Konstruksjon om konstruksjoner

Rimini Protokoll: Society under construction. Nationaltheatret.

Medvirkende: Sonja-Verena Breidenbach, Dieter Läpple, Fang-Yun Lo, Alfredo Di Mauro, Jürgen Mintgens, Marius Ciprian Popescu, Viviane Pavillon og Reiner Pospischil.

Hvorfor går store byggeprosjekter så ofte galt? Vi er vant til at det blir forsinkelser, feil, budsjettoverskridelser, og ikke minst at prosjektet viser seg å bli noe helt annet enn forespeilet.

Society under construction er et «dokumentarisk vandreteater» der du som publikum både er tilskuer, deltaker og tildels kullisse. Publikum deles inn i åtte grupper, og vandrer fra stasjon til stasjon i en innstallasjon som gjør at du får se det meste av Nationaltheatret, inkludert lysloft og bakscene.

Min gruppe startet som investorer, deretter som korrupsjonsjegere, så som bygningsarbeidere, og så videre. Skuespillerne er ikke skuespillere (for det meste) men seg selv – en advokat med spesialitet byggesaker, en ingeniør involvert i Berlins skandaleflyplass, en rumensk bygningsarbeider, og så videre- og forteller om egne erfaringer. Ved hjelp av høretelefoner isoleres lyden, samtidig som hva som skjer i en gruppe danner illustrasjon for en annen gruppe – et pengedryss som illustrerer korrupsjon drysser inn i rommet der investorene sitter for å illustrere penger som skal investeres.

Scenografien er intrikat og krevet at alle holder tidsskjemaene perfekt – og stort sett fungerer dette. Man blir imponert over hvor koordinert og integrert alt er. Jeg likte at man ikke hang seg på lette løsninger, som å legge skylden bare på korrupsjon eller grådige investorer. Dette er en kunnskapsrik og problematisere de produksjon, som også bruker norske eksempler, selv det er noen spesifikke (Ceaucescus palass, Berlins flyplass, Kinas OL-idrettsanlegg.) Et par av innslagene – særlig professoren som snakker om smarte byer – blir litt misjonerende og langtekkelige. Men forestillingen fungerer, gir et komplisert og etter mitt skjønn riktig bilde av store prosjekter og hvordan de kan få problemer – og en bonus er jo at man får sett deler av Nationaltheatret man vanligvis ikke får se. Dette er rett og slett et svært smart prosjekt, med mange deler som skal passe sammen, og sånn sett er det en konstruksjon om konstruksjon.

Og slett ikke det verste stedet å tilbringe en lørdagskveld.

De blå hjelmene er kinesiske migrantarbeidere, de gule vanlige bygningsarbeidere, sandhaugen danner grunnlag for flere illustrasjoner.
Inntrykk fra salen – der ingen sitter.
Arktitekter, ingeniører og offentlige administratorer gjør seg klar til strid med entreprenører.
Inntrykk fra lysloftet, der man fremstiller hvordan korrupsjon fungerer.

Om å digitalisere skipsmaling

Malingprodusenten Jotun er stille og rolig i ferd med å revolusjonere markedet for skipsmaling – og det har jeg skrevet litt om på Digi.no. (Også gjengitt i BI Business Review.)

Altfor mange bedrifter, særlig i Norge, ser informasjonsteknologi som noe som reduserer kostnader. Malingprodusenten Jotun går fra å konkurrere på pris til å levere en kostbar og verdifull tjeneste – Jotun Hull Performance Solutions – ved hjelp av teknologi og data.

(Lyst til å diskutere digitalisering med Ragnvald Sannes, Berit Svendsen og meg? Bli med til Frankrike i oktober!)

Som vanlig med lydfil:

Om fortid og fremtid og AirBnB

AirBnB blir nå delvis forbudt i Norge – og mine erfaringer med AirBnB og tanker om forbudet finner du på Digi.no.

Vi nordmenn har lang tradisjon for å forby ting vi ikke helt forstår. Forbudet mot AirBnB over 90 dager føyer seg inn i rekken. Årsaken er at innovasjoner har få talsmenn og det tradisjonelle er organisert, vokalt og, vel, tradisjonelt. Vi lar med andre ord fortiden regulere fremtiden – og det må vi slutte med.

Som vanlig med lydfil.

FINNovasjon

I dag hadde jeg med meg mine unge og smarte DigØk-studenter på besøk hos FINN.no, et av nokså få selskaper i Norge som er a) heldigitale og b) har en eksplisitt og datadrevet innovasjonsstrategi. Jens Hauglum hadde lagt opp et spennende program som inkluderte perspektiver fra organisasjonssiden (Kristin Sætevik), eiersiden (Schibsteds konsernstrategi ved Sven Thaulow) og ledersiden (Ruben Søgaard) i bedriften.

FINN.no har, som synes, eget SnapChat-filter! (Foto: Lene Pettersen)

Det ble et meget vellykket besøk, med høyt engasjement fra studentenes side (de var vel forberedt, vi hadde diskutert Schibsteds utvikling frem til 2007 i en tidligere forelesning basert på et case fra HBS). I tillegg til foredrag og diskusjoner fikk de prøve seg på en aldri så liten idegenerering selv, i et forsøk på bedre å forstå FINN.nos innovasjonsprosess, kalt «ledersnurren«.

FINN.no og Schibsted er forbausende lite kjent i norsk næringslivspresse, noe som er litt rart, gitt at selskapet (inkludert Adevinta, verdsatt til 33 milliarder, en av Oslos største børsintroduksjoner) har omsetning for 20 milliarder totalt med EBITDA på 40-tallet innenfor markedsplassene. Men norsk business-presse er stort sett opptatt av oljeprisen

I alle fall – takk til FINN.no for et supert opplegg – og det skulle ikke forundret meg om ikke en hel del av studentene kunne tenke seg en karriere i FINN.no.

Jens og ledersnurren

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:

DN og norske gründere

Jeg har latt meg overtale til å bli med i juryen for å kåre Norges fremste gründere. Kriteriene for kåringen er med hensikt ikke spesifikke (den årlige gasellekåringen har en tendens til at det blir firmaer som går opp og ned med konjunkturene – som stillasutleiebedrifter – som dominerer. Her er vi ute etter bedrifter som er interessante og som har en fremtid og noen resultater å vise til, ikke bare en ide. Det blir også to kategorier – oppstartbedrifter og bedrifter som er i den fasen Norge kanskje sliter mest med (vi mangler ikke gode ideer), nemlig vekstfasen.

Nå er det slik at for å bli med her, må bedriften meldes på – av selskapets ledelse eller styre, eller etter avtale med dem. Innmelding så fort som mulig og senest 1. mars. Skjema finner du her, og, vel, det er bare å sette i gang!

Antibygdedyrsteknologi

Jeg er stor fan av videokonferanse i alle former, og har brukt det regelmessig og i mange sammenhenger i hvert fall siden 1994. Som regel bruker man videokonferanse fordi man ikke kan eller ikke vil reise, og betaler for bortfall av reisetid med dårligere møtekvalitet. Det er bedre å snakke med noen ansikt til ansikt enn over en videolink, selv om teknologien stadig blir enklere og bedre, og man selv kan gjøre mye med for eksempel gode mikrofoner og skikkelig lyssetting.

Men er videokonferanse i noen sammenhenger bedre enn vanlige møter?

For noen år siden holdt jeg et kurs på BI for en ledergruppe fra NAV. En av de tingene de snakket om, var at de hadde en suboptimal kontorstruktur: Av en eller annen grunn er de forpliktet til å ha kontorer av en viss størrelse i alle kommuner, noe som fører (eller førte, vet ikke om det fortsatt er slik) til at de i endel kommuner har for mange ansatte for antall klienter, men i andre har de for få. Jeg foreslo videokonferanse som løsning på dette – at ansatte lokalisert i kommuner med for lite å gjøre kunne ta saker fra de kommunene som har for mye. Som offentlig ansatte gjør når man foreslår ny teknologi, kom de øyeblikkelig med motforestillinger – det er nødvendig med lokalkunnskap, våre klienter bruker ikke videokonferanse, og så videre. Mitt svar: Hvis valget er å snakke med en saksbehandler om fire uker eller å få snakke med en på videokonferanse med en gang, vil nok en hel del klienter velge det siste.

I høst traff jeg en svært smart dame som er rådmann i en liten kommune i Nord-Norge. Vi diskuterte videokonferanse som teknologi, og hun sa at for en rekke mennesker i små kommuner er faktisk videokonferanse å foretrekke av helt andre grunner. Sett at du skal til psykolog for et eller annet: I en liten kommune kan alle se at du går til psykologens kontor, og du risikerer å møte psykologen på butikken. Det skjer ikke i Oslo. Du har også et annet problem: Hvor flinke psykologer klarer egentlig en liten og avsidesliggende kommune å rekruttere?

En NAV-ansatt jeg kjenner, forteller at en hel del klienter vegrer seg for å gå på det lokale NAV-kontoret, og heller ringer NAV sentralt, fordi de vet at hvis de går på det lokale kontoret kommer lokalavisen til å ta kontakt med dem, eller det blir oppmerksomhet rundt deres problemer på en annen måte.

I slike situasjoner må jo videokonferanse og det å ha en saksbehandler eller helsearbeider et annet sted i landet være perfekt: Man kan gå til terapi eller rådgivning fra sin egen stue, uten at naboene får vite noe som helst. Og man kan forholde seg til terapeuten eller rådgiveren i trygg forvissning om at man kommer ikke til å ha noe med dette mennesket å gjøre utenom den profesjonelle relasjonen.

Så videokonferanse (og, ikke mindre vanskelig, den organisasjonsmessige omstillingen som må til i en rekke etater for å kunne håndtere saker på tvers av geografi) kan være bedre enn tradisjonell, lokal tjenesteyting, rett og slett fordi det er langt unna.

Videokonferanse mot bygdedyret. Noe å tenke på.