2020-02-05 - Karabin frokostmøte: Maskinlæring for beslutningstakere
0 likes19 views
Karabins presentasjon fra frokostmøte 05.02.2020 om maskinlæring og decision intelligence
More Related Content
Similar to 2020-02-05 - Karabin frokostmøte: Maskinlæring for beslutningstakere (20)
2020-02-05 - Karabin frokostmøte: Maskinlæring for beslutningstakere
- 1. Maskinlæring og decision intelligence Hvordan bli en bedre leder og skape gevinster?
- 2. Robert Lohne Jobbet i Karabin siden 2008 Leder for Innovasjon og Forbedring Operativ i prosjekter Mastergrad i Administrasjon og organisasjonsvitenskap Lidenskapelig opptatt av tall, forbedring og gevinster
- 3. 60 4 6,6 60 ANSATTE Consulting og operasjonell erfaring BYER Bergen Oslo Stavanger Trondheim MILLIARDER Dokumenterte effekter for våre kunder PROSENT Kontrollert vekst Karabin. En historie om lidenskap. Og hardt arbeid. Karabin består av mer enn 50 spesialister på forbedring og er det ledende forbedringsmiljøet i Norge – målt gjennom dokumentert verdiskapning for kundene våre. Realisere effekter
- 4. 6,6 MRD DOKUMENTERTE ØKONOMISKE EFFEKTER FRA 2012 TIL 2018 73 PROSJEKTER MED ØKONOMISKE EFFEKTER STØRRE ENN 1 MNOK
- 5. Dine forventninger – hva ønsker du å få ut av seminaret?
- 6. Agenda Hvordan skape gevinster fra slike prosjekter? Hvordan bruke ML og DI for å bli en bedre leder? Kort om beslutninger, maskinlæring og decision intelligence
- 7. Agenda Hvordan skape gevinster fra slike prosjekter? Hvordan bruke ML og DI for å bli en bedre leder? Kort om beslutninger, maskinlæring og decision intelligence
- 8. Hva er egentlig en beslutning? Hovedfaser 1. Definer problemet («jeg vil ikke stå opp») 2. Innhent informasjon og data («når skal jeg være på jobb») 3. Utvikle og vurder alternativer («hvis jeg slumrer 15 min så rekker jeg det») 4. Velg det beste alternativet («stå opp..») 5. Planlegg og utfør («to minutter også står jeg opp og skur på kaffen») 6. Følg opp beslutningen («sett klokken på 0545 i morgen så jeg kan slumre..» Beslutninger er en måte å ha interaksjon med verden rundt oss Beslutninger tas ofte på mangelfullt eller i verste fall feil grunnlag Vi kjenner ofte ikke konsekvensene av beslutningene våre Hva kan vi gjøre med dette?
- 9. Maskinlæring ▪ Bruk av algoritmer og statistikk for å lære fra data uten å bli eksplisitt programmert til det ▪ Tre hovedkategorier: supervised learning, unsupervised learning og reinforcement learning Supervised learning ▪ Data er merket ▪ Modellene prøver å predikere utfallet av nye data ▪ Klassifisering (gruppetilhørighet) ▪ Regresjon (predikere numeriske verdier) Unsupervised learning ▪ Data er ikke merket eller kategorisert ▪ Målet er å finne mønstre og skape struktur i dataene for å finne mening ▪ «Clustering» - dvs. gruppering av like data ▪ «Dimensionality reduction» komprimering av data uten at mening og struktur blir borte Reinforcement learning ▪ Lærer basert på prøv og feil, samt et belønningssystem ▪ Analyserer ulike beslutningspunkter/alternativer ut fra tidligere erfaringer og velger det beste ▪ Brukes mye i videospill og selvkjørende biler
- 10. Hvordan lærer man opp en algoritme?
- 11. Hypotese => Modell => Data = > Resultat Enkel modell: Vekt er en funksjon av høyde Mer kompleks modell: Hvorvidt man overlever Titanic er en funksjon av kjønn, alder, hvor mange slektninger man har med, om man er far/mor, hva man betalte for billetten, hvor man steg på, sosial status, og hvilken klasse man reiste på
- 12. Maskinlæring Våre data (10.000 observasjoner) Treningsdata (70 %) Validerings- data (15 %) Testdata (15 %)
- 13. Decision intelligence Akademisk tilnærming til beslutninger som drar veksler på: • Psykologi • Økonomisk teori • Ledelsesteori Handler om: • Å forstå hvordan handlinger fører til utfall • Hvordan data og teknologi (AI/ML) kan automatisere og understøtte beslutninger Definerer behovet for: • Intelligence (data, informasjon, kunnskap og innsikt) og • Organisasjonens prosesseringskapabilitet Utfordringene som organisasjoner står overfor defineres som VUCA: • Volatility (Svingninger) • Uncertainty (Usikkerhet) • Complexity (Kompleksitet) • Ambiguity (Tvetydighet)
- 14. Decision intelligence UsikkerhetLav Lav Høy Tvetydighet Høy Tolkning (Trenger erfaring) Mangler innsikt (Utforsking) Tilstrekkelig innsikt (Utnytting) Trenger kunnskap (Ekspertise) Grad av bransjekonvergensLav Lav Høy Gradavbransjedynamikk Høy Tilpasning Revolusjon Evolusjon Innovasjon Innsiktsnivå Endringsnivå
- 15. Agenda Hvordan skape gevinster fra slike prosjekter? Hvordan bruke ML og DI for å bli en bedre leder? Kort om beslutninger, maskinlæring og decision intelligence
- 16. Hva er relasjonen mellom ledelse og beslutninger? Sette retning • Hva er visjonen? • Hva skal vi oppnå (mål) Fatte beslutninger • Hvordan skal vi komme dit? • Hva gjør vi når noe uforutsett skjer?
- 17. Hvordan tar vi beslutninger som ledere? Scenario: Kundesenter ▪ Et strømselskap opplever stor vekst i antall telefoner, og kundene klager over lang ventetid ▪ Du er leder for kundesenteret, og din leder har bedt deg ta tak i situasjonen ▪ Hva gjør du? Vanlig prosess: ▪ 1. Innhent data på ventetid fra DVH ▪ 2. Fatt beslutning på bakgrunn av data Decision Intelligence: ▪ 1. Tenk gjennom hva som er hensiktsmessige mål for prosessen, f.eks. hva er akseptabel ventetid ▪ 2. Innhent data på KPI-er fra DVH ▪ 3. Utarbeid en datamodell for beslutninger ▪ 4. Fatt beslutninger basert på datamodellen din ▪ 5. Følg opp for å se om du oppnår resultatene du ønsker, evt. korriger tiltaket Husk: 1. Definer problemet 2. Innhent informasjon og data 3. Utvikle og vurder alternativer 4. Velg det beste alternativet 5. Planlegg og utfør 6. Følg opp beslutningen
- 18. Kunnskap Fra fakta til handling – hvor starter vi? Steg 1 Steg 2 Steg3 Steg 4 Steg5 Steg 6 Data Informasjon Innsikt Beslutning Handling ! Fakta Struktur Kontekst Visdom Meninger Mål
- 19. Hva kan maskinlæring hjelpe med? Prediksjon ▪ Simulere effekter av tiltak ▪ Predikere vedlikeholdsbehov ▪ Predikere kundeadferd Klassifisering ▪ Segmentere markeder ▪ Strukturere data ▪ Identifisere trender og mønstre AI ▪ Avanserte analyser ▪ Læring uten programmering ▪ Automatisere beslutninger
- 20. Hvordan går jeg frem for å komme i gang?
- 21. Start prosjektet Definer behov for data • Hvilke spørsmål har jeg? • Hvilke data trenger jeg for å svare på spørsmålene? • Lag hypoteser Lag business case • Definer problemet • Mål baseline • Definer målbilde
- 22. Tren, valider og test modeller • Generer modellene • Tren modellene på treningsdata • Valider modellene på valideringsdata • Velg den/de beste modellene • Test modellen og gjør evt. justeringer Velg ut modeller • Velg ut modeller du ønsker å validere basert på hva du ønsker å oppnå, type data og problemstilling Utfør datavask og EAD • Utforsk dataene • Vask dataene • Prøv å forkaste hypoteser Samle inn data • Samle data • Sett opp automatisk datafangst
- 23. Drift Realiser gevinster • Hent ut gevinster iht. plan og business case Produksjonssett modellen • Produksjonssett modell • Overvåk modellen • Automatiser beslutninger eller få nødvendig støtte
- 24. Agenda Hvordan skape gevinster fra slike prosjekter? Hvordan bruke ML og DI for å bli en bedre leder? Kort om beslutninger, maskinlæring og decision intelligence
- 25. Mye teori som gir kunnskap men…….
- 26. En god gjennomføringsmodell sikrer gevinster Kalkulere effekterEstimere effekter TiltakogverktøyEffekter Måle effekter Realisere gevinster Sikre effekter og gevinster Gevinstanalyse/business case Gevinstrealisering Gjennomføre tiltakStrategisk forankring Løsningshypoteser/gap/BC Fase 1: Ståstedsanalyse Fase 2: Prosessanalyse og design Fase 3: Implementering og oppfølging Analysere data og prosesser Designe løsninger
- 27. Ansatte • Mer kompetente og motiverte medarbeidere • Tydeligere roller og ansvarsforhold • Bedre verktøystøtte Kunde • Bedre prosesskvalitet og bedre flyt • Mer kostnadseffektive prosesser • Høyere kundetilfredshet Selskap • Forbedret resultat • Lavere kapitalbinding • Økt måloppnåelse Samfunn • UN Global Compact – FNs bærekraftsmål • Fremme økt ansvarlighet for miljø • Oppmuntre til utvikling og spredning av miljøvennlige teknologier VOE Voice of the employee VOC Voice of the customer VOB Voice of the business VOP Voice of the planet Firenivåmodellen™
- 28. Business case Tallfestes Være målbart Baseres på fakta Et BC skal.. Bidra til å nå bedriftens mål Øke antall saker levert på tid fra 65 % til 99 % registrert i logistikksystemet, for å bidra til bedriftens overordnende mål om bedret kundetilfredshet. Forbedre kommunikasjon og antall saker levert på tid. Tallfestes Være målbart Baseres på fakta X X X Eksempel på et godt BC Eksempel på et dårlig BC Bedriftens mål X
- 29. Business case - Oppsummering - mal I løpet av ________________________ var _____________________for (periode for baseline ytelse) (måleparameter) ___________________________ målt til __________________________ (prosessen/ avdelingen) (baseline ytelse) Dette er gap på ___________________________ fra målsettingen på ________________, og (ønsket ytelse vs baseline ytelse) (ønsket ytelse) utgjør en kostnad/omsetningstap/ tapt resultat på __________________ (kroneverdi)