Maskinlæring, data og analyse og kunstig intelligens er ikke teknologier som kan kjøpes i butikken og gi verdi «rett ut av boksen». De må bygges og utvikles for å møte virksomhetens utfordringer og gi den innsikten som skaper verdier, og det krever ofte bistand utenfra.

William Wong og Joakim Botnen er to KPMG-ansatte som jobber med å gjøre akkurat dette i vår nye Lighthouse-satsing – og det for noen av Norges mest spennende kunder.

– Kort oppsummert handler jobben vår om å diskutere problemstillinger, skape løsninger og overføre kompetanse. Det finnes knapt noe bedre enn å sette seg ned sammen med nøkkelpersoner i en bedrift for å diskutere hvordan teknologien kan brukes i deres virksomhet, sier Wong.

Han er industriøkonom fra NTNU og har jobbet i KPMG i fire år – en periode hvor det har skjedd veldig mye både på teknologifronten, ute hos kundene og internt i selskapet.

– Jeg har fått være med på å utvikle metodikken som KPMG bruker for å gjennomføre dataanalyser ute hos kundene. Én slik kunde er en større offentlig virksomhet hvor vi har vært inne lenge nok til å kunne hjelpe dem med å analysere alle mulige slags data, blant annet i innkjøpsfunksjonen, og vi har funnet ganske mange områder for effektivisering, sier han.

Botnen er siviløkonom fra Handelshøyskolen BI og har bakgrunn innenfor både forretning og teknologi. I KPMG har han jobbet i et års tid, men merker allerede store endringer i kundenes nysgjerrighet og vilje til eksperimentering.

– Det begynte med prosjekter hvor vi hjalp kundene med styringsinformasjon eller bedre historisk rapportering og analyse, gjerne gjennom å analysere data fra ERP-systemet for å gi bedre visualiseringer eller dashboards for ledelsen. Etter hvert har mange av kundene forstått at de sitter på store datamengder som kan brukes til å gjøre veldig spennende endringer i virksomheten, sier Botnen.

– Flere viktige utviklingstrekk vil skyte ytterligere fart i 2019. Særlig fire trender viser hvordan gårsdagens tenkning om historisk rapportering og analyse skiller seg fra nye ideer, sier Wong:

• Fra batch til sanntid: Tidligere ble data hentet ut i batch enten jevnlig eller etter at en prosess var ferdig. Gamle løsninger var derfor gjerne lagd for rapportering mer enn for analyse eller aktivt bruk i virksomheten. Nå leses de derimot av som en del av prosessen, i eller nær sanntid.
• Fra eksport til kobling: Før ble data hentet ut og samlet i datavarehus. Det åpnet for feilkilder og utilsiktet dataduplisering, og var gjerne tidkrevende. Nå er det blitt enklere å la dataene ligge der de ligger, og heller lage en forbindelse til systemet som analyserer dem. Det reduserer også forsinkelsene.
• Fra reaktiv til prediktiv: Gitt de to forutgående punktene, er det naturlig at virksomheter går fra å se på historiske data for å forstå hva som skjedde til å bruke sanntidsdata for å predikere hva som sannsynligvis vil skje – og forstå hvordan de kan påvirke dette.
• Fra passiv datainnsamling til hendelsesdrevet automatikk: Systemer kan nå samle data fortløpende i tilknytning til gitte hendelser (for eksempel ved menneskelige handlinger, sensormålinger utover gitte terskler eller øvrige, eksterne hendelser) og eventuelt la disse utløse videre automatiserte «kjeder» av datainnsamling, sammenstillinger, prediksjoner eller til og med aksjoner i andre systemer.

Wong og Botnen jobber begge i KPMGs Lighthouse-satsing, hvor tekniske ressurser arbeider sammen med selskapets øvrige fagspesialister innen revisjon, regnskap, rådgivning, skatt og juridiske tjenester.

– Lighthouse er en nyttig modell både for oss og kunden, som gir begge parter større innsikt i de ulike fagfeltene; fag og teknologi forsterker hverandre. Vi jobber med data og analyse, automasjon og kunstig intelligens. Kundene har gjerne datakilder fordelt på mange ulike systemer, vi ser på hvilke data som behøves og anbefaler hvordan skyløsningene kan brukes, sier Botnen.

– Før vi kan utvikle modeller må dataene behandles. Det er ofte en veldig stor del av jobben, det er slett ikke uvanlig at 80 prosent av et prosjekt er datavask. Noen ganger må vi dessuten berike virksomhetsdata med eksternt tilgjengelige data for å kunne skape ny innsikt. Men det er ett fellestrekk for løsningene som har det største potensialet til å skape verdier: De kommer når vi, heller enn å pushe data opp til ledelsen, pusher dem ut i organisasjonen og inn i produksjonen, sier Wong.

Og noen data kommer også fra produksjonen: Sensor- og teknologikostnader har falt til et nivå som åpner for nye bruksområder. De to er derfor enige om at Internet of Things-caser gir veldig spennende muligheter fremover, ikke minst i kombinasjon med maskinlæring.

– Her skjer det stadig mye nytt, og det dukker hele tiden opp mange spennende måter å bruke data på – blant annet er det store muligheter for å automatisere bort rutineoppgaver, sier Wong.

Selv om enkelte virksomheter allerede har tatt disse utviklingstrekkene inn over seg og er godt i gang med å utforske mulighetene, er det langt fra alle som er kommet like langt. Sagt på en annen måte: Fremtiden er her allerede, den er bare ikke jevnt distribuert.

– Vi har respekt for at virksomheter kommer fra ulike utgangspunkt. Mange kunder vil ha stort utbytte av å få på plass gode dashboards med informasjon som gjør dem beslutningsdyktige, gjerne supplert med data som de allerede har, men ikke benytter. Andre må prioritere sikkerhetsspørsmål eller andre utfordringer forbundet med å få systemer opp i skyen – alt dette er fremdeles en stor del av det KPMG gjør for kundene, sier Botnen.