønsker å bygge et digitalt fellesskap rundt sine utgivelser
  • et teknologiselskap ser på fjernstyrt digital teknologi for minerydding
  • en bilverkstedkjede ønsker å utvikle et utvidet og bedre kundekonsept
  • en studentorganisasjon ønsker å utvikle et tilbud for videobaserte legekonsultasjoner
  • et forsikringsselskap ønsker å utvikle en smidig skaleringsstrategi
  • en leverandør av treningsutstyr ønsker å utvikle en digital fellesskapsplattform
  • en leverandør av studentboliger ønsker å utvikle en innovasjonsstrategi

Denne listen gir jo forklaringen på hvorfor jeg synes det er så morsomt å undervise dette kurset – motiverte studenter med spennende prosjekter gjør at jeg lærer av dem, og det er jo det man er ute etter…

Og med det: Her er gjengen:

Om å utvikle en forretning

Jeg har etterhvert lært meg at det ikke finnes kjedelige bransjer – man finner alltid noe interessant i selv det som ser nokså dagligdags ut. Og det er det en fordel at studenter lærer også.

Andrew Camarata er en ung mann som driver for seg selv med gravemaskiner, bulldozere, stein- og jordarbeid og så videre. Han bor og driver sin forretning i Hudson Valley litt sør for Albany, New York og om vinteren driver han, blant mye annet, med snømåking.

I denne videoen forteller han alt man trenger å vite om hvordan man skal måke snø kommersielt i USA og tjene penger på det.

Det interessant med denne videoen (og en hel del andre videoer han har laget, han har en stor følgeskare på Youtube) er at hvis man skal forstå hvordan man skal gjøre noe som en forretning, så demonstrerer han her hvordan man må tenke om ressurser (utstyr og kunnskaper), kunder (noen er lette, andre vanskelige), administrasjon og budsjettering, og risikoreduksjon (legg de mest kompliserte jobbene med størst risiko for å ødelegge utstyr sist i jobbkøen, for å redusere konsekvensene av at ting går i stykker.)

For en business-student er ikke dette noen dårlig introduksjon til forretningslivet, og Camarata er så absolutt en kompetent forretningsmann. Jeg ser faktisk ingenting her som ikke er anvendbart i en hvilket som helst bransje. (At han i tillegg er suveren på videoredigering og -filming, skader helst sikkert ikke forretningen.)

Når det i tillegg er glimrende pedagogisk pakket inn, er det jo bare å glede seg.

Nerder og produktivitet

Jeg er opptatt av datautstyr og å ha riktige verktøy (om jeg faktisk får gjort så mye er opp til andre å vurdere). Og det er mye å lære fra folk som har peiling.

Men det spørs om dette blogginnlegget fra en av mine helter, Stephen Wolfram, ikke er bortimot verdensrekord i produktiv bruk av teknologi. Alt er gjennomtenkt fra ende til annen.

Stephen Wolfram på hjemmekontoret.

Jaja. Han er et geni. Og jeg har i alle fall flere og større skjermer enn han har. Foreløpig.

En enkel introduksjon til kryptering og e-tjenesten

E-tjenesten vil gjerne ha en bakdør til kryptert innhold her til lands – et forslag som har blitt slaktet på ytringsfrihets- og rettssikkerhetsgrunnlag, blant annet. Jeg synes forslaget er minst like dårlig, men av rent tekniske grunner. Men skal man ha en mening om hvorfor forslaget er dårlig, må man ha en grunnleggende forståelse for hvordan kryptering virker.

Dette kan du lese om i min kommentar hos Digi.no. Teksten kommer til å dukke opp her etterhvert. I mellomtiden har du lydfilen her:

Hvordan kryptering virker – og hvorfor det ikke skal finnes bakdører

Takk til Odd Erik Gundersen og Lena Andersen for gjennomlesning og gode kommentarer!