• Nu kör vi Data Science programmet hos Dataföreningen Kompetens

    Från och med nästa omgång av vårt utbildningsprogram Certifierad Data Scientist (start oktober 2018) kör vi programmet i samarbete med Dataföreningen Kompetens, DFK. Tanken med det är att kombinera vår expertis med DFK:s förmåga att nå ut till bredare målgrupper. Detta ökar våra möjligheter att hjälpa fler organisationer att höja sin analytiska förmåga. DFK har lång erfarenhet av att leverera välrenommerade certifieringsprogram inom IT-arkitektur, affärsarkitektur mm. Certifierad Data Scientist faller väl in i det sammanhanget. För mer information och intresseanmälan, se här.


     

  • Välkommen på data science meetup 23/5 om sports analytics

    Då har det äntligen blivit dags för en till träff i den allt mer populära meetup-gruppen Stockholm Data Science. Denna gång är temat sports analytics.

    Vi har en mycket spännande inbjuden talare från Football Analytics Sweden AB från Östersund. De hjälper idag flera klubbar att bli bättre på att utnyttja möjligheterna med att inte bara samla in en massa data (som alla gör), utan även analysera och visualisera för att ha verklig nytta av all data i verksamheten. De har ett spännande samarbete med fotbollskanalen där de integrerat www.playmaker.ai för att utöka och förbättra informationen i tv-produktionen.

    Utöver detta passar vi på att ge en update på hur vårt samarbete med svenska alpina landslaget framskrider, nu med snowflake dw i molnet och R-baserad modellering.

    Men framförallt är det ett bra tillfälle att träffa och mingla med andra i branschen. ”Det här är den trevligaste meetupen av de jag brukar gå på.” sade en av våra besökare förra gången. Vi jobbar för att behålla den tätplatsen! 🙂 Vi tror att en av orsakerna till detta är att vi är mycket noga att inslagen på meetupen är intressanta i sig, och inte förtäckt sälj av något, utan att det helt enkelt är en intressant informell community kring data science. Och kanske att man får testa Anders goda öl…

    Välkommen att anmäla dig här. Om det är fullt, anmäl dig ändå. Det finns en automatisk reservlista. Glöm inte att avanmäla dig om du vet att du inte kan komma så att andra får chansen.


     

  • Vårens tjänstecyklar beställda

    När reglerna för att erbjuda tjänstecykel förenklades var vi snabbt på bollen och blev (så klart) våren 2017 personalcyklar.se:s första kund. Det blev mycket uppskattat och vi har nu genomfört en andra omgång. Totalt har nu fler än 30 av våra medarbetare i Sverige hoppat på denna möjlighet. Det tycker vi är superkul, och det passar bra in i kulturen här. Upplägget är enkelt tack vare ett tight samarbete med Sportson som fixat anpassad webshop för beställning, hjälpt var och en och nu håller på att leverera cyklarna lagom till att vägarna torkar upp och solen börjar värma på allvar. Nu hoppas vi på breda och välsopade cykelbanor!


     

  • Certifierad Data Scientist, Sept 2018

    Nu är antagningen igång för nästa omgång av Ferrologics Data Scientist program.

    Programmet riktas till analytiker som vill lära sig mer inte bara om analysmetoder utan om den verksamhet analysförmågan ska stärka. Det är ett ambitiöst program där både erfarna och mindre erfarna analytiker kommer bli bättre analytiker, och även verksamhetsorienterade data scientists med betydligt fler metoder och verktyg i sin verktygslåda.

    Vi är stolta och glada över fina omdömen från tidigare deltagare. Vi håller gruppen liten, max 11 personer.

    Om du eller någon du är chef över borde gå, hör av dig så hjälps vi åt att diskutera oss fram till om detta är rätt väg att gå. Vi är måna om att rätt personer går, och av rätt orsaker.

    Läs mer…

  • Att vinna över Machine Learning-modeller bättre än OS-guld!


    GRATTIS TILL GULDET FRIDA!!!

     

    ML-modell för relevant utvärdering av alpina resultat

    För att kunna utvärdera sina insatser under OS gav Ski Team Sweden Alpine oss i uppgift att ta fram en modell för att räkna ut vilken sannolikhet de olika svenska åkarna hade att nå topp-placeringar under tävlingarna i OS.

    Under årets första R&D-dag i januari fick några av Ferrologics Data Scientist i uppgift att ta fram en machine learning modell för att prediktera sannolikheten för topp-placering för våra svenska OS-deltagare. I praktiken byggdes fyra modeller, en per gren (slalom / storslalom) uppdelat på herr och dam. Modellerna skattade sannolikheten att åkarna skulle nå en topp 3, topp 5 eller topp 10 placering. Vi byggde och tränade modellerna på data från innevarande säsong och gjorde sedan en sista uppdatering av modellen efter sista tävlingen innan OS.

    Gårdagens 6:e-plats i storslalom bättre prestation än dagens OS-guld i slalom?!

    I går lyckades Frida Hansdotter oväntat ta en topp-placering i storslalom. Statistiskt sett var detta faktiskt en större prestation för henne än den guldmedalj hon lyckades ta idag i slalom. Det var inte så mycket skriverier eller uppståndelse kring 6:platsen i storslalom, vilket är helt naturligt, men sett till vad vi hade förväntat oss så borde Fridas prestation i storslalom rankas högre än OS-guldet. Frida överträffade alla förväntningar i storslalom emedan prestationen i slalom var mer i linje med förväntan (men inte mindre imponerande för det!).

    Till höger i tabellen ser ni resultatet från den prediktiva modell vi byggde för damer i storslalom jämfört med det verkliga utfallet till höger. Trots att modellen som helhet presterar riktigt bra, ser vi att en modell är just en modell och att verkligheten och modellen skiljer sig åt. I detta fallet är vi ovanligt glada för modellens största miss, Frida’s 6:placering. Övriga svenskor presterad i linje med förväntan, Sara Hector placerade sig på 10:e plats (prognos 9:a) och Estelle Alphand på 16:e plats (prognos 15:e).

    Nu ser vi fram emot herrarna tävlingar på söndag (storslalom) och torsdag (slalom), och hoppas att våra svenska deltagare fortsätter att överprestera, gör de det kan jag utlova ytterligare en svensk medalj i slalom. Kan ni gissa vem?

     

     

     

    Stort grattis till OS-guldet!


     


  • Är det dags att separera I och T i IT?

    En av många nycklar på vägen mot digital innovationsförmåga är att lossa på den ofta rätt hårda kopplingen mellan ”I” och ”T” i ”IT”. Information är inte system och vice versa, men hanteras ofta som samma sak. Information blir allt för ofta knutet till teknik.

    ”Hur styr ni er värdefulla tillgång Information, tex kring Kund, Produkt, etc?”

    ”-Vi har kunddata i vårt CRM/Affärssystem/… etc, och har systemägare och systemansvariga med benkoll på datamodellen.”

    Det är rätt långt från affärsutveckling, marknad, sälj. Dvs där innovation sker, kundrelationer hanteras och tjänster/produkter omsätts till intäkter. Om man ska dra nytta av den värdefulla tillgången information i sin innovation behöver information tydligt kopplas till affärsskiktet i organisationen. Många gör det eller är på väg åt det hållet, men alltför många tänker information=data, och data ligger ju i systemen och därmed blir information en teknisk fråga.

    För att ändra på detta behöver den frågan hanteras högt upp i organisationen och eventuell förändring hanteras från C-level.

    Men man har ju oftast redan en uttalat ansvarsroll för Information på C-level? Chief Information Officer, CIO. Min uppfattning är att CIO ofta har mycket system/arkitektur/plattform och organisation kring detta på sin agenda, men inte så mycket kring Information på agendan. Inköp av system, och projektportfölj är viktigare än att etablera Information Governance, ensa affärsregler, etablera ansvarsroll för datakvalitet etc. Kanske trampar jag på några tår här, men då vill jag bara gratulera till de fall som inte stämmer in på den beskrivningen. Ni har en stark fördel i jakten på att bli en datadriven organisation med förmåga att affärsutveckla på sin information.

    Alla tekniska aspekter som en CIO hanterar är nödvändiga och viktiga, det är verkligen inte det jag är ute och far efter. Men jag tror informationsområdet är underutnyttjat och organisationer skulle tjäna på att renodla informationsområdet och koppla det till affärsverksamheten snarare än mot infra och system.

    Renodla CIO som en verksamhetsroll med fokus på övergripande ansvar för verksamhetsprocesser och information. Renodla teknisk arkitektur, infra etc i en CTO-roll med fokus på just infra och system?

    Räcker det? Nja, då har vi lyft information som något viktigt att ta hand om, förädla, tillgängliggöra och underhålla på samma sätt som tex system. Men ur det kommer inte automatiskt en stark datadriven innovationsförmåga. Därför, om jag får fortsätta att önska, behövs kanske även en CAO som håller ihop analytics-området på koncern-nivå för att bygga en stark analytisk förmåga och -kultur kopplad till affärsutveckling och innovation. En stark analytisk förmåga och -kultur är avgörande i att skapa en stark och potentiellt disruptiv digital innovationsförmåga.

    Jag upplever att många datadrivna organisationer är på väg åt ungefär det hållet nu. Analyschefsroller etableras som koncernövergripande roller, men kanske inte har fått in ett ”C” framför titeln. Än…

    Rätt uppfattat, eller bara önsketänkande?

  • En godare jul till fler!


    Vi fortsätter traditionen att stödja de som behöver det mest. Årets donation på 100.000 SEK delas lika mellan Stadsmissionens utdelning av matkassar till behövande barnfamiljer, samt till hjältarna på MSF/Läkare utan gränser.

    Tack för att ni finns!


     

  • Årets sista Data Science Meetup


     

     

     

    30e november är det dags för årets sista Data Science Stockholm Meetup. Vi har med Cloudera som sponsor och har bett dem berätta om och dema Data Science Workbench.

    Utöver det ska Filip Wästberg berätta om sin uppmärksammade textanalyslösning för att kora vilken av Kents låttexter som är deppigast! Kul men även väldigt bra exempel på att man med ganska små medel kan åstadkomma mycket med textanalys.

    Läs mer och anmäl dig här om du vill komma. 

    Potentialen avseende textanalys är enorm. Man kan se textanalys som en samling metoder för att lägga på analyserbar struktur och koppla numeriska värden till ostrukturerad text. Därmed möjliggörs att textbaserad data inkluderas i statistisk analys.

    En reflektion är att den potential vi ser i att använda textanalys för att öka affärsvärdet av sin information inte slagit igenom än. Det har visat sig vara svårt att förklara nyttan av det för att motivera investeringar. Vi hoppas att sådana här exempel kan ändra på det.


     

  • Taggat landslag inför säsongen!


    Vi fick precis nya bilder från alpina landslagets försäsongsträff i Åre. 

    Med bara några dagar kvar till premiären i Sölden ser det lovande ut med så här taggat gäng! Vi är stolta att vara en leverantör till alpingänget. Kör hårt och hoppas att säsongen kommer gå bra, särskilt med tanke på att VM i Åre 2019 närmar sig. Vi är redo att tanka in en massa grymma resultat i ert nya fina DW. 🙂 /Vännerna på Ferrologic Analytics

    Foto: Klas Rockberg


     

  • Gapminder deltar på Ferrologic Data Science Program


    Hans Rosling var och är en stor förebild för data scientists över hela världen. Hans grundade organisationen Gapminder tillsammans med Ola och Anna Rosling som bland annat skapat den numera klassiska visualiseringstekniken med animerade bubbeldiagram. Det är svårt att hitta bättre exempel på när man skapat stor nytta av data med hjälp av statistik, visualisering, storytelling, retorik och väldigt stor förståelse för både faktaområdet och mottagarna av informationen. Det är precis det spannet vi försöker ha i data scientist programmet, och vi använder många exempel från Hans Roslings fantastiska presentationer i programmet. Certifieringen görs som ett realistiskt case baserat på data från Gapminder.

    Det är därför oerhört kul att kunna meddela att Gapminder deltar i Ferrologics data science-program både inledningsvis och i avslutande block.

    Programmet riktar sig till analytiker i datadrivna organisationer med en ambitiös digitaliseringsagenda.


     

  • Nordic Data Science and Machine Learning Summit 18-19 oktober

    Ferrologic Analytics är självklart med och bidrar till höstens stora event i Stockholm kring Data Science och Machine Learning. Ämnet är hetare än någonsin, nya buzzwords dyker upp hela tiden och vi ser fram emot en intressant agenda och kul mingel!

     

    http://www.nordicdatasciencesummit.com/

     

    Om du tillhör målgruppen och vill gå, kontakta Estivalia Carroza så kan vi ordna biljett till kraftig rabatt. Maila till estivalia.carroza@ferrologic.se.

  • Data 2020 Summit

    Data 2020 Summit är ett årligt event som samlar de mest nytänkande och affärsinnovativa företagsledarna och företagen i alla storlekar och branscher. Ferrologic deltog för andra året i rad som utställare och värd för rundabordssamtal för att träffa besökare att dela tankar och ideér med om innovationer och utmaningar inom Analytics, Master Data Management, Data Governance och Data Arkitektur. Vill du veta mer om eventet och agenda kan du besöka #Data2020Summit 

    När? Den 14 september 2017 – Var? Scandic Continental, Stockholm

  • Data Science Meetup #4 blev den mest besökta träffen hittills!

    Trots kort varsel blev Data Science Stockholm Meetup nr 4 den 12e juni den mest besökta hittills. Det var på gränsen att vi alla fick plats på Postmuseumsrestaurangen där vi håller våra meetups.

    Temat denna gång kretsade kring textanalys. Vi hade besök av en expert som pratade om algoritmerna bakom textanalys, samt besök av företaget Gavagai som har mycket intressanta tjänstepaketeringar kring textanalys. Nästa träff blir i september, och som vanligt med lika delar relevant content, trevligt mingel, god dricka, något ätbart och dessutom gratis. 🙂

    Om du hör till målgruppen och tycker det låter kul så gör gärna som över tusen andra data scientists i Stockholm redan gjort: gå med i gruppen och dyk upp på en Meetup. Det är inte reklam, och det är inte ett rekryteringsknep. Bara ett kul community som vi tycker behövs för erfarenhetsdelning och nätverkande.

    Stockholm Data Science

    Stockholm, SE
    1,010 Data scientists

    This is a group dedicated to having several meetups every year to discuss predictive analysis, how to find insights using different tools and techniques, how to carry out the …

    Check out this Meetup Group →

     


     

  • Stockholm Data Science Meetup 3:e April i Gamla Stan

    Nu är datum satt för nästa Data Science Stockholm Meetup: 3e april, ca kl 17 på postmuseum. Målgruppen är personer i Stockholm som i någon form jobbar med avancerad analys, eller åtminstone är mkt intresserad. Det är en community för verksamma analytiker. Gratis, opretentiöst, trevligt och även om det är fullt så ligger man på väntelistan. Detta är inte reklam om oss eller något annat. Ibland har vi med en sponsor för att få hjälp med notan, men alla dragningar är relevant content som vi bjussar på. Välkommen att anmäla dig!

    https://www.meetup.com/Stockholm-Data-Science/

    Nästkommande Data Science Stockholm Meetup beräknas bli i början av juni. Håll utkik!

  • A/B testning – referat från Nordic Data Science Summit

    nordicdssummit16
    Ferrologic Analytics deltog på data science konferensen Nordic Data Science Summit förra veckan. Detta inlägg är ett referat från en av de mer intressanta föreläsningarna, och lite egna reflektioner kring detta.

    Presentationen handlade om hur Spotify jobbar med A/B testning och analys av resultaten från detta. Eftersom många av oss jobbar en hel del med A/B testning inom olika CRM relaterade uppdrag så tycker jag det är insiktsfullt att veta hur Spotify jobbar med A/B testning (även om det mer handlar om produktutv. för deras del).

    När de gör en förändring i produkt så kan det handla om att lyckas minska churn, öka sessionslängder, öka konvertering till betalande kunder eller livstidsvärde. För att svara på om de lyckas använder de A/B tester i kombination med modellering på grupperna.

    Införandet av en produktförändring leder ofta till ett antal förändringar i beteenden. De olika beteendeförändringarna fångas upp med ett antal variabler som ska mäta dessa beteenden. De använder sedan modellering för att svara på vilka beteenden som har hög förklaring på målvariabeln. För att bara använda påverkbara variabler i modelleringen skiljer de på ”agerbara” och”icke agerbara” variabler. Endast agerbara variabler används i modelleringen och icke agerbara variabler används för segmentering.

    Exempel på agerbara variabler:
    Sessionslängd, skip rate, offlinestreaming
    Exempel på icke agerbara variabler:
    Land, ålder, kön

    För modellering använder spotify generellt XGBoost (https://arxiv.org/pdf/1603.02754.pdf för den som vill ha lite matnyttig läsning). Det är en robust metod som inte ställer så höga krav på variablernas fördelning och förhållande till målvariabeln samtidigt som den ger bra precision. Anledningen till att de inte använder random forest är för att det är viktigt att veta vilken variabel som har högst påverkan på målvariabeln.

    Hur viktig en variabel är mäts genom hur stor förbättring på precision som variabeln ger till de grenar i trädet där den är inkluderad, summerad över alla träd i modellen. När modellen är tränad och validerad tolkas sedan de viktigaste variablerna i modellen som de variabler som har störst inverkan på målvariabeln. För att sedan veta om beteendet påverkats i en positiv eller negativ riktning jämförs sedan de viktigaste variablerna i test och kontroll. Som jag förstår det så gör man sedan tolkningen så här:

    Om beteendevariabel X är positivt korrelerad med målvariabeln och en positiv förändring har skett i den variabeln jämfört med kontrollgruppen så har man haft en positiv påverkan på målvariabeln genom produktförändringen.

    Hoppas att det ger lite intressant input i analysarbetet!

    peter_saltin

     

     

     

     

     

     

     

     

  • Sports Analytics: Långsiktigt samarbete inleds med alpina landslaget

    lr-klas-rockberg-andremyhrer-1320148Digitaliseringen slår igenom i alla typer av verksamheter. Kostnaderna för att mäta, samla in, lagra och analysera data har fallit dramatiskt. Stora teknikskiften ligger bakom detta då olika teknologier för IoT och Big Data Analytics snabbt mognat. Detta i kombination med flera spännande exempel på vad man kan bidra med i olika sporter genom ett strukturerat analytiskt angreppssätt gör att vi ser det som ett av de mer intressanta områdena inom analytics framöver.

    Vi är mycket stolta och glada över att en intressant dialog med ledningen för alpina landslaget nu resulterat i ett långsiktigt samarbete där Ferrologic Analytics utgör analysfunktionen för skidförbundets alpina sektion. Avtalet sträcker sig i första läget fram till efter VM i Åre 2019.

    Väldigt intressant, men framförallt väldigt KUL att få samarbeta med det här grymma gänget!!

    lr-wc-7

    Läs mer…

  • Utvärdering av Apache Spark on AWS

    spark-logo-trademark      AmazonWebservices_Logo.svg

    Ahlin Helena - Version 2Under Ferrologics senaste två R&D-dagar valde några av oss att utvärdera Apache Spark on Amazon Web Services (AWS), med hjälp av programmeringsspråket Scala. Anledningen till att vi valt just detta område är att prestandamässigt anses vara ett av de absolut snabbaste modelleringsverktygen på marknaden.

    Målet med övningen var att bygga några enklare prediktiva modeller med hjälp av exempelvis random forrest och logistisk regression. Syftet med övningen var att utvärdera och reflektera kring Sparks för- och nackdelar kopplade till analysprocessen.

    Apache Spark är ett ramverk och en snabb och generell motor för storskalig dataprocessering och är just nu en av de mest intressanta komponenterna kopplade till Hadoop. Ramverket kan processera data i minnet, är snabbare än MapReduce och enkel att använda. Man kan skriva syntax i Java, Scala, Python och R. Spark kan accessa data lagrat i bland annat HDFS, Cassandra, HBase och S3, och kan användas till både batch-processering, streaming, interaktiv analys och machine learning. Spark är tänkt att användas till avancerad analys, processering av stora datamängder, machine learning, realtidsanalys mm. För att lagra data har vi använt oss av den molnbaserade tjänsten S3 inom AWS.

    R&D-dagarna har gett upphov till en del slutsatser och reflektioner. De största fördelarna är verktygets skalbarhet, stödet för SQL samt möjlighet för snabba queries via cashning i minnet. Vi anser att fördelarna med Spark kommer till sin rätt då det är stora mängder data som ska analyseras, har man med mindre datamängder att göra finns det andra verktyg som är mer användarvänliga och därför passar bättre. I jämförelse med mer traditionella verktyg ställer Spark högre krav på användarens tekniska kunskaper. Spark förutsätter en förståelse för ramverkets olika koncept som kan uppfattas som mer komplexa vid jämförelse med mer traditionella verktyg. Vidare ställer Spark större krav på en förståelse för olika datastrukturer och datatyper samt användarens programmeringsvana.

    Slutligen, för att analysprocessen ska bli så effektiv som möjligt är det viktigt att skapa en arkitektur som stödjer processen. En majoritet av nedlagd tid i en analysprocess går åt till att manipulera, bearbeta och visualisera data. För att göra denna process så effektiv som möjligt så är vår bedömning att det till Spark (där vi exekverat Spark-kod från ett shell) behövs kompletterande verktyg för exempelvis datavisualisering. Detta område har inte ingått i vårat scope , utan kräverer mer efterforskning.

    Detta är våra egna insikter och åsikter kring Spark. Vi gör detta helt av eget intresse utan stöd från sponsorer, vilket gör att vi inte kan lägga hur mycket tid som helst samt att vi inte låter våra åsikter färgas. Vi uppskattar att få ta del av engagerade kommentarer, åsikter och erfarenheter.

    Peter Saltin – Christian Bobeck – Niklas Johnson – Leo Brouwers – Helena Ahlin

     

  • Utvärdering data science verktyg: Tamr

     Ntamrär man talar om verktygsstöd för data scientists är det lätt hänt att sätta likhetstecken till analysplattformar så som R, SAS, SPSS etc. Men behovet av bra verktygsstöd i hela analysprocessen får en större tyngd i data scientist-perspektivet än om man tänker renodlat på statistisk analys. En nyckelfaktor är förmågan att kunna inkludera, förstå och kombinera datakällor att lägga till de man redan har, tex i sitt DW.

    Egentligen inget nytt, men det får allt mer fokus. Varför? Dels i och med BigData där förmågan att inkludera och kombinera olika typer av datakällor i sin analys är en viktig hörnpelare (Data Variety). Dels börjar det nu dyka upp helt nya spelare kring data governance, data management, data blending, data visualization. Ändrade behov och fler möjligheter alltså.

    Vi valde nyligen ut några aktörer som vi är nyfikna på för att titta mer på under vår senaste R&D-dag. Här lite avrapportering i korthet:

    Kort sammanfattning av vår test av Tamr

    Tamr marknadsförs som en mycket smart plattform för att katalogisera och koppla samman olika datamängder med hjälp av avancerad machine learning. Detta baseras främst på en machine-learning-komponent som kombineras med manuella expert-beslut för att tvätta och kombinera data på ett väldigt snyggt sätt. Det var dock inte det vi ville utvärdera just denna gång.

    En annan komponent hos Tamr Catalog, för katalogisering av data, vilket var det vi ville utvärdera just i detta fall. Vi ville testa om Tamr är ett bra stöd för data lake governance. Dvs verktygsstöd för att klä på nya datakällor metadata och följa en data qualification model vi satt samman tidigare. Catalog en fristående gratis produkt och hanterar bara metadata, ej innehåll. Mappa upp datakällor, och klä på med taggning och klassificering i ett enkelt gränssnitt. Precis det man vill ha som stöd för att behålla kontrollen i en agil datahantering i sin data lake.

    Funkar det? Nja. Just Catalog är inte Tamr:s kärnplattform, och inte det man lagt mest fokus på. Det som ligger ute är en betaversion. Snygg, men för tunn för att vara direkt användbar. Tex kan man tagga och skapa egna kategorier för datakällor, men du kan inte göra något direkt med den informationen sedan.

    Vi hade ett telemöte med Tamr där vi fick bra information och ärliga svar på våra frågor. Data governance är inte en viktig del i Tamr:s produktutveckling. De fokuserar på att koppla samman datakällor på ett intelligent sätt, och att paketera detta för några specifika usecases där detta löpande är en kritisk framångsfaktor, tex inköpsanalys för stora organisationer. Dessa delar har vi inte utvärderat än. För en väldigt bra genomlysning av Tamr, registrera upp som en follower på Boulder BI Brain Trust, http://www.bbbt.us/ och titta igenom filmen om Tamr från jan 2016. BBBT är en väldigt bra tjänst baserad på oberoende expertis, om man vill få inblick i nya BI-relaterade produkter utan att behöva basera all info på säljmaterial.


     

  • Enkätundersökning Avancerad analys 2015/2016

    Ahlin Helena - Version 2Nu är det dags att gå ut med årets upplaga av enkäten Avancerad analys 2015/2016.

    (Enkätundersökningen är nu stängd)

    Vad är det här?

    Avancerad analys är en årlig svensk undersökning som belyser analys/data scientist-området lokalt i Sverige och hur det förändras. Ämnet är alltmer aktuellt allt högre upp i många organisationer. Analytisk förmåga är en strategisk fråga driven av digitalisering, IoT, BigData. Vi tar tempen på analysområdet genom att samla in och analysera vad statistiker verksamma i Sverige ser, hör och gör.

    Insamlingen av uppgifter kommer pågå några veckor, sedan återkommer vi med en rapport på resultatet. Maila helena.ahlin@ferrologic.se om du vill att vi skickar den färdiga rapporten när den är klar.

    Bidrar Du så bidrar vi!

    Vi vill att så många statistiker som möjligt besvarar enkäten. Den finns här.Förmedla gärna detta till andra analytiker i ditt nätverk, även om du själv inte är analytiker. Länk att skicka vidare: http://korta.nu/avancerad_analys_2015-16 .

    Tips: Det går utmärkt att besvara enkäten på din smartphone. Formuläret anpassas på ett bra sätt till liten skärm.

    Som tack för engagemanget från våra respondenter bidrar vi med 50kr per komplett enkätsvar till välgörande ändamål. Förra året bidrog vi till MSF:s kamp mot Ebola (som gått fantastiskt bra faktiskt). I höstas stöttade vi UNHCR:s hjälteinsatser för flyktingarna. Vi väljer nu att stödja Cancerfonden.

    Ju fler som deltar, desto bättre resultat i undersökningen och mer pengar till Cancerforskning. Bra va?

    Varför genomförs undersökningen? Behövs den?

    Den ger ett lokalt perspektiv som komplement till internationella och amerikanska undersökningar. Vi tittar även på analysverksamheten. Ej bara olika tekniska plattformar.

    En organisations analytiska förmåga är en allt mer strategisk fråga, starkt kopplad till digitalisering. Därför blir det allt viktigare med bra beslutsunderlag avseende det som bygger upp den analytiska förmågan: Rätt organisation, rätt kompetens och rätt systemstöd tankad med rätt data. Men vad är rätt, vad gör andra, vad trendar? Det är intressant att ta del av och att dela med andra för benchmarking och del i ens egna beslut. Denna undersökning är en pusselbit i det arbetet, och dessutom av allmänintresse som omvärldsbevakning för alla vi som rör oss inom analysdomänen.

    Det finns onekligen gott om bra utvärderingar och undersökningar av analysverktyg, BI-verktyg, etc. Men:

    • De är ofta väldigt fokuserade på just verktyg och dess tekniska funktionalitet, prestanda etc. Verktyg är viktigt, men får ofta för stor vikt i strategiskt beslutsfattande som innefattar IT.
    • De är ofta internationella med tyngdpunkt på den amerikanska marknaden. Det är ganska olika hur långt man kommit här, i USA, och även i andra tongivande länder i att integrera avancerad analys som en strategisk förmåga i affärsverksamheten. Det är andra verktyg som används och som trendar, man har andra förutsättningar att lagra och sammanställa olika typer av data för analys etc.

    Därmed kan man inte dra för långtgående slutsatser från globala (amerikanska) undersökningar som beslutsunderlag vid strategiska plattformsval, vid strategiska rekryterings- och utbildningsbeslut, etc.

    Detta är orsaken till att göra en lokal undersökning, som dessutom inte bara fokuserar på systemen, utan även på arbetssituationen och förutsättningarna för analytiker. Vilka är analytikernas största utmaningar, vilken position har analys i deras organisation. Men även vilka verktyg man föredrar att jobba med, vilka har man på radarn etc.

    Målgrupp: Inte bara statistiker har nytta av undersökningen.

    Vi gör undersökningen för att vi själva tycker att den behövs. Vi har nytta av den i dialog med våra kunder, på konferenser, och även för vår interna kompetenshantering. Vi hoppas och tror att den på motsvarande sätt har nytta för andra med en tydlig analytisk agenda, som komplement till större undersökningar och rapporter från KD Nuggets, Gartner, Forrester etc.

    Målgrupp för att besvara denna enkät är yrkesverksamma statistiker och data scientists i Sverige.

    Målgruppen för att ta del av resultatet är bredare än så. Förutom yrkesaktiva statistiker och data scientists riktar sig undersökningen även till dig som beslutsfattare som insett att digitalisering mm gör analytisk förmåga till en allt viktigare del din organisation. Även konsultorganisationer med tjänster inom analys bör vara intresserade av undersökningen, för att själva kunna hålla sig i framkant av utvecklingen.

    Hur genomförs undersökningen?

    Undersökningen utformas och genomförs av utbildade och erfarna statistiker / data scientists som också sammanställer och analyserar resultatet. Dock med knappa medel och på kort tid eftersom den är finansierad av oss själva. Enkätens struktur och innehåll kan alltid förbättras på alla nivåer och vi tar till oss av feedback. Undersökningen publiceras som en rapport i PDF-format, och får fritt distribueras vidare och användas så länge källhänvisning görs.

    Respondenterna är professionella statistiker i näringsliv, offentlig sektor och i den akademiska världen. Vi går ut via egna nätverk, via utskick i statistikfrämjandet och eventuella andra kanaler vi känner till. Det är svårt att veta om svaren vi får in är representativa, men det gäller nog alla liknande undersökningar.

    Trovärdighet

    Rapporten har inga sponsorstöd från mjukvaruleverantörer eller andra. Vi som håller i den är förvisso en kommersiell organisation som säljer konsulttjänster inom bland annat avancerad analys och rådgivning. Vi är dock noga med att inte lägga in marknadsföring i rapporten, och är helt öppna med vilka vi är som ligger bakom undersökningen.

    Kontakt

    Frågor och feedback kring undersökningen skickas till Helena Ahlin, analysansvarig på Ferrologic. helena.ahlin@ferrologic.se

    Vill du ta del av rapporten när den är klar, även om du inte hör till målgruppen som kan besvara enkäten, skicka ett mail till Helena så fixar vi det. Utan att du behöver något dyrt abonnemang eller andra kostnader.


     

  • Vad kan företagen lära av cyklingen?

    Port de Hainaut, Frankrike. På plats för att följa etapp 3 av Tour de France (TdF) som startade utanför Liège. Thor Hushovd skenar fram på upploppet och vinner dagens etapp av Touren. Trots att jag har fått bra plats i VIP-loungen vid målgången, går allting så fort att jag inte hinner fånga mycket på kamera. Det är imponerande att se alla lagen svischa förbi i det här tempot efter 21 mil.

    Men det var ju inte Hushovd som vann. Det var ju Cérvelo Testteam! För bakom varje etappseger i TdF står ett helt lag.

    Vi behöver individer som vinnare. Det är en roligare historia att berätta, enklare historia – men inte nödvändigtvis den sanna historien. Det här blir extra tydligt inom cyklingens värld. För när fartvinden kommer upp i 10-15 m/s, orkar ju ingen ensam att ”dra”. Och just idag har Cérvelos tävlingsledare lyckats, att med hjälp av hjälpryttare och de andra lagmedlemmarna, få Hushovd rätt positionerad för att kunna rycka vid precis rätt tillfälle.

    lagbild

    Inte jaget – utan laget
    Världens bästa cyklist kommer sist i TdF! Jo, utan laget, klungan det samarbete som sker där, skulle det nog bli så. Låt oss byta ut Hushovd och Cérvelo mot ”stjärnan” i det framgångsrika företaget.

    Belöning, bekräftelse, beröm och uppskattning – vem gillar inte det? Och det får toppresterande individer en masse – tycker andra. Själva är de inte sälla missnöjda på ett eller annat sätt. Kanske ligger det i sakens natur, är man extremt competitive – då vore det väl märkligt om man la sig ned och var nöjd. Problemet är bara att det oftast är en laginsats som gör att den där affären kommer i hamn, att den fantastiska produkten blir verklighet, att en lansering… När såg Du ett ”lag” på Fortunes, Affärsvärldens eller BusinessWeeks framsida senast? Nej, just det.

    Stanfordforskaren Jim Collins har studerat vad om gör att mediokra presterande företag, kan bli toppresterande (”from good to great”). Ett viktigt resultat handlar just om laget (inte jaget).

    En kollega till mig som översatte boken till svenska, berättade att en företagsledare hade blivit så orolig för den publicitet som kunde följa av att han skulle intervjuas i boken, att han vilja avböja medverkan. Han var helt fokuserat på sitt lag och ville inte störa det arbetet. De företag Collins beskriver har som vana att tillskriva framgångar till laget – CEO bör hålla sig undan.

    Det är så uppenbart – inte minst visuellt – att laget tjänar på att ”plöja upp hål” i luften åt varandra, och på så sätt underlätta för varandra. Graden av samarbete är mätbart, kännbart och syns direkt på hastighetsmätaren. -Hur mäts graden av samarbete på Din arbetsplats?

    cykelljusDet som mäts det görs
    Inom cyklingen finns inte heller någon tveksamhet åt vilket håll man är på väg. Banan är lagd och målet är tydligt. I affärsvärlden pågår ofta ett flitigt arbete kring att diskutera vart man är på väg, ibland på bekostnad av att man inte hinner så många mil som man borde.

    Det här är egentligen kärnan. Mätbarheten. Den omedelbara återkopplingen på om man är på rätt väg. Om man genererar bra med watt igenom pedalerna. Om laget och klungkörningen fungerar syns ju på mätaren. Allt det här har cyklingen, medan företag kämpar för att åtminstone få något av det på plats.

    Konkurrenterna är Din bästa vän
    Av uthållighetsidrotterna är det nog landsvägscyklingen som kräver mest hjärna (låt oss som älskar cykling hålla det här för oss själva – de andra blir så lätt upprörda ;-). Jag tänker naturligtvis på hur klungkörningen läggs upp. Hur man hjälper varandra att dra. Porteur, positionering i klungan etc. Inom löpning, simning och längdskidåkning finns inte detta i samma utsträckning. Hastigheterna är ju lägre och aerodynamikens lagar gör sig inte lika påminda.

    Det är kampen mot aerodynamiken som gör cyklingen så intressant att studera för företagen när det gäller management, ledning och organisation. Man tjänar ju faktiskt många gånger på att dra nytta och t o m samarbeta med konkurrenterna. Att förstå när man ska samarbeta med dem – eller inte – kräver mycket taktiskt övervägande. Inte alla känner till att man i TdF vanligtvis kör med radiokontakt till alla cyklister. Då blir det lättare att ”spela schack” mot konkurrenterna.

    Jag har arbetat med branscher där man inte ens kan komma på tanken att samarbeta med konkurrenterna: ”om konkurrenten får nytta av det här – då kan det inte vara bra”. Men det kan det visst vara! Välj klokt och var trogen målen. Och ibland kan konkurrenterna vara en hjälp på vägen.

    Psykets kraft = doping?
    Sedan cykeln föddes för över 100 år sedan har man tävlat i att cykla så långt som möjligt på en timme. Redan i cykelns barndom blev det otillåtet med s k pacing. Så när Hamilton 1898 blev den första att köra 40 km på en timme, så blev hans rekord ogiltigt. Orsaken? Han hade låtit en spegel reflektera en prick som lades strax framför honom. Pricken färdades med c:a 40 km/h. Därmed var UCI det första idrottsförbund inom som erkände psykets kraft och t o m diskvalificerade dem som ”lurade” sin viljestyrka till nya höjder på detta sätt. Idag är det enda som är tillåtet, en klocka som ringer för varje varv.

    Vad lär det här oss? Jo, att den snabba återkopplingen på hur man ligger till relativt målet är oerhört kraftfull. Som tur är får företag mäta hur de ligger till på sin marknad. Däremot är det betydligt svårare att avgöra om man är snabbast, störst eller först. Men om man klarar man det, är det klart att man kan släppa loss krafter som är minst lika starka som de UCI ville inte ville tillåta.

    Avskedad för att cykla till jobbet
    De tidiga rekorden i cykelvärlden hänger intimt samman med dagens mest kända tävling. Henri Desgrange var anställd på ett advokatkontor i Paris, men det sägs att han blev avskedad för att ha cyklat till jobbet. Om det var själva cyklingen eller att hans vader då exponerades på ett ”icke passande sätt” – det förtäljer inte historien. Han satte ett antal rekord och var den som 1893 hann längst på en timme (35.3 km). Förutom cyklist blev han sportjournalist och grundade sedan organisationen Tour de France. Så cykling och företagsvärlden hänger intimt samman.

    Och akta Dig för att cykla till jobbet – det kanske går för Dig som för Desgrange. För om företaget är det rätta, kan cykling leda till Big Business. Alla som har sett TdF på plats kan vittna om att det är ett omfattande företag!

  • Appar för att hålla oss borta från appar

    Att många av de nya och mest innovativa idéerna kommer från personer som är så unga att det inte var födda när jag gick i gymnasiet är inget nytt.

    Pay by Play är idé som har tagits fram av ett par studenter på Berghs School of Communication. Själva konceptet går ut på att föräldrar kan tillåta sina barn få tillgång till speltid på sin platta/telefon genom att betala med lek. I konceptet har man begränsat det till att föräldern kan låta det spelsugna barnet betala i form av tidsenheter lek.

    Själv tycker jag idén som sådan är rolig och bra, även om man så klart önskar att det inte skulle behövas.

    Som småbarnsförälder vet jag mycket väl hur svårt det kan vara att emellanåt slita dotterns ögon i från plattan, men det är också väldigt lätt att missa hur länge ens barn suttit vid skärmen, i vissa fall är det ju om man skall vara riktigt ärlig så skönt att få lugn och ro att man tillåter de små liven sitta lite längre än vad man egentligen vill.  Jag skulle därför gärna se ett system som inte bara påminner barnet men även mig som förälder att nu är det dags att göra något annat, kanske till och med göra något tillsammans.

    Och förresten nu när jag tänker på det, ibland kanske en del vuxna också skulle kunna dra nytta av ett Pay by Play-lås. Nej nu får du inte sitta mer med Facebook, Iinstagram eller Twitter, du får logga in igen när du sprungit 5 km eller gjort något tillsammans med din familj.

    Inom ramen för uppgiften har ingen tid lagts på hur en sådan här lösning faktiskt skall implementeras så vitt jag förstått.

    Själv fick jag direkt tankar på att Apple i detta fall skulle behöva publicera API:er som apputvecklare skulle var tvungna att implementera för att vara Pay by Play-kompatibla. Tjänster som tar emot data för att faktiskt mäta om målen uppnåtts. Varför stoppa med att mäta tid?  De mobila enheterna och träningsband innehåller ju redan GPS, gyroskop, kamera etc. som skulle göra det möjligt att spela med andra valutor än tid. Varför inte använda GPS för att sätta ett mål i metrar eller indirekt göra det genom att få dem nå geografiska platser som man behöver ta kort på för att lösa in valuta. En svaghet med flera av de potentiella de lösningar jag själv kommer på är att de i många fall kräver att man aktivt behöver använda sina mobila enheter.

    Misströsta ej, det finns många mycket smartare och fantasifullare personer än mig och de kommer hitta någon lösning med hjälp av en uppkopplad diskmaskin, google glass, sensorer i skorna eller något anat.

    Oavsett vad är det tydligt att en sådan här lösning per definition skulle innebära att fler system skulle behöva prata med varandra, mer data behöver utväxlas konverteras, presenteras och analyseras. Helt enkelt mer skoj för oss i integrationsbranschen att göra.

    Länkar: