MACHINE LEARNING

Få mere ud af din data med machine learning

Øg effektiviteten med intelligente systemer

Med machine learning er det muligt at automatisere tidskrævende og repetitive opgaver og forudsige forbrugeradfærd. Det giver mange muligheder for at forbedre forretningen, og implementering af machine learning-løsninger kan eksempelvis være med til at optimere arbejdsgange, mindske fejl eller forbedre brugeroplevelser.

Den simple forklaring er, at machine learning handler om at anvende og udnytte data på en intelligent måde. De fleste virksomheder har store mængder af data – udfordringen ligger i, hvordan de bedst udnytter de uendelige muligheder, det giver dem. Hos IIH Nordic har vi med succes hjulpet en række større virksomheder med at anvende machine learning-teknikker til på effektiv vis at reducere omkostninger. Vi har derfor stor erfaring i at se mulighederne og få udnyttet dem på bedste vis.Vores eksperter står klar til at hjælpe jer videre.

Henrik Stenmann

CEO

henrik@iihnordic.com
70 20 29 19

Hvad er machine learning?

Machine learning handler helt kort om at skabe computersystemer, der er i stand til at lære. Ved at indsamle data og analysere på det, kan et system eksempelvis lære, at visse input fører til bestemte output. Dermed bliver systemet i stand til at lave forudsigelser eller komme med anbefalinger, der med størst sandsynlighed fører til det ønskede resultat.

Med machine learning kan man skabe intelligente systemer, der kan løse komplekse opgaver uden manuelt at skulle programmere hver enkelt mulige handling. Vil du læse mere om, hvad machine learning er, og hvordan det kan bruges, så tjek vores blogindlæg om kunstig intelligens og machine learning. Du kan også kontakte os for en uforpligtende snak om, hvordan vi kan hjælpe jer med at komme i gang med at bruge machine learning.

Uendelige anvendelsesmuligheder

Den største barriere for virksomheders anvendelse af machine learning er typisk hverken mangel på data eller på anvendelsesmuligheder. Tværtimod er mulighederne så overvældende, at det kan være en udfordring at bedømme, hvad der giver mest værdi, og hvordan netop ens egen virksomhed kan få mest ud af sin data.

Digital forståelse og anvendelse af data er helt grundlæggende for vores arbejde i IIH Nordic, og derfor har vi også den erfaring, det kræver at udvikle og implementere machine learning-løsninger, der giver mening. Vi har gennem årene hjulpet flere større virksomheder med at gennemføre ambitiøse teknologiske projekter, der har gjort det muligt at skabe øget værdi. Vi har blandt andet:

  • Automatisere opgaver

    Fx prioritering af henvendelser i kundeservice eller identifikation af uregelmæssigheder i komplekse datasæt.

  • Forstå sammenhænge

    Fx hvordan specifikke produkt-features påvirker salg, eller hvordan antallet af kunder i butikken varierer i løbet af dagen.

  • Forudsigelse forbrugeradfærd

    Fx hvilket link en bruger klikker på, eller hvilke produkter en kunde er interesseret i.

Eksempel: Intelligent Prefetching

Hos IIH Nordic har vi udviklet værktøjet Intelligent Prefetching, som gør det muligt at øge den oplevede load speed på hjemmesider. Værktøjet fungerer ved at forudsige, hvor brugeren vil klikke næste gang og på forhånd lade browseren loade den side, så den kan vises med det samme, når brugeren klikker på linket. Til at bestemme, hvilken side der skal loades, bruges en machine learning-model, der anvender data om brugerens session til at forudsige, hvilket link vedkommende højst sandsynligt vil klikke på som det næste.

Ved løbende at analysere på resultaterne kan vores engine lære at bruge den tilgængelige data bedre og blive mere og mere nøjagtig i sine forudsigelser. Således bliver den over tid mere intelligent. Brugen af Intelligent Prefetching kan derfor forøge jeres brugervenlighed, da brugeren oplever et lynhurtigt website, der svarer prompte.

Skal vi også hjælpe jer med at forbedre jeres brugeroplevelse? Læs mere om Intelligent Prefetching herunder eller kontakt os for at høre mere.

Læs mere om Intelligent Prefetching

Case: Optimering af ressourcer hos Falck

Falck arbejder sammen med os på at implementere machine learning-løsninger, der kan anvende data til at forudsige behovet for vejhjælp. Igennem projektet har vi arbejdet med at forbinde en række datakilder, der giver Falck mulighed for bedre planlægning og dermed optimeret udnyttelse af ressourcer.

  • En mere præcis forudsigelse af det overordnede behov for vejhjælp vil give Falck mulighed for at bedre matche mængden af personale på forskellige tidspunkter med behovet for vejhjælp. Dermed optimeres vagtplanlægning, spildtid minimeres og det kan i sidste ende ses på bundlinjen.

  • Vores machine learning-model har gjort det muligt at forudsige hvor og hvornår, der er behov for forskellige typer vejhjælp, hvilket kan assistere Falck i bedre planlægning af kørsel og ruter. Dermed kan køretiden optimeres ved eksempelvis at lade en vogn blive i et område, hvor der sandsynligvis bliver brug for den igen, i stedet for at sende den tilbage til stationen. Det giver bedre responstid til glæde for kunder, der vil opleve mindre ventetid. Samtidig spares ressourcer, da overflødig kørsel minimeres.

Case: Prediction af commodity market

En anonym kunde har bedt os om at bruge data til at optimere deres procurement spend.  Vi har gennem en sprint formået at binde 6  interne og eksterne datakilder og mere end 50 datapunkter og applicere machine learning-teknologi. Vi har dermed gjort det muligt for kunden at forudsige markedsudviklingen og derigennem optimere indkøbsomkostninger.

  • Ved at bruge cloudbaseret teknologi og sammenkodning af interne datakilder og tredjepartsdata har det været muligt for os at skabe et så godt datagrundlag, at vi har appliceret vores proprietær machine learning teknologi, hvilket gør det muligt at forudsige markedsudviklingen live og komme med anbefalinger til optimering af prissætning.

  • Vi har udviklet vores helt egen tech stack, hvor vi bruger mellem 10-20 forskellige Cloud Based applikationer for at ensrette og bearbejde data gennem forskellige teknologier (her iblandt machine learning) for dernæst at aktivere data eller visualisere dem i dashboards. Det gør, at vi i dette tilfælde kunne skabe en klar anbefaling til indkøbere, som de kunne bruge som vejledning i deres interaktion med leverandører.

  • Med brug af data og machine learning-teknologi til at forudsige markedsudviklingen og anbefale, hvad og hvornår der skal handles, har det været muligt at levere en tocifret % optimering af procurement spend på under 1 år. I dette tilfælde gav det en øget bundlinje på +100DKKm.