…til kurset Chandler, Alessandra og jeg nettopp har avholdt på BI? Ja takk!
Lars Ove Brenna har nedtegnet sine inntrykk, og, vel, jeg har ikke mye å tilføre. Takker og bukker!
En liten hyllest…
Svar
Kategoriarkiv: Analytisk
Rask teknologiutvikling innen Big Data
For noen uker siden var jeg i London for å lære meg DataRobot, et verktøy som automatiserer store deler av jobben rundt avansert dataanalyse. Det eneste DataRobot (og lignende verktøy) trenger, er masse data i et rad-og-kolonneformat (Excel, CSV, SQL, Hadoop, etc), og dermed kan man bare sette i gang: Dataene leses inn, hver kolonne tolkes og kategoriseres (dvs. som tekst, numeriske data, kategorier, boolsk, etc.). Deretter spør DataRobot hva som skal være den uavhengige variabelen (det vil si, hva det er man skal prøve å predikere), hva det er som skal være grunnlag for å vurdere hvilken modell som er best (forklart varians, logloss, etc.). Så kan man trykke Start og dermed setter DataRobot i gang og kjører alle analyser den vet om. Modellene listes opp med de som gir best resultat på toppen, og deretter er det bare å sette i gang og forbedre dem – for eksempel ved å finne mer data, kombinerer datapunkter, og så videre.
Med andre ord, masse av det man tidligere måtte ha spesialister til å gjøre, kan man nå gjøre selv.
Som min kollega Chandler Johnson sa: For fire-fem år siden måtte han programmere opp hver metode i Python. Så kom SciKit-Learn og andre programmeringsbiblioteker (XGBoost, R, TensorFlow, Wowpal Wabbit) som gjorde at man bare kunne hente inn de metodene man ville bruke. Nå kommer grafiske verktøy som DataRobot, som velger ut og tester modeller for deg – og fjerner mye av behovet for programmering i det hele tatt. Selskapet reklamerer med at man kan redusere antallet data scientists man trenger, og det er jo gode nyheter der man må lete med lys og lykte og bruke ganske mye penger for å finne folk som kan gjøre slikt.
En stor del av jobben man trenger data scientists til, er å gjøre dataene klar for analyse. De fleste bedrifter vet at de har endel data, men når man først skal bruke dem, finner man kjapt at de har masse feil, er mangelfulle, og ofte ikke har de variablene man trodde man hadde. (For en liste av mange vanlige feil, se The Quartz Guide to Bad Data.) Også her begynner det å komme gode verktøy som reduserer behovet for programmering, som for eksempel Alteryx. Som en av våre studenter fra Analytics for Strategic Management sa: «DataRobot is soooo September…!
(Og skulle du ha lyst til å lære mer om dette: Sjekk ut dette kurset, 5-7 desember.)
Kortfattet: Big Data og analytics
Data og dataanalyse blir mer og mer viktig for mange bransjer og organisasjoner. Er du interessert i dataanalyse og hva det kan gjøre med din bedrift? Velkommen til et tredagers seminar (executive short program) på BI med tittelen: Decisions from Data: Driving an Organization with Analytics. Datoene er 5-7 desember i år, og kurset har vokst ut som en kortversjon av våre executive-kurs Analytics for Strategic Management, som har blitt meget populære og er fulltegnet. (Sjekk denne listen for en smakebit av hva studentene på disse programmene holder på med.)
Seminaret er beregnet på ledere som er nysgjerrig på stordata og dataanalyse og ønsker seg en innføring, uten å måtte ta et fullt kurs om emnet. Vi kommer til å snakke om og vise ulike former for dataanalyse, diskutere de viktigste utfordringene organisasjoner har med å forholde seg både til data og til dataanalytikere – og naturligvis gi masse eksempler på hvordan man kan bruke dataanalyse til å styrke sin konkurransekraft. Det blir ikke mye teknologi, men vi skal ta og føle litt på noen verktøy også, bare for å vite litt om hva som er mulig og hva slags arbeid vi egentlig ber disse dataekspertene om å ta på seg.
Presentasjoner og diskusjon går på engelsk – siden, vel, de beste foreleserne vi har på dette (Chandler Johnson og Alessandra Luzzi) er fra henholdsvis USA og Italia, og dermed blir betydelig mer presise enn om de skulle snakke norsk. Selv henger jeg med så godt jeg kan…
Velkommen til datarevolusjonen!
Etterspørsel!
Digitalisering og analyse og teknologi i vinden om dagen. Jeg ble intervjuet at Dagens Næringsliv om dataanalyse og andre digitale kurs – og det er hyggelig å kunne melde at, joda, folk vil ha det og melder seg på som bare det. Her er situasjonen så langt:
- Møtte studentene på Informatikk: Digital Økonomi og Ledelse i går. Flink og ivrig gjeng (31 har takket ja, vi hadde opprinnelig 27 plasser) med gode spørsmål og god stemning – de kommer til å sette spor etter seg i norsk teknologiverden, det er jeg sikker på. Opptakskrav
- Ragnvald Sannes’ og mitt kurs Strategisk Forretningsutvikling og Innovasjon starter 13. september, og har vært fulltegnet siden april. Gleder meg til det, alltid masse spennende mennesker med gode ideer.
- Analytics for Strategic Management starter sin første modul 10. oktober (andre gjennomføring av kurset, her er listen over prosjekter på det første). Blir spennende å se hvordan det ser ut med påmeldinger etterhvert – så langt ser det lovende ut.
- Det korte kurset Digitalisering for vekst og innovasjon går fra 24-27 oktober i Antibes/Sophia Antipolis. Det kommer en mer detaljert bloggpost om dette etterhvert, men det er allerede nok påmeldte til at kurset kommer til å gå – og plass til flere. Denne gangen kommer kurset (det vil si, alle diskusjoner) til å arrangeres på norsk, slik at det kan bli et sted for å dele tanker og prosjekter mellom norske bedrifter. Hjertelig velkommen til et konfidensielt, praktisk og spennende forum for digitalisering!
Innimellom skal jeg ha noen andre kurs også (for M.Sc. og MBA), være vertskap for en stor utenlandsk bedrift som besøker Norge for å forstå digitalisering og nye energikilder innen transportbransjen, og holde noen foredrag. Men det er jo morsomt, da. Og for mye etterspørsel er jo et luksusproblem, ikke sant?
Big Data i praksis – analyseprosjekter
Jeg er nettopp ferdig med å undervise fire dager med stordataanalyse – skikkelig programmering og datafikling. Vi (Chandler, Alessandra og undertegnede) har klart å lure over 30 ledere og mellomleder i Norge til å delta på et programmerings- og statistikkurs (det er faktisk det stordataanalyse handler om), uten at vi er helt sikre på hvordan vi klarte det. men studentene er motiverte og arbeidsomme og har mange og smarte spørsmål. I et kurs som foreleses på engelsk. Det er nesten så man får lyst til å slutte å klage og syte over hvordan verden vanligvis ser ut.
Uansett – hva skal disse studentene med dette kurset? Vi jobber med ordentlige prosjekter, i den forstand at vi forlanger at folk kommer med et problem de vil finne ut av i sin egen jogg – helst noe som faktisk er viktig, og hvor dyp dataanalyse kan gjøre en forskjell. Det er ikke for alle gruppene at dette fungerer, men skal ikke klage: De fleste jobber med reelle problemer for reelle organisasjoner, og det er utrolig morsomt for en foreleser. Her er en liste med prosjektene, så får der bedømme selv. (Jeg identifiserer ingen studenter her, en tro meg – disse folkene har disse problemene rett opp i ansiktet, hver dag.) Jeg har i alle fall ingen problemer med å bruke tid og krefter på dette:
- Hva er riktig pris for nybygde boliger? En gruppe jobber med å finne ut hvordan man skal prissette boliger som ikke er bygget ennå, for et stort boligbyggefirma.
- Hva er egentlig skatteeffekten av delingsøkonomi? Denne gruppen (der en jobber for Skatteetaten) forsøker å finne ut hvordan man skal kjenne igjen folk som snyter på skatten som Uber-sjåfører – og samtidig komme med forslag til hvordan skattereglene kan tilpasses slik at det blir lett å være lovlydig.
- Hva kjennetegner tilbud som blir akseptert? Et større konsulentfirma ønsker å bruke data fra sitt CRM-system (som dokumenterer tilbudsprosessen) til å forstå hva slag oppdrag de kommer til å vinne, eller tape?
- Hvordan gjenkjenne hvitvaskingstransaksjoner? En bank ønsker å finne ut om noen av deres kunder bedriver hvitvasking av penger gjennom nettbaserte spillselskaper.
- Hvordan gi kunder fordel av automatisert analyse? Et selskap som leverer aksjetradingterminaler ønsker å bruke dataanalyse for å skape et konkurransefortrinn.
- Hvordan segmentere norske aksjeeiere? Et selskap som tilbyr netthandel av aksjer ønsker å identifisere segmenter av sine kunder for å spisse og forbedre sin markedsstrategi?
- Hvordan senke kostnader og redusere risiko for produksjonsstopp i en prosessbedrift? Et kraftselskap ønsker å bedre forstå når og hvorfor kraftstasjonene deres trenger reparasjoner eller vedlikehold?
- Hvordan identifisere kunder som er i ferd med å si opp? Et TV-selskap ønsker å forstå hva som kjennetegner «churn» – om noen av deres kunder er i ferd med å forlate dem eller ikke?
- Hvorfor er noen viner mer populære enn andre? En gruppe skal jobbe med søkedata fra et vin-nettsted for å finne ut hva som gjør at noen viner blir mer etterspurt enn andre.
- Hvilke kunder vil kjøpe et nytt produkt? En gruppe jobber med data fra en stor bank som ønsker å tilby sine eksisterende kunder flere tjenester.
- Hvordan øke gjenvinningsgraden for søppel i Oslo? REN ønsker å finne ut av om man kan organisere ruter og rutiner annerledes for bedre å utnytte søppelbiler og gjenvinningsanlegg.
- Hvordan unngå at man blir utsolgt for kampanjevarer? En av Norges største dagligvarekjeder ønsker å forbedre sine bestillingsrutiner slik at kundene slipper å komme til butikken og finne ut at det ikke er mer igjen av den tilbudsvaren de ville ha.
- Hvordan modellere svindelrisiko i maritim forsikring? Et forsikringsselskap ønsker å bygge en modell for å forstå hvordan man kan finne kunder som forsøker å svindle selskap eller myndigheter.
- Hvilke kunder er i ferd med å forlate oss? Et stort transportfirma ønsker å finne ut hvilke kunder som er i ferd med å gå til en konkurrent, slik at de kan ta affære før det skjer.
- Hva kjennetegner studenter som dropper ut? BI tar inn 3500 nye studenter hvert år, men en del av dem slutter etter det første året. Hvordan kan vi finne tegn på at en student er i ferd med å droppe ut?
Felles for alle prosjektene – og slik er det med alle oppgaver jeg har veiledet siden jeg begynte i denne bransjen – er at man starter med et stort spørsmål og reduserer det ned til noe som faktisk kan besvares. Deretter ser man etter data og finner ut at man må redusere det enda mer. Så får man problemer med at dataene enten ikke finnes likevel, er upålitelige eller mangelfulle – og man må finne ut av hva man skal gjøre med det. Til slutt, etter at omtrent 90% av tids- og pengebudsjettet er borte, kan man begynne å tenke analyse. Da kan man risikere at man ikke finner noe.
Og det er litt av lærdommen i dette kurset – at man skal kunne nok om faktisk dataanalyse til å stille de rette spørsmålene og ha en realistisk forventning til hva man faktisk kan få svar på.
Det er stor etterspørsel etter dette kurset – så vi har satt opp et nytt kurs som starter til høsten. Vel møtt!
Mac vs. PC. Igjen.
Jeg underviser nå i et kurs i dataanalyse – Analytics for Strategic Management. Kurset er nytt og innebærer masse arbeid. Blant annet skal vi bruke MySQL og Python og kanskje også R, og jeg er nokså rusten som programmerer, for å si det forsiktig (må tilbake til 80-tallet og litt på 90-tallet da jeg programmerte litt, på helt andre plattformer enn hva man finner nå.)
I alle fall, siden studentene har både Mac og PC, har jeg måttet kvittere ut en Windows-PC som jeg bruker parallelt med mine Mac’er. Denne er en Lenovo Thinkpad X260 med dockingstasjon og to 22-toms skjermer – og det er kanskje et uttrykk for hvordan datamaskiner har utviklet seg at jeg hverken vet hva slags prosessor den har, størrelsen på harddisken (vel, slo det opp nå, 256Gb, tipper jeg), eller internhukommelsen. Den kjører Windows i en versjon før versjon 10 (fikk nettopp melding fra IT-avdelingen om oppdatering til Windows 10) Og dermed får jeg et friskt perspektiv på Mac vs. Windows og det hele. Her er noen inntrykk:
- Mac’en starter opp øyeblikkelig – og jeg blir minnet om at det var en av årsakene til at jeg gikk over til en MacBook Air. Skal du ta et kjapt notat, trenger du ikke betrakte den forbaskede Windows-logoen.
- I samme gate: Mac’en går og legger seg uten problemer. I går ettermiddag nappet jeg Windows-PCen den ut av dockingstasjonen uten å gjøre noe annet, og dermed har den ligget og kokt i vesken min over natten og hadde bare 5% batteri igjen. Det er for dårlig.
- Mac’en er dyrere, men lever lenger. Jeg har nettopp byttet batteri på min fire år gamle MacBook Air, og den holder nok minst et par år til, til og med for programmering. Usikker på prisen på Lenovo, siden jeg har fått den av IT-avdelingen, men har nettopp kjøpt en HP laptop i en annen anledning, og forskjellen i pris/ytelse er vesentlig.
- Hardwarekvaliteten på begge to, inkludert skjerm og batteritid, er upåklagelig. Macbook’en er tynnere og lettere å ta med seg, men dette er to forskjellige typer laptop’er, så der sammenligner jeg litt epler og bananer. Windows-maskinen har mer viftestøy, og det merker jeg er litt irriterende – har vent meg til iMac og MacBook og nesten absolutt stillhet.
- Tastatur: Hipp som happ, smakssak, begge er bra. Men med Windows må man fortsatt trykke AltGr-2 for å få «@», mens Mac’en har en egen tast for snabel-a, som svenskene sier. Det burde Windows også få. På den annen side kan jeg bruke mitt spesialproduserte Das Keyboard-tastatur på Windows-maskinen, noe som fører til mye høylytt klakking på kontoret.Og avveksling fra Mac-tastaturet.
- Når jeg hopper mellom vinduer med alt-Tab på Windows-PCen, behandler den flere ulike vinduer i Google Chrome (eller flere ulike dokumenter i Word) som egne vinduer. Mac’en hopper kun en gang til Crome eller Word, og så må du velge vindu i applikasjonen. Bedre på Windows. Mulig dette kan endres på Mac (noen som har tips?), jeg har ikke funnet ut hvordan.
- Lenovoen har flere og bedre porter, bl.a. en HDMI-port, som gjør den til en bedre presentasjonsmaskin. Ingen ekstra kabler er greit.
- Jeg synes touchpad’en på Mac’en fungerer bedre og mer intuitivt enn den på Lenovoen. På den annen side har Lenovoen en IBM-vorte midt i tastaturet, og den er bra. Vanesak, ganske enkelt.
I sum: Det er nesten ikke forskjell lenger, det meste er smak og behag. Dropbox og endel andre applikasjoner sørger for at innholdet er synkronisert. Jeg heller i retning av å beholde Mac’ene mine som hovedmaskiner, men hadde fint kunnet gå tilbake til Windows hvis det skulle bli nødvendig. Hvis bare den hadde startet opp litt raskere.
PS: Lyden er bedre på Mac’en.
Flykø og planlegging
Jeg sitter i styret i Råd AS, en liten bedrift i Trondheim (lager appen Smarthelp, som blir bedre og bedre – last den ned og fortell dine venner hvor du er!) Tirsdag neste uke skulle vi ha styremøte, så i morges gikk jeg på nettet for å finne en flybillett til Trondheim. Stor var min forundring da det viste seg at billigste billett – en vei – var 1999 på SAS. På Norwegian var det meste utsolgt og resten minst like dyrt.
Hva i all verden? Er det noe arrangement i Trondheim jeg ikke vet om? Lette litt rundt, fant ut at Elton John spiller i Trondheim 2. juli, Bruce Springsteen den 26. – men det burde jo ikke lage noe problem neste uke.
Så, nettopp som jeg har lagt på røret til Råd AS, ringer TV2-nyhetene og vil ha min kommentar til at SAS og Norwegian har bommet grovt i sin kapasitetsplanlegging og at det nå er omtrent umulig å komme seg mellom norske byer, særlig Oslo-Trondheim. Man har mer enn halvert antallet flyvninger, sendt for mange fly til utlandet og til charter-trafikk, for mye personell er på ferie (det var et av ankepunktene i nestenstreiken mellom pilotene og SAS for noen uker siden), det snakkes om å sette inn gamle Fokker propellfly, et gammelt Fokker 100 fly, og så videre.
Kapasitetsplanlegging for flyselskaper er vanskelig – det er store sesongsvingninger, men piloter og fly har man stort sett hele året (selv om pilot er i ferd med å bli et sesongyrke til en viss grad.) Men denne bommerten er nokså stor, og man hadde i alle fall i følge DN noe av det samme problemet i fjor, men antakelig flyr folk mer i år enn i fjor, muligens litt drevet av en svakere krone, som dreier trafikk innenlands og dessuten tiltrekker seg utlendinger.
Mer enn noe annet viser dette hvor små marginene er i luftfart. Lønnsomhet i flyselskaper handler om tre ting: Gjennomsnittlige priser pr. passasjerkilometer, gjennomsnittlige kostnader pr. setekilometer, og gjennomsnittlig fyllingsgrad av flyene (load factor). Grafen under (fra Airlines for America) viser forholdet mellom faktisk fylingsgrad og hvilken fyllingsgrad som skal til for at man tjener penger (break-even load factor). (Jeg tror akkurat disse tallene er for det amerikanske markedet, men tendensen er den samme over hele verden). Som synes har både gjennomsnittlig load factor og break-even load factor økt sterkt siden slutten av 70-tallet (da flytrafikk først ble deregulert i USA).
Et av problemene med flytrafikk er at man kan ikke fylle flyene med et gjennomsnitt på 100%, medmindre man kun har et fly og flyr frem og tilbake mellom to steder hele tiden (og dessuten tar forhåndsbetalt). Årsaken er at et flyselskap (for det meste) er et nettverk og ikke en lineær verdikjede – man tilbyr et sett med flyruter og forbindelser mellom disse, og derfor får man alltid et dilemma om man skal selge alle plassene f.eks. mellom Oslo og Trondheim, eller holde av noen plasser til passasjerer som kommer inn fra Kina (man tjener alltid mest på langdistanse) og skal videre. Legg til at fullprispassasjerer betaler for retten til å kunne la være å fly (med full refusjon) om de vil, samt at det er tildels store variasjoner i etterspørsel (f.eks. om et fotballag fra et uventet sted kommer til cupfinalen). Legg videre til at fly er svindyre og flyseter ikke kan selges etter at flyet har tatt av, og du har en skikkelig komplisert verden. For nettverksselskaper (som SAS) er maks fyllingsgrad for hele nettverket antakelig et sted under 90%, for selskaper som Ryanair (som selger enkeltturer) endel høyere (men ikke 100%).
Så jeg har forståelse for at man av og til bommer – i hvert fall hva gjelder omprioritering av fly til mer lønnsomme ruter. Hva gjelder piloters og kabinansattes interesse i å ta ferie når alle andre gjør det, så er jo det forståelig, men det blir litt som kantineansatte som insisterer på å spise lunsj i den vanlige lunsjtiden – kanskje ikke så lurt? Uansett er det selskapet som godkjenner ferier, og, vel, her har det nok skjedd noen bommerter. (Typisk nok fikk jeg i går en epost fra SAS som lokket med billige Eurobonusbilletter etter 16. august og før midten av september, dvs. etter at skoleferien er slutt men før forretningsreisene kommer i gang – da har man med andre ord overkapasitet.)
Det er heller ikke så lett å mobilisere kapasitet på kort varsel – man kan ikke ha dyre fly stående i reserve, og gamle fly koster å ta ut av møllposen (selv om det helt sikkert ikke er noe galt med dem når de først er satt i trafikk.) Så her har vi det som kalles et interessant problem. Og en mulighet til å lære noe om planlegging under kapasitetsbegrensninger. For flyselskapene – og for passasjerene.
Big Data og Bad Data
«Big data» er stort om dagen, litt vel stort muligens, og selv om det er spennende hva man kan gjøre med data, både innen forskning og journalistikk, så er det ikke bare å laste ned kjempemengder med digitale lekkasjer og sette i gang. Som Tom Davenport har påpekt en rekke ganger, er det mange problemer med dataanalyse. Her er noen jeg selv har erfart:
- Dataene er dårlige, og dermed må analytikerne bruke mesteparten av tiden sin på å rette opp feil og formater og gjøre dataene analyserbare.
- Analytikerne er få og dyre. Det er mangel på smarte analytikere og utdanningssystemet, i Norge i hvert fall, følger ikke opp. Gode analytikere er dyre. Billige analytikere… vel, du får det du betaler for. Og muligens den analysen du liker, men ikke den du burde få.
- Modeller mangler. Selv om du har data og analytikere, betyr det ikke at du har gode modeller. Det er faktisk et problem at data – spesielt tall – har en tendens til å bli altoppslukende for beslutningstakere, som sjelden setter spørsmålstegn ved hvor de kommer fra, hva de faktisk betyr, og hvordan man har konstruert de modellene som ligger bak.
Alessandra Luzzi
Dette kommer jeg til å følge opp som et nytt tema her på bloggen og som en aktivitet under BIs Senter for Digitalisering. En av aktivitetene er et nytt kurs, Analytics for Strategic Management, som jeg har ansvaret for sammen med Alessandra Luzzi og Chandler Johnson, to unge og meget smarte kolleger på Institutt for Strategi. Kurset er beregnet på ledere som ønsker å bli smarte konsumenter av analyse, og vil sette deg i stand til å forstå hva analytikerne kan og ikke kan gjøre, gi deg nok analyseerfaring til å forstå arbeidet deres og hvordan du kan få mest mulig ut av det, og eksponere deg for en rekke gode eksempler av både analyse og bedrifters bruk av den. Mer om dette siden.
I mellomtiden – skulle du stå overfor et datasett og en analyse og lure på om dette er Big Data eller Bad Data – ta en titt på The Quartz guide to bad data. Her finner du masse tips om hvordan du kjenner igjen feil og mangler, og hva du skal gjøre med dem. To av mine favoritteksempler er regneark med akkurat 65536 rader og data som er altfor presise. Tro meg, dette er ikke uvanlig!
Tversover 