Hvordan kan ny teknologi hjelpe oss til å samle, analysere og bruke data til å bygge personaliserte «kundereiser», som styrker merkevaren vår, øker salget og skaper sterke relasjoner til våre kunder? Ny teknologi gir nemlig krav til omstilling, og som ledere er vi nødt til å forholde oss til digitaliseringen og dennes mulighetsrom for å skape suksess og vekst i våre bedrifter.
Etter å ha jobbet innen salg, markedsføring og ledelse, både nasjonalt og internasjonalt i over 20 år, har jeg lært hvor viktig det er å ha tilgang til data og kunnskap til å analysere og forstå dem. Nå skal vi se på tre teknologier som gir muligheter for å benytte data smartere – i hele verdikjeden fra markedsføring til salg til leveranse og kundeservice.
Kunstig intelligens er teknologi som setter datamaskiner i stand til å tenke omtrent som mennesker, så de kan observere og gjøre handlinger for å oppnå bestemte mål. Noen eksempler på slike oppgaver er bildegjenkjenning, administrative rutineoppgaver eller oversettelse mellom ulike språk.
En undersøkelse gjennomført av postdoktor Vegard Kolbjørnsrud ved Handelshøyskolen BI, viser at ledere bruker over halvparten av tiden sin på administrative oppgaver som maskiner kan gjøre for dem. Mye tid og penger kan altså spares.
På bakgrunn av studien har Kolbjørnsrud utarbeidet fem råd som vil få det beste ut av både mennesker og maskiner. Ett av rådene er å forstå at tid er penger. Og dette er noe av det kunstig intelligens er best på! Nemlig å håndtere rutinearbeid som involverer store mengder informasjon, typisk for administrative koordinerings- og kontrolloppgaver.
Betydningen av kunstig intelligens for næringslivet har vokst betraktelig de siste årene, og fortsetter stadig å vokse. Én av hovedfaktorene til dette er kommersialisering via milliardinvesteringer i teknologien. Flere virksomheter skreddersyr og masseproduserer kognitive teknologier på kryss og tvers av sektorer og funksjoner, slik at det skal bli enklere å kjøpe og iverksette dem.
Disse investeringene vil drive markedet fremover, og dette må vi som ledere bli kjent med og forstå. Det er disse investeringene og mulighetene vi som ledere tar i bruk, som styrker våre konkurransemessige fordeler.
Dersom din virksomhet har mye data som må systematiseres og tolkes, kan kunstig intelligens være løsningen. Det finnes flere verktøy du kan ta i bruk for å utvinne dataen du har samlet, slik som: Google Tensorflow, Microsoft Azure Machine Learning Studio, Cortana Intelligence Suite, Google Cloud, Amazon Web Services med flere. I tillegg til disse verktøyene har svært mange firmaer tatt i bruk kunstig intelligens i produkter du allerede bruker, som for eksempel HubSpot, som er et vertkøy for CRM og marketing automation.
Les også: AI, bots, maskinlæring – hva er forskjellen?
Maskinlæring lar programmer lære gjennom trening, fremfor å bli programmert til å ta valg basert på regler og er en av flere teknologier under sekkeposten «kunstig intelligens».
Et eksempel på dette er bilprodusenten Tesla, som har laget en autopilot-funksjon til sine nyeste modeller. Dette gir bilen evnen til å kjøre uten fører. Systemet må da kjenne til trafikkregler og bruke kamera og andre sensorer til å navigere bilen. Det er fristende å kalle disse tjenestene for AI eller kunstig intelligens, men det er ikke helt riktig. Selv om systemet skulle begynne å lære ting på egenhånd, vil det fortsatt være maskinlæring, ikke fullverdig kunstig intelligens.
Maskinlæring brukes ofte i beslutningsstøttesystemer, der man skal trekke ut en essens fra store menger data. Med maskinlæring trener vi opp datamaskinen til å automatisk gjenkjenne komplekse mønstre og ta intelligente beslutninger basert på data.
En læringsalgoritme bruker et sett treningsdata for å utvikle eller forbedre en atferd. Algoritmen må altså være i stand å generalisere og finne løsninger på problemer den ikke har observert eksempler på tidligere. La oss ta kattebilder som eksempel. For at et system skal kunne kjenne igjen en katt på et bilde, må den ha blitt trent til å finne og identifisere katter i mange sammenhenger (helt synlige, delvis synlige, forskjellige farger, liggende, stående, sittende).
For å si det litt fleipete: Hvis du trener din maskinlæringsalgoritme på å gjenkjenne katter, og du kun bruker bilder av hvite katter som står på alle fire på et flatt gulv, er det liten sannsynlighet for at den vil kjenne igjen et bilde av en sort katt som ligger i en sofa.
Dette er eksempler på tjenester som reduserer behovet for menneskelig inngripen, og som i tillegg er med på å forenkle hverdagen til folk flest.
Både kunstig intelligens og maskinlæring brukes om hverandre, spesielt rundt temaet store data (big data), og mange synes derfor det er vanskelig å skille mellom dem. Hovedforskjellen er som Bernard Marr skriver i en artikkel i Forbes, at kunstig intelligens handler om at maskiner kan utføre oppgaver på en måte som vi vil anse som «smart», mens maskinlæring er en konkret anvendelse av kunstig intelligens, basert på ideen om at vi egentlig bare skal kunne gi maskiner tilgang til data og la dem lære for seg selv.
Store data, stordata eller «big data», er en betegnelse på datasett som er så store eller komplekse at de ikke kan analyseres med ordinære dataprosesseringsverktøy. Store data er ikke bare store mengder data eller oppsamlet informasjon, det refereres også ofte til utfordringene og kapasiteten bedrifter har til å lagre, administrere og analysere data de har for å ta flere og bedre forretningsavgjørelser som er kostnadseffektive og tidsriktige, og som skal bidra til effektiv produktutvikling og optimaliserte tilbud og tjenester.
For å behandle store data brukes teknologi som «data lakes» (i tradisjonelle databaser/datavarehus samlet man data med ett definert bruksområde, mens i en «data lake» kan man laste opp store mengder data, både strukturerte og ustrukturerte rådata) og kunstig intelligens, som er i stand til å behandle store mengder data i sanntid.
Les også: Data kan gi deg konkurransefortrinnet du ser etter
Verktøy for å bruke store data anvendes av blant annet helsevesenet for raskere behandling av pasienter, av produksjonsbedrifter for å forebygge nedetid i produksjon og av transportbransjen for å forebygge produktfeil som vil redusere kapasitet.
For de fleste av oss er ikke store data noe vi må forholde oss til enda, selv om vi har tilgang til mye data. Det vi må forholde oss til er hvordan vi skal håndtere de dataene vi har, og hvordan vi kan utnytte de bedre.
En markedsavdeling har i dag tilgang på ekstremt mye data, fra mange kilder. Utfordringen da blir: Hvilke data de skal ta vare på, hvordan samle alt på én plass, og ikke minst, hvordan dra veksel på denne dataen til å skape lønnsom vekst?
Et marketing automation verktøy som HubSpot gir et alt-i-ett-dashboard, som kan hjelpe deg med å konsolidere dine data, og som lar deg vurdere ytelsen av kampanjer i hver kanal du bruker: nettstedet ditt, bloggen din, dine sosiale medier-profiler og andre markedsføringskanaler.
Marketing automation vil også gi deg et klarere bilde over atferden til dine leads, i alle kundereiser de foretar seg i hele kundelivssyklusen.
Jeg er ingen spåkone, og kan ikke se inn i fremtiden. Men for meg er det klart at det er bedre å begynne nå enn å stå stille. Data kan gi deg konkurransefortrinnet du ser etter. Du har ingenting å tape på å begynne å se deg rundt etter løsninger og åpne dører for å se på mulighetsrommet som ligger foran deg. Skaff deg overblikk over hvilke ressurser og tjenester du har tilgjengelig. Det enkle kan ofte være det beste.
Som leder må du tenke gjennom hva du ønsker å oppnå og finne den rette partner til å hjelpe deg. Lykke til!