När Sas Institute bjuder in till online-konferens handlar det om dataanalys i alla dess former.
Sas Insitutes vd och medgrundare James Goodnight berättar om dataanalysmodeller som fungerade i april, men slutade fungera i maj.
Beskrivningar av hur analys av textdata går till och av vinsterna med den är ett bra exempel.
När Sas Institutes stora konferens för Norden drog i gång i tisdags var det förstås frågan om ett online-evenemang. Sas Forum Nordics bjuder på ett stort antal olika programpunkter, förutom inledningstal och tal uppdelade på kundernas branscher, även på olika varianter av interaktivitet online, som paneldebatter.
Det sammanhängande fokuset ligger så klart på dataanalys i alla dess former. Det är ett ämne som är mer aktuellt än någonsin, i dessa tider:
– Analysmodeller som fungerade i april slutade fungera i maj. Vi har jobbat hårt tillsammans med våra kunder för att anpassa oss till den rådande situationen, säger Sas Institutes vd och medgrundare James Goodnight, under sitt inledningstal på konferensen.
När man tänker på Sas Institute halkar man snabbt in på siffror och beräkningar. Företaget kallades för länge sedan ofta för ett ”statistikföretag”, men i dag är leverantör av dataanalyslösningar en bättre beskrivning. Och dataanalys i dag handlar om mycket mer än siffror, tal och beräkningar.
Den största delen av världens samlade datamängd torde utgöras av ostrukturerad text och det finns stora outnyttjade möjligheter att analysera sådan.
Ina Conrado på Sas Institute beskriver enorma effektivitetsförbättringar som fås med verktyg för analys av ostrukturerade textdata. Men mest handlar det om att ta reda på vad kunderna tycker.
Sas Institute har ett verktyg för det, i form av Sas Visual Text Analytics som kan köras både lokalt och i molnet. Ina Conrado som är rådgivare för avancerad dataanalys och AI på Sas Institute beskriver användningsområden för det under en presentation:
– Ett företag måste lyssna på vad kunderna säger i alla kanaler, som telefon, sociala medier, online-forum, mejl och konversationer med chattbottar, säger Ina Conrado.
Hon kommer snabbt in på att berätta om kundcase, närmare bestämt ett telekomföretag, en bank och en leverantör av mejeriprodukter. De detaljer som fastnar bäst kommer från mejeriföretaget:
– Man upptäckte snabbt att kunder fått opastöriserad mjök efter kommentarer i olika kanaler om mjölk som ser konstig ut. Man upptäckte även att kunderna hellre ville ha beständiga rabatter än perioder med gratis leveranser, vilket man aldrig upptäckt utan ett analysverktyg. Gratisleveranserna sänkte faktiskt kundnöjdheten, berättar Ina Conrado.
I Sverige är det nog få som betalar för leverans av mjölk, men det intressanta i berättelsen är möjligheten att snabbt upptäcka vad kunderna tycker och agera baserat på det. I det stora hela handlar beskrivningarna av kundcasen om enorma effektiviseringsvinster, med efterföljande insikter:
- Telekomföretaget reducerade antalet felkategoriserade kundärenden med 85 procent.
- Banken gick från att analysera 200 chattkonversationer manuellt per månad, till samtliga 250 000 maskinellt.
Det här kräver ett verktyg som är enkelt att använda och som stödjer en tydlig analysprocess. Och det kräver massor av automatisering. De största utmaningarna verkar, som vanligt med dataanalys, finnas med att samla in, hantera, tvätta och klassificera data. Det är nog för de aktiviteterna som ett analysverktyg för textdata gör mest nytta. Analysmodellerna blir grädden på moset.
Av;: Lars Danielsson
