24.09.2018 | SANNE OPSTRUP WEDEL
I 2010 fossede der 636 millioner liter olie ud i Den Mexicanske Golf, da olieboreplatformen Deep Water Horizon eksploderede og sank. Først efter 87 dage lykkedes det olieselskabet BP at sætte en prop i havbunden, men i mellemtiden havde virksomheden forsøgt at finde en mængde løsninger på problemet, bl.a. via det, vi i dag kalder åben innovation; nemlig via crowdsourcing med en elektronisk postkasse til løsningsforslag. Dette gav på meget kort tid virksomheden 144.000 ideer fra folk over hele verden.
”Udfordringen var - og er - bare, at det er svært at håndtere og bearbejde så mange ideer, og det fik mig og mine kollegaer til at tænke, om det ikke var muligt at finde de gode ideer på en hurtigere og lettere måde for så vidt angår idéselektionen,” siger Lars Frederiksen.
Han er professor ved Institut for Virksomhedsledelse på Aarhus BSS og medforfatter til artiklen ”In Search of New Product Ideas: Identifying Ideas in Online Communities by Machine Learning and Text Mining”. Her udvikler forskerne et automatiseringsværktøj til at optimere identifikation af nye, brugbare ideer i online communities - ideer som kan have stor betydning for virksomheders produktudvikling og innovationskraft, men som normalt er besværlige og omkostningstunge at finde frem til, fordi der skal sidde folk med erfaring og ekspertise og gennemtrawle alt, hvad brugerne skriver i virksomhedens online-fora for at identificere den lillebitte del af indholdet, som rent faktisk er den originale idé.
Men ved hjælp af machine learning, hvor man fra et test data-sæt lærer en computer at forbedre sin egen evne til at finde og genkende mønstre, og text mining, som automatisk kortlægger anvendelsen af specifikke ord, ordsammenhænge og sætningsstrukturer i en samling af online-tekster, har Lars Frederiksen og hans kollegaer udviklet en algoritme, der med omkring 90 pct.’s sandsynlighed kan identificere den information i et gigantisk informationshav, som faktisk repræsenterer ideer.
”Projektet viser altså, at menneskelig udvælgelse kan erstattes rimeligt godt med en algoritme. Det betyder dog ikke, at der ikke er brug for mennesker længere - for når algoritmen har identificeret ideerne, er der stadig nogle, der via menneskelig vurdering skal arbejde videre med at kvalificere og aktivere dem, så de bliver til en innovationsgevinst for virksomheden. Fordelen er dog, at de skal gøre det på en meget mindre mængde information, end hvis algoritmen ikke først havde grovsorteret informationen og fundet den lille del, der er nye og brugbare ideer,” siger Lars Frederiksen.
Perspektivet ligger ifølge Las Frederiksen især hos små og mellemstore virksomheder, som måske er i servicebranchen eller fremstiller såkaldte ’fast moving comsumer goods’ som eksempelvis legetøj, sko eller is, hvor man har brug for ideer til nye smage, former, konsistenser etc. Her får man relativt sjældent brugeren til at lave en ny is eller en ny cykel, men man opnår beskrivelser af ideer og præferencer. Og man får en hurtigere måde til at søge bredt i ideer til produktudvikling - og ikke mindst til at selektere i disse.
”Hvis man vil søge yderligere information til sin produktudvikling, så er det her en mulighed for at gøre det med lave omkostninger, men vel at mærke ikke uden omkostninger. Der er nemlig en række vanskelige skridt hen til målet: Først skal du skabe et community med brugere og kunder, træne algoritmen og derefter implementere den osv. osv. Så der er stadig et selektionsskridt nummer to, men det er nu på mere kvalificerede ideer end uden algoritmen,” forklarer Lars Frederiksen og tilføjer:
”Det bliver billigere og hurtigere at finde guldet i sit online community, så måske er det her en helt ny mulighed for smv’ere for at begynde at lege med, om de kan blive en smule mere digitalt klar, for mange små virksomheder synes at have lidt vanskeligt ved at begynde den digitale omstilling,” siger han.
"Data bliver stort set nødvendigt for alle virksomheder ift. at forudsige en stor del af deres udvikling - også for dem, der skifter dæk og sælger pølser."
Lars Frederiksen - professor, Institut for Virksomhedsledelse, Aarhus BSS
Når virksomheder eksperimenter med ny teknologi, opstår der nemlig også en række udfordringer.
For det første skal man have eller rekruttere medarbejdere, som kan kode robotter, lave text mining etc., og her har virksomhederne ofte ikke de kompetencer, der skal til. Desuden viser artiklen ”The Barriers to Recruiting and Employing Digital Talent”, som for nyligt er blevet publiceret i Harvard Business Review, at en af de største udfordringer, virksomheder står over for i dag, er at finde digitalt talent. Virksomhederne bliver derfor kreative i deres rekruttering og medarbejderudvikling, men mange af de måder, hvorpå man forsøger at øge organisationernes digitale færdigheder på, har i sig selv nogle indbyggede udfordringer ift. at integrere det digitale talent i kerneforretningen, udnytte de digitale færdigheder i hele organisationen samt fuldføre bottom-up-initiativer fra organisationen.
For det andet er det ofte umuligt for mindre virksomheder at bygge et stort, digitalt setup fra dag ét, så måske skal man begynde med at blive fortrolig med de digitale teknologier ved at begynde i det små.
”Måske kan man investere i et kamera med ansigtsgenkendelse, så man kan åbne dørene uden nøgler, eller anskaffe en parkeringscensor, som nemt kan registrere, hvornår folk kommer og går på arbejdspladsen, så man lige så stille hen ad vejen finder ud af, hvad der skaber værdi i netop ens egen virksomhed,” siger Lars Frederiksen.
Det leder til den tredje udfordring som er at klarlægge, hvor teknologien skal bruges? Er det til efterspørgselsoverblik, markedsanalyser eller noget helt tredje?
”Her må man først og fremmest overvinde sin berøringsangst og prøve sig frem ift. de digitale muligheder. Enten ved at sende sine medarbejdere på kursus, dykke ned i litteraturen eller lave en mindre investering, som kan hjælpe en på vej,” siger Lars Frederiksen og understreger, at der ovenover alt dette ligger en helt fjerde og langt mere grundlæggende udfordring: At langt de fleste virksomheder skal begynde at tænke over at indsamle og bearbejde data.
”Data bliver stort set nødvendigt for alle virksomheder ift. at forudsige en stor del af deres udvikling - også for dem, der skifter dæk og sælger pølser.”
Udover de empiriske udfordringer ift. hvor og hvornår virksomheder skal bruge forskellige digitale teknologier, så stiller Lars Frederiksens artikel også nye spørgsmål rent forskningsmæssigt.
Artiklen, der har analyseret 3.000 indlæg fra online community’et LUGNET, hvor Lego-fans deler erfaringer og informationer, lægger op til at spørge, hvordan algoritmen gør det, den gør, og hvorfor den gør det? F.eks. ved at finde ud af hvilke stabile og meningsgivende semantiske repræsentationer, som algoritmen kan repræsentere på tværs. Eller sagt på en anden måde: hvad kendetegner det, som vi mennesker opfatter som en idé - er det selve sætningsopbygningen, brug af udsagnsord, sammensætningen eller kompleksiteten af ord eller måske tillægsord, som gør, at vi opfatter noget som en (god) idé?
Derudover kunne det også være interessant at undersøge, hvad menneskelig vurdering skal bruges til, og hvad en robot-vurdering skal bruges til? Måske er robotten god til at finde kompleksitet og originalitet, men ikke til at vurdere, om ideerne er anvendelige i virkeligheden. En idé er jo typisk kun en god ide, hvis den kan implementeres, så hvordan skal medarbejderne i virksomhedernes R&D-afdelinger (Research and Development) finde den rigtige arbejdsdeling med robotterne, så robotterne laver den del af arbejdet dér, hvor de skaber størst værdi - og den menneskelige vurdering tilsvarende bliver brugt de rigtige steder?
Får vi nogle af de svar, kan det være, at det fremover ikke vil tage 87 dage at lukke et hul i havbunden.
FAKTA: Sådan gjorde forskerne
|
Kilder:
Christensen K, Nørskov S, Frederiksen L, Scholderer J. In Search of New Product Ideas: Identifying Ideas in Online Communities by Machine Learning and Text Mining. Creativity and Innovation Management, Volume 26, Issue 1, March 2017, Pages 17-30
Christensen K, Scholderer J, Hersleth SA, et al. How good are ideas identified by an automatic idea detection system? Creat Innov Manag. 2018;27:23-31
Dahlander, L, Wallin, M. The Barriers to Recruiting and Employing Digital Talent. Harvard Business Review, July 09 2018