Varmt hvetebrød med maskinlæring
Hvert år kaster nordmenn 105 millioner brød. Ved bruk av maskinlæring og data har Bunnpris klart å redusere opptil 30 prosent av brødsvinnet i flere butikker i Midt-Norge. Marius A. Olavsrud, data scientist i Atea Analytics, deler suksesshistorien om hvordan aktører kan bruke datadrevet innovasjon til å skape merverdi og konkurransefordeler i næringslivet.
Tiltak for å redusere matsvinn
Bunnpris ville være med i kampen om å bekjempe det enorme brødsvinnet i dagligvarebransjen. Satsingen på en mer datadrevet og bærekraftig hverdag resulterte i at dagligvarekjeden inngikk et samarbeid med Atea.
– Det er først når man får et klart bilde av mulighetsrommet i den enkelte virksomhet at man er i stand til å oppnå suksess. Vi er opptatt av at organisasjoner forstår verdien av å forvalte data på riktig måte. Det er i krysningspunktet mellom forretningen og spesialister på feltet at vi kommer dit, sier Olavsrud.
Han legger til:
– Ved hjelp av innsikt fra den daglige driften og datadrevet læring har vi sammen klart å redusere opptil 30% av brødsvinnet i flere butikker i Midt-Norge.
Marius A. Olavsrud delte suksesshistorien fra Bunnpris under arrangementet Atea Community.
Microsoft berømmer innsatsen
– Denne kundehistorien er helt rå! Her snakker vi om en kunde som har oppnådd konkurransefordeler på grunn av teknologi – i dette tilfellet gjennom datadrevet læring, sier Jon Jahren, direktør for Azure Cloud & AI i Microsoft Norge.
Videre forklarer Jahren:
– Med en AI-drevet kultur, som hele tiden ser etter nye steder man kan forbedre seg, og riktige verktøy for rask utrulling, så har man gode forutsetninger for å lykkes. Men alle i organisasjonen må være villige til å ta løpende beslutninger i takt med dataene – også når dataene endrer seg.
Systematisk tilnærming
– Maskinlæring er en viktig nøkkel til innovasjon og utvikling uansett bransje. Når man skal gå i gang med produksjonssetting av en maskinlæringsmodell krever det at vi jobber ut fra en systematisk tilnærming. Der alle mål har til hensikt å gi verdi. En slik tilnærming er nødvendig for å lykkes med arbeidet, sier Olavsrud.
Og legger til:
– Vi ser en markant nedgang i brødsvinnet i samtlige butikker som har tatt dette i bruk. Uavhengig av bransje er denne reisen sammenfattende for svært mange andre organisasjoner. Ved å sette delmål sammen med kunde og utøvende har mange svært gode forutsetninger for å lykkes. Atea og Microsoft er sterke støttespillere gjennom hele reisen slik at kunden tar grundige og veloverveide beslutninger. Vi sørger også for å sikre dataene gjennom hele verdikjeden, og ser til at de riktige styringsmekanismene er på plass, avslutter Olavsrud.
- Forstå nåværende løsning
Vi må først danne oss en forståelse av dagens løsning, og evaluere de dataene kunden allerede har. Maskinlæringens styrke er å se sammenhenger. Den finner nye prosesser, veier og muligheter du ikke visste om, og gjør oss i bedre stand til å se korrelasjoner basert på gammel og ny data. Vi utviklet en enkel modell med data fra de siste årene med det formål å predikere riktig mengde brød per dag. - For å lykkes krever det endringsvilje
Endringsvilje er en utfordring. Vi mennesker liker å forholde oss til det vi allerede kan og kjenner best. Delmål to i denne prosessen handler om å bygge endringsvilje i hele organisasjonen. For å komme dit må du ha engasjerte ledere som bygger kompetanse hos de ansatte, slik at de forstår merverdien av å “tenke bærekraft.” Bærekraftige endringsprosesser kan være krevende for mange organisasjoner, men det er også svært mange som lykkes, både små og store bedrifter. - Litt mindre magefølelse
Vi er avhengig av at butikkene samarbeider og snakker sammen, slik at vi får til den gode reisen. Det er vår oppgave å sørge for at de forstår verdien i dette, og at det ikke handler om å frata de ansatte arbeidsoppgaver – tvert imot. Vi gjør det for å hjelpe dem, slik at de kan bruke litt mindre magefølelse og basere beslutninger på faktabasert læring. Tredje delmål handler om å legge til rette for et godt samarbeid på tvers av organisasjonen med fagkyndige partnere i ryggen. - Bedre og mer strukturert data
Bedre og mer strukturert data lar oss optimalisere modellen. På den måten kan vi rulle ut løsningen til flere butikker, og sørge for en bedre og mer treffsikker modell, slik at vi kan gi innkjøperne bedre anbefalinger. Med bedre og strukturert data kan vi også optimalisere og forbedre andre driftsområder hos Bunnpris. - Teknologi som døråpner
Teknologi er selve døråpneren når vi jobber mot en mer datadrevet og bærekraftig hverdag for Bunnpris. Vi har laget en Microsoft Power Apps som gir ansatte bedre innsikt i hvordan optimalisere sine brødsalg. Vi tilgjengeliggjør informasjon på en ny måte som bidrar til mer strukturerte rutiner, fordi vi følger en standard. Appen gir beskjed når hyllene begynner å bli tomme for brød og det må etterfylles, slik at kjøpmannen ikke beregner feil mengde.
