Blogg

Four tips for predicting and preventing churn

Hvordan lykkes med en snuoperasjon?

Operasjonelle forbedringer i matfisk – hvor er begrensningene?

Ved å forbedre bruken av dagens ressurser er det realistisk med godt over 10 % reduksjon i tilvirkningskostnaden for slakt og videreforedling, mens matfisk kan se en økning i netto tilvekst per generasjon på mer enn 5 %»

Veien mot et datadrevet vedlikehold

Datadrevet vedlikehold omtales ofte i sammenheng med Industri 4.0, IoT, sensorer, stordata, maskinlæring og kunstig intelligens. Dette er viktige og relevante teknologibegreper, men som alltid er teknologiene kun virkemidler for å oppnå noe, og ikke målet i seg selv. For datadrevet vedlikehold er målet typisk betydelig reduserte vedlikeholdskostnader og redusert nedetid. Så: Hvordan bør man gå fram for å utnytte teknologiene effektivt, så man kan skape varige forbedringer i vedlikeholdet?

OEE – Det komplette måltall for effektivitet, eller bortkastet tid?

Så hva er egentlig OEE, og er det noen fallgruver man burde unngå for å få mest mulig verdi fra OEE? Vi deler noen av våre tanker og erfaringer om dette omdiskuterte måltallet.

Kultur spiser operasjonelle forbedringer til frokost

Hva kjennetegner en god forbedringskultur, og hvilke grep kan man ta for å få den på plass?

Predicting behavior and taking action: Correctly designing A/B tests

Machine learning models to predict customer behavior and A/B testing of marketing actions have become key capabilities in any modern marketing function. Together, they increase the impact of the marketing spend by finding the right messages to deliver to each customer to increase sales and loyalty.

How behavioral personas can transform customer journey design

When designing customer journeys to meet diverse customer expectations, what would you rather base your design on: Hypothetical guess-work about the types of customers you have, or actual insight from behavioral data?

Next Best Offer when you have few products but lots of data

Which product is the most relevant to offer your customer right now? This is a central and repeating question within sales and marketing. Recommendation engines are often used to find the answer, building on historical data about the sales of thousands of products, and are known to perform well in retail settings. But what do you do if you don’t have that many products?