Vaktplaner, ruteoptimalisering og prognoser: Derfor er data en nøkkel til Odas suksess
Dagligvarebutikken Oda opplever eventyrlig suksess – ikke minst fordi de er langt fremme med god bruk av data. Lær om de samme metodene i nytt tredagers kurs på Universitetet i Oslo (UiO).
Oda har hatt noen begivenhetsrike år. Selskapet – som nylig byttet navn fra Kolonial.no for å satse internasjonalt – vokser nå eksponentielt, ifølge Shifter. I fjor ble de Norges første «enhjørning», sammen med Cognite.
De havnet altså på den eksklusive listen over unoterte vekstselskaper verdsatt til over en milliard dollar.
Hvordan kan et selskap som driver med dagligvarer oppleve slik eventyrlig suksess? Svaret ligger selvsagt i teknologi – og data.
– Å bruke data har ligget i selskapet hele veien, det handler om hva slags folk som var med å etablere det, sier Nina Walberg.
Da hun ble ansatt som Head of Data & Insight i 2019 visste hun at dette var et selskap i vekst. Likevel kunne en vanskelig forestille seg den utviklingen de nå har hatt.
– Da jeg begynte var vi tre stykker som jobbet med data og innsikt. Nå har vi bygget det opp til over 50. Det er i det øvre sjiktet i Norge, tror jeg – i alle fall i forhold til selskapsstørrelse. Vi har kommet ganske langt i å være drevne av data, sier Walberg.
Alt er datadrevet og henger sammen
– Sammenlignet med flere andre steder jeg har jobbet, har det vært som å sparke inn åpne dører å si at vi skal bruke data til å ta beslutninger i Oda, sier Nina Walberg.
Selskapet selger dagligvarer, middager og andre husholdningsartikler på nett, med levering på døren. De har vært et teknologiselskap helt fra begynnelsen i 2013, men da Walberg kom inn seks år senere ble det hennes jobb å ta arbeidet med data og innsikt til nye nivåer.
I dag bruker de data og maskinlæring til blant annet å beregne hvor mange hvor mange plukkere, sjåfører og biler de kommer til å trenge frem i tid.
De bruker historiske data og geodata til å optimalisere rutene og beregne leveringstiden på hvert enkelt sted, basert på område og type bygning.
De bruker til og med data til å justere markedsbudsjettene etter forventet etterspørsel.
– Alt er datadrevet og alt henger sammen, sier Walberg.
Hva slags muligheter som ligger i denne teknologien for alle typer virksomheter, kan du nå lære om i mikroemnet «Metoder for beregning av usikkerhet» på Universitetet i Oslo, en del av UiOs nye videreutdanning i data science, «Fra data til innsikt».
Emnet er i praksis et tredagers kurs, som holdes 21.-22. mars og 1. april. Dette er nå åpent for påmelding for ansatte i offentlig sektor og i næringslivet, med frist 7. mars.
Fakta: Fra data til innsikt
Ny etter- og videreutdanning (EVU) innen data science fra Universitetet i Oslo (UiO). Startet opp i et pilotprogram fra desember 2021, med «Verdien av data i beslutningsprosesser» som første mikroemne.
Hvert mikroemne er et kort kurs som går over tre dager og gir 2,5 studiepoeng. Disse kan fullføres enkeltvis eller settes sammen til en utdanning. Vinteren og våren 2022 gis det emner om digitale tvillinger, beregning av usikkerhet (maskinlæring) og dyp læring. I utviklingen av programmet har UiO samarbeidet DigitalNorway og Lørn.tech.
Neste emne heter «Metoder for beregning av usikkerhet» og undervises Gudmund Hermansen, førsteamanuensis II i statistikk og data science. Det er rettet mot ansatte i det offentlige og i næringslivet, gjerne i SMB-er, som ønsker å lære mer om mulighetene i denne teknologien for sin virksomhet. Anbefalte forkunnskaper er en bachelor i realfag eller tilsvarende.
Kurset holdes 21.-22. mars og 1. april. Kursavgiften er i pilotperioden på kr. 5.000,-. Påmeldingsfrist 7. mars.
To måter data skaper verdi
Ifølge Nina Walberg er det to måter Oda bruker data for å skape verdi.
– Det første er å bruke data for å ta bedre beslutninger. Det kan en gjøre på mer og mindre avanserte måter, sier hun.
– Det andre er å bygge data inn i produktet, verdikjeden og operasjonsmodellen. For eksempel i hvordan vi planlegger bemanning og ruteoptimalisering, eller hvilke produkter kunden får anbefalt i butikken.
Et eksempel på det siste er hvordan selskapet nå automatiserer ruteplanleggingen for hjemlevering av varer. De bruker maskinlæring til å gjøre prediksjoner og planlegge for de mange faktorene som kan påvirke leveringstiden.
– Da vi la opp ruter for bare et par-tre år siden, planla vi samme servicetid for alle kunder – det vil si tiden fra sjåførene parkerer til de har levert ordren og er tilbake i bilen, klar for å kjøre til neste kunde, sier Walberg.
I praksis vil likevel leveringstiden variere stort, basert på område, type bolig, størrelsen på ordren og andre faktorer.
– Det er stor forskjell på noen som har en enebolig der du kan rygge opp til døra og sette varene utenfor, sammenlignet med noen som bor i femte etasje i en bygård midt i sentrum uten parkeringsmuligheter. Nå bygger vi disse faktorene inn i planleggeren, sier Walberg.
Maskinlæringsmodellen deres bruker her blant annet historiske data og geofencing – altså egne regler for ulike fysiske områder.
– Men vi har tatt modenhetsstegene i problemet, og løst det på en gradvis mer avansert måte, før vi etter hvert puttet en data scientist på problemet og fikk bygget en skikkelig modell, sier Walberg.
- Lær mer: Meld deg på gratis webinar om data med DigitalNorway og Accenture 17. februar kl. 09.00-09.45
Synliggjør usikkerhet overfor beslutningstagere
Det er ikke bare trafikk og parkeringsproblemer som er usikkerhetsmomenter for Oda. Fra dag til dag, og fra uke til uke, er det store svingninger i etterspørsel. En viktig del av jobben med data og innsikt er derfor det Walberg kaller forecasting – altså å gjøre prognoser eller prediksjoner.
– Vi trenger forecasting for flere ting og ulike tidshorisonter. Men det mest åpenbare er bemanningsplanlegging. Hvor mange plukkere trengs på lageret de neste dagene og ukene? Hvor mange biler og sjåfører må være tilgjengelige?
Også her er det først de siste par-tre årene at Oda for alvor har gått fra kvalifisert gjetning til å bruke data og statistiske modeller. Da Walberg startet i 2019, var det akkurat blitt bygget en forecasting-modell – en bayesiansk simuleringsbasert modell, for å være presis.
Pandemien har vist at vi skal være forsiktige med å være for skråsikre på å si hva morgendagen bringer. Forecasting-modellene gir heller ikke noe «fasitsvar», men viser i stedet hva som er sannsynligheten for ulike utfall.
– Den spytter ikke bare ut et enkeltestimat – eller en forventningsverdi – men viser hele usikkerhetsfordelingen. Dette er den 10. persentilen, dette er den 90. persentilen, og så videre. Så er det opp til beslutningstagerne hva de gjør med den informasjonen, sier Walberg.
De endelige beslutningene krever fortsatt skjønn. Det er ikke nødvendigvis riktig å planlegge for forventing, påpeker Walberg – fordi det for eksempel i 50 prosent av tilfellene kan gi for få plukkere.
– Vi ønsker å være ganske sikre på at vi har nok plukkere, sånn at vi ikke trenger å beklage til kunden og be dem velge levering en annen dag. Men om det ofte er for mange, blir det store kostnader. Så vi må balansere kostnadene og å gi en god kundeopplevelse, sier hun.
Modellene brukes veldig aktivt for å ta disse beslutningene, forteller Walberg.
– Vi har laget litt ulike modeller for ulike segmenter og bruksformål, og setter en del krav til at brukerne forstår hvordan det fungerer. Vi har bevisst ikke laget «black box»-modeller, for å vise hvilke parametere som påvirker estimatet og skape en forståelse av når en skal stole på modellene og ikke.
Ved siden av å bruke modellene, har Oda bygget digitale tvillinger av lagrene der varene plukkes for å sendes ut til kunder, der de kan eksperimentere og kjøre simuleringer av for eksempel hva som er beste plassering av varer for å plukke ordrene raskere.
- Lær mer gjennom nytt kurs hos UiO: «Metoder for beregning av usikkerhet»
Laget syntetisk datasett
Walberg forteller at de har truffet mye bedre på planene sine etter å ha innført forecasting-modellene – og at de brukes også på andre områder enn bemanning.
– For eksempel for å planlegge markedsføring. Ser vi at det vil bli veldig høy etterspørsel og vi ikke har nok kapasitet, kan vi holde tilbake på kampanjer. Så kan vi heller legge inn kampanjer i perioder der vi har ekstra kapasitet eller tror at etterspørselen vil gå litt ned, sier hun.
Mens de stort sett jobber med å planlegge bemanning seks uker frem i tid, bruker de lignende modeller også for å planlegge lengre fremover og ta strategiske beslutninger.
Trenger vi et nytt lager? Vil mange kunder falle fra igjen etter pandemien?
– Da vil vi simulere frem i tid med parallelle versjoner av virkeligheten, som kan brukes som grunnlag for beslutninger i ledergruppen og styret. Da handler det om at en eksplisitt snakker om forutsetningene for en gitt beslutning, og henter inn data for å teste dem ut, sier Walberg.
Selv gjennom pandemien, der fremtiden virker usikker og det finnes lite eller ingen historiske data, har de jobbet på denne måten.
– Det er mye vi ikke hadde data om, det er ingen som hadde erfaring med en pandemi i mars 2020. Da laget vi syntetiske datasett basert på ekspertuttalelser. På den måten kunne vi bruke en datadrevet tilnærming der vi egentlig ikke hadde representative data. Det trenger ikke være begrensing sånn sett – at en ikke allerede har masse strukturerte data.
Walberg mener at de fleste selskaper på samme måte kan finne gode løsninger for å jobbe smart med data, selv om de ikke har massevis av strukturerte data fra før.
– Alle har noe data et eller annet sted, det handler om hvordan det er strukturert. Begynn et sted, start smått. Ikke gjør noe bare for å teste ut en teknologi eller metode. Start med et reelt problem du vil løse, som faktisk vil skape verdi. Som at du vil planlegge bemanning bedre på lageret. Så gjelder det å jobbe seg tilbake derfra.
Lærer opp gode databrukere
Hos Oda har det vært viktig å integrere data i arbeidet på tvers av virksomheten.
– Da vi bygget opp dataavdelingen, så vi raskt mange i selskapet som var interessert i å tilrettelegge for bruk av data til beslutninger, sier Walberg.
Antall dataeksperter i selskapet har på få år blitt mangedoblet – men i stedet for at disse sitter på utsiden, er mange av dem integrert i de ulike kryssfunksjonelle teamene.
De jobber også mye med opplæring og support, slik at flere kan bli gode databrukere og gjøre mest mulig selv.
– Vi har hatt stor suksess med selvbetjening, og jobber nå målrettet med å skalere dette til en rekke utvalgte områder i Oda, sier Walberg.
En forutsetning for å jobbe på denne måten er at de har bygget en plattform der datakvaliteten er god fra ende til ende.
– Da må vi ha godt strukturert data og gode verktøy på toppen, sånn at en ikke må kunne skrive SQL for å jobbe med det, sier Walberg.
Å få på plass dette grunnlaget er ofte en stor utfordring for mange, mener hun.
– Men så starter en heller ikke der. Begynn med med tradisjonell Business Intelligence. Når det er mer modent, og dere stoler på dataene, kan dere starte med mer automatisering og bygge videre på det.
Kom i gang: – Velg et sted der dere kan få suksess
Oda er et ungt teknologiselskap, som har brukt data som beslutningsstøtte og integrert det i operasjonen og produktet fra starten.
– Men å jobbe med data på denne måten er ikke forbeholdt oss, sier Nina Walberg.
– Vi har nok enklere rammebetingelser og har sannsynligvis kommet lenger enn en del andre. Men det er vanskelig å argumentere for at en ikke bør jobbe som dette.
Til andre virksomheter som har kommet kortere, råder hun å starte smått og enkelt, og å ta høyde for hvem det er som skal bruke disse løsningene internt.
– Velg ut et sted der dere kan få suksess. Finn de som er interessert, motivert og har forutsetningene for å lykkes. Så kan heller dette skape misunnelse i selskapet – «dette vil vi også få til».
– Det beste er når det ikke bare er datafolket som står for forkynnelsen, men dere får med andre fagområder som kan vise hvordan det skaper verdi, sier hun.
Så hvor skal en begynne?
– Du kan komme langt uten å kjøpe svære enterprise-løsninger. Om dere har en eller to flinke folk internt som kan litt Python eller R, kan dere få til utrolig mye – ved å strukturere dataene i CSV-format og skrive noe kode på toppen, sier Walberg.
Da må dere riktignok ha litt kompetanse. Men Walberg legger til at flere innsiktsverktøy har senket terskelen veldig for å komme i gang med data på egenhånd. Da kommer du langt bare du er litt kjent med regneark.
Det første som må skje er uansett at dere bestemmer dere for å prøve.
– Så handler om å finne det riktige problemet å løse, og dataene som kan hjelpe dere med å løse det det, avslutter Walberg.
Vil du lære mer om hvordan dere kan jobbe med data og beregning av usikkerhet i din virksomhet? Meld deg på «Metoder for beregning av usikkerhet» på Universitetet i Oslo 21.-22. mars og 1. april.
Påmeldingsfristen er 7. mars.
