Big data – så får du det att funka steg för steg

Mycket av den stora datamängden som är oss tillhanda är nämligen av tveksam kvalitet. Men, du kan känna dig trygg – vi ger dig tips om hur du ska gå tillväga!

Det räcker att du ber att få titta i ert företags Google Analytics – om inte allt är uppsatt exakt efter konstens regler så finns det massa data som inte säger något. Ja, som faktiskt är helt obegriplig. 

Och tänk då stora system som samlar in data med mängder av källor, det finns många möjligheter för fel att leta sig in i de enorma mängderna av data som det blir.

I en studie från 2016 av IBM fann man att bristfällig data dränerar USA:s ekonomi på 3,1 miljarder dollar. Detta på grund av lägre produktivitet, systemavbrott och högre underhållskostnader – bara för att nämna några effekter. 

När man använder AI och maskininlärning för att fatta beslut är kanske problemen med dålig data än mer uppenbar. Det kan dra åt fel håll, eller åt inget håll alls. Det kan helt enkelt leda till omfattande problem. 

Det är en data-förtroendekris

Och visst råder det en viss data-förtroendekris. En nyligen genomförd studie, av Vanson Bourne, visade att tilliten är låg hos IT-beslutsfattare. Hela 91 procent tror att de måste förbättra datakvaliteten i sitt eget företag. och 77 procent av dem litar inte på sin egen organisations data. 

Många talar idag om smart data istället för big data. Det kan vara en bra väg att gå. Det finns tidigare undersökningar där Data Scientists sa sig lägga 80 procent av tiden på att tvätta, verifiera och förbereda data. Så smart data är grejen, alltså.

Men hur når man dit? Hur säkerställer man att inte fastna i ett dåligt data-träsk där man famlar, tar felbeslut och betalar för dyra system som man ändå inte litar på?

4 steg till Big Data-framgång

Vi bad vår Design Director och AI-expert på inUse, Pontus Wärnestål, att ge några handfasta tips.

— Mitt tips är att se data som en kritisk infrastruktur för din verksamhet. I princip alla verksamheter idag berörs av data och algoritmer. Det är därför affärskritiskt att bringa ordning och reda i själva arbetet med dina data. Jag ser detta som en trappa med fyra steg.

1. Samla data

Först måste data samlas in. Såklart. Många har redan massor med data, men ofta saknas en aktiv “insamlingskanal”. För om du ska få kontinuerlig nytta av dina data i AI-drivna tjänster så måste tillförsel av nya, aktuell, data vara på plats.

2. Organisera

Du måste ha koll på dataset och kvaliteten på ditt datainnehåll. I en av dina databaser kanske du har en tabell med två fält. Det står “Pontus” i ett fält och “Wärnestål” i ett annat. I en helt annan tabell har du kanske ett fält som innehåller “P Wärnestål”. Hur vet vi att detta egentligen är samma information? Hur konsoliderar vi sådan information så att vi kan lita på att om en sökning görs på mitt namn (“Pontus Wärnestål”) så får jag upp all relevant information?

3. Analysera

Om du gjort steg 1 och 2 ordentligt, så har du nu det som ibland kallas “data on tap”. Dina resurser är lättillgängliga och går att använda för analys. Om Data Science har varit kärnkompetensen i steg 1 och 2, så kompletteras det nu av tekniker som Machine Learning. Du kan nu välja ut vilka dataset som är intressanta och på vilket sätt de kan generera kluster, kategorier, förutsägelser och mönster.

4. Tjänstefiera

Sedan är det dags för det verkligt innovativa arbetet! Antagligen vill du bygga tjänster och affärsmodellera för att skapa värde med dina data. Och här kommer nya kompetenser in. Nämligen att förstå beteende och interaktion – och att använda sådana insikter för att samla in mer och nya data!

Vidare är det i detta steg som du faktiskt går från data till en AI-driven tjänst. Kompetenserna här handlar om User research, UX design, Service design och Business design som kompletterar Data science och Machine learning. Dina data måste relateras till de effekter och användarupplevelser som faktiskt skapar värde.

— Och då sluts cirkeln. För att bygga förtroende gentemot vår tjänst måste vi undvika felaktiga och partiska data, och då är vi tillbaka i nästa iteration av steg 1! På inUse växlar vi hela tiden upp vår förmåga att anlägga ett designperspektiv på alla dessa fyra steg.

Så för att klara av det här behövs en rad färdigheter och förmågor i ditt team:

• Data science och machine learning

• Tekniker och metoder för att skapa empati och förståelse för användning, beteende och upplevelse

• Förmåga att designa för effekt, affär och värdeskapande

Det krävs också ett slags “metafärdighet” för att kunna arbeta praktiskt med dessa färdigheter och förmågor: nämligen att kunna facilitera kommunikation mellan de discipliner och roller som alla måste ingå i teamet.

— Tjänster som bygger på data ställer lite andra krav på hur vi designar och ser på deras värde. Vad vi måste inse är att även om vi vill att en tjänst ska vara “bra” samma dag som vi släpper tjänsten till våra användare – dag 1 – så gäller det generellt att ett väldesignat AI-system blir signifikant mycket bättre dag 20 eller 30. Och ännu bättre dag 100. Men detta sker bara ifall alla fyra stegen adresseras kontinuerligt. Nya relevant data måste samlas in via interaktion och feedback-loopar som vi har designat väl i våra tjänster för att värdeinhämtningen och effekterna ska infinna sig, menar Design director Pontus Wärnestål.

---

För dig som vill veta mer om hur man kan designa för AI så ta en titt på Pontus bok “Design av AI-drivna tjänster” (2021) som ges ut av Studentlitteratur.

Du kan också gå kursen Design för AI-drivna tjänster på inUse Academy, för att få ännu mer handfasta råd och metoder av Pontus, som leder kursen. Anmäl dig här!