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
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
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
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)
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
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
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)