Møt noen av våre kolleger og prosjektene de jobber med
Hvordan finner man det mest optimale stedet å plassere en forretning? Jo, svaret kan predikeres ut fra en haug med data ved hjelp av maskinlæring
Vi møter de to konsulentene fra BearingPoint i StartupLab i Forskningsparken, Oslos miniversjon av Silicon Valley. Her jobber en lang rekke oppstartselskaper med å bygge selskaper.
– Beklager rotet, vi holder på å flytte inn. Vi trengte plutselig et større lokale, forteller Christian Aalby Svalesen, Data Scientist i BearingPoint. Det ligger løse skjermer, kabler og tomme pappesker overalt. Whiteboardet er fullt av kruseduller, bokser og streker.
Han jobber sammen med kollega Janna Salte Hovstad som er data scientist i samme selskap. Sammen med teamet i Plaace er de i gang med å utvikle en tjeneste som kan utgjøre en aldri så liten revolusjon innen handelstanden.
– Det er vel neppe lenge til vi må flytte igjen. Her går det fort, legger Janna til.
At lokasjonen til en forretning er blant de aller viktigste suksesskriteriene vet alle som driver innen detaljhandel eller i restaurantbransjen. Plassering kan i ytterste konsekvens bety forskjellen mellom liv og død for en virksomhet. Oppstartsselskapet Plaace vil ha slutt på risikabel gjetting når en bedrift skal finne nye lokaler, – og løsningen finnes i tilgjengelig data.
Utfordringen er å grave frem de riktige svarene fra store mengder med informasjon.
Det er her BearingPoint kommer inn.
Sjukt mye data
– Vi bistår startup-selskapet Plaace med å utvikle en anbefalingsmodell som skal gjøre det enklere for ulike virksomheter å finne best egnet lokasjon for sine næringslokaler.
– Det finnes sjukt mye data som er relevant for hvor passende et område er for en spesifikk butikk eller restaurant. Vi arbeider med mye forskjellig data allerede. Potensialet er enormt, forteller Janna.
Ved hjelp av data om andre forretningers prestasjoner, sammensetting av forretninger i området, demografi, kunders bevegelse i et forretningsbygg, transaksjonshistorikk og mye, mye mer kan man nemlig beregne seg frem til sannsynlighet av suksess – avhengig av hva man har som mål å omsette. En hamburgerkjede og en blomsterbutikk kan dermed få vidt forskjellige anbefalinger av systemet.
– Volumet med data er stort. Detaljerte sammenhenger og synergier som formeres over tid kan være vanskelige å avdekke for et menneske, forteller Christian. Her kommer maskinlæring inn i bildet. Dette er et fagfelt han brenner lidenskapelig for.
BearingPoint ble hentet inn til dette prosjektet fordi selskapet er blant få miljøer i Norge som har den unike kompetansen innen data og analyse og maskinlæring, som er nødvendig for å løse oppgaver som dette.
Graver etter verdier
– Vi jobber mye med data science-biten for å sørge for at modellene blir best mulig. Vi ser blant annet på hvilke type data vi kan aggregere for å optimalisere verktøyet. Og så jobber vi med datainnsamling. Her har vi undersøkt og evaluert ulike API-er og datakilder, både nasjonale og internasjonale. Den store oppgaven er å analysere oss frem til hvordan disse dataene kan ha verdi for kunden, forklarer Janna.
– Da jeg søkte jobb syntes jeg det var spennende med data science og maskinlæring. Problemet var at jeg ante ikke hvor jeg kunne jobbe med det. Men så oppdaget jeg at det stod – med ganske liten skrift – på BearingPoints nettside, at de hadde Norges fremste data science-miljø. Og da tenkte, jeg, «jøss, det er jo nettopp det jeg brenner for.» Og dette prosjektet vi jobber på nå er jo heavy på data science, forteller hun.
– Det er ikke mange miljøer i Norge som jobber med data science og i tillegg har årelang praktiske erfaringer med det, sier hun. Hun trekker også frem det sterke tverrfaglige miljøet i selskapet.
BearingPoint har i det siste jobbet med en del med ulike startups og scaleups, i tillegg til at konsulentselskapet leverer oppdrag for en lang rekke store nasjonale og internasjonale kunder. Konsulentselskapet er også involvert i flere leveranser inn mot statlige organisasjoner både innen helse og samferdsel.
– Det å jobbe i et konsulentselskap med så stor bredde og variasjon er veldig spennende, sier Christian.
– Men å jobbe med startups aller morsomst, legger Janna til og ler.
– Læringskurven i startups som Plaace er ekstremt bratt. Vi får touchet innpå litt av alt. Man kan få mulighet til å bli med å velge teknologier og bygge løsninger fra bunn av. I tillegg involverer startups ofte nye, spennende og innovative løsninger. I større selskaper er teknologivalg ofte etablerte og oppgavene vil da handle mye om å bygge videre på noe som allerede eksisterer.
– Det er mye som skjer i en startup. Det er små organisasjoner med mange bevegelige deler og det går ofte fort. Dermed får man ofte bidra inn til flere områder samtidig, sier Janna.
Direkte impact
– Ofte blir vi med på å definere opp forretningen fordi vi også sitter på kunnskap om datasiden ved et prosjekt, sier Christian.
– Hvordan vi utvikler modellene våre har direkte impact på hvordan løsninger kan tas ut i produkt, legger han til.
– Vi har flere prosjekter vi jobber på tvers av ulike fagdisipliner. Vi har for eksempel prosjekter hvor vi jobber med strategi, hvor vi i tillegg leverer maskinlæring for å gjøre avanserte analyser. Før satt man i Excel og gjorde research i ulike dataunderlag. Men man kan gjøre bedre analyser i mye større datamengder ved å benytte maskinlæring for å bygge bedre strategier.
– Vi har også et initiativ som går i skillelinjene mellom operations og analytics, som handler om hvordan man bruker IoT og sensordata for å kunne ta bedre valg innen industrien. Vi ser et stort mulighetsrom innenfor industridataapplikasjoner. Blant annet leverer BearingPoint inn i et stort data og analyse-prosjekt til Bane NOR der formålet er å analysere aggregert data fra sensorer i jernbanenettet så jernbanen kan vedlikeholdes på en mer proaktiv måte, forteller Christian.
LES OGSÅ: – Jeg er veldig nysgjerrig. Det er derfor jeg har denne jobben
– Relatert til dette har jeg også fått muligheten til å jobbe med Railway Robotics, der vi støtter med utvikling av maskinlæringsalgoritmer for en robot som skal smøre sporveksler i jernbanen, med teknologier som Azure Cloud og Nvidia Jetson.
– Vi jobber jo stadig mer tverrfaglig nettopp for å identifisere forretningsverdi. Da innebærer øvelsen like mye i å finne ut hva dataen kan benyttes, til som å finne måter å grave i dataunderlaget, sier Christian. Det er nettopp i krysningspunktet mellom forretnings- og teknologisiden hvor verdiene dukker opp.
– For oss som jobber med data er det veldig gøy å kunne sparre med strategi- eller operationsteamet som sitter på annen verdifull kunnskap. Det gjør at vi kan tilby så mye mer i våre leveranser til kundene våre.