Dags att skruva upp tempot kring åtgärder mot penningtvätt och finansiering av terrorism!

Detta ständigt aktuella ämne har hamnat i fokus idag igen då Finansinspektionen meddelar att två av Sveriges och Nordens största banker inte följt gällande regelverk på området. Den ”nya” lagen om åtgärder mot penningtvätt och finansiering av terrorism antogs redan 15 mars 2009 och per 1 augusti i år kommer nya förändringar i befintlig lag.

Vad får dessa beslut från Finansinspektionen för konsekvenser för den finansiella sektorn i Sverige och Norden? Det ska helt klart bli spännande att se. Mina fem råd till hur man bäst angriper det oerhört viktiga arbetet med implementering av gällande regelverk är:

  • Tone at the top – allt börjar med att bankernas styrelser och verkställande ledningar verkligen förstår att deras verksamheter är i riskzonen för att utnyttjas för penningtvätt och finansiering av terrorism
  • Tillsätt resurser – rätt kompetens och rätt antal personer på rätt plats. Ett litet talessätt kring Compliance är: ”Pay now... or pay later”.
  • Transaktionsgranskning är oerhört viktigt men enkla affärsregler räcker inte till längre, analys måste tillsättas för att hitta avvikande beteenden, mönster, nya metoder och trender.
  • Analysera riskerna med Anti-Money Laundering (AML)! Gör en riskbedömning och definiera ansvaret i hela organisationen. Låt riskbedömningen bli ryggraden i allt AML-arbete.
  • Viktigt att känna: Know Your Customer, Know Your Owners (Beneficial Owners), Know Your Employees och min egna lilla förkortning: KYD (Know Your Data)!

Till sist, min egna slutsats, som jag länge och väl stått på barrikaderna och proklamerat: Kom ihåg syftet med AML-arbetet!


Marie Lundberg, Senior AML & Fraud Expert på SAS Institute har över 20 års erfarenhet från den finansiella sektorn. Hon är specialist på praktiska åtgärder mot penningtvätt och finansiering av terrorism med lång erfarenhet från AML-arbete på bank och andra finansiella företag inom Norden och Europa.


Hör gärna av er för att diskutera ämnet med mig, hälsningar

Marie Lundberg, SAS Institute
marie.lundberg@sas.com
Tel: +46 (72) 724 9370
Twitter: @marieluaml
LinkedIn: https://se.linkedin.com/pub/marie-lundberg/5/b5a/b91

 

Post a Comment

I en värld av Big Data – vad skiljer en Data Scientist från en Statistiker?

Dr Michael Rappa är grundare och ansvarig för Institute for Advanced Analytics i North Carolina State University. Som chef för institutet leder han USAs första Master of Science Analytics. Vi har frågat Dr Rappa om hans tankar kring rollen Data Scientist samt om några tips för en värld av Big Data.

Data Scentists - Dr Michael Rappa
Dr. Michael Rappa

Hur skulle du definiera en Data Scientist?
Data Scientist, som det används idag, är fortfarande en framväxande jobbkategori. Även om dess popularitet har skjutit i höjden hos arbetsgivare de senaste åren, tror jag inte det finns en enda definition som gäller - och kanske bör vi inte förvänta oss att det ska vara det på detta stadium. Jag definierar en Data Scientist i stort som någon med tekniska kunskaper och färdigheter i verktyg som utvinner värdefulla insikter från olika datakällor som genereras i dagens digitala ekonomi. Den kanske enskilt viktigaste egenskapen hos en Data Scientist är djup passion att brottas med komplexiteten i dataanalys.

Vad skiljer en Data Scientist från en statistiker eller en person som arbetar med data mining?
En Data Scientist måste behärska statistiska begrepp. Jag tror inte att du behöver en doktorsexamen i statistik, men du behöver en nivå av förståelse som går utöver grundnivå. Data Scientists måste också ha en stark mångsidighet i datorprogrammering för att manipulera och sammanställa data från olika källor. Detta kan gå utöver vad som är vanligt för statistiker, i allmänhet. Med detta sagt, vissa statistiker hävdar att Data Scientist bara är en ny etikett för vad de har gjort hela tiden, och jag kan till viss del förstå deras uppfattning.
Data mining är en viktig metod som Data Scientists använder i sitt arbete. En Data Scientist kommer att ha flera olika metoder i sin verktygslåda, som kan tillämpas på lämpligt sätt på det aktuella problemet. De bästa Data Scientists slutar aldrig att lägga till verktyg till sin repertoar.

Data Scientists

Vilket råd skulle du ge till en som vill bli Data Scientist?
Det första jobbet är ofta en språngbräda och är det rätt kommer det ge dig maximal lyft av din utbildning. Om du kan, fokusera inte för mycket på geografisk placering eller den högsta lönen. Jag uppmuntrar mina elever att tänka på sin första position som en medicinsk hemvist, att börja på ett ledande sjukhus där man kan dra nytta av att vara runt erfarna kirurger och läkare och lära sig yrket. Efter tre års erfarenhet, då kan du överväga att flytta på dig, om det är vettigt, till en geografisk plats eller bransch som bättre passar dina behov.
Sluta aldrig att lära. Speciellt idag - det finns så många bra möjligheter att fortbilda sig i det dagliga, fortsätt fylla på din verktygslåda. Var alltid professionell. Fundera över hur ditt arbete är kopplad till och tillför värde för din organisation/verksamhet. Bygg starka relationer med kollegor – lär av dem och dela din kunskap. Ha tro och tillit på kraften i ett team. Bli en fulländad lagspelare som alla vill ha i sitt lag.
Jag vill varna kandidater att inte fastna i den hype som finns just nu i rollen. Data Scientist har fått en status som en ny "sexy" karriär – men om sanningen skall fram - det är ingenting sådant. Värdefulla insikter från data kommer inte lätt eller snabbt. Det är vanligt hårt arbete, som tar tid, kräver skicklighet och beslutsamhet för att ta ett affärsproblem till färdigt resultat. Om den personen är du, då är det en fantastisk karriärmöjlighet och du kommer upptäcka att det inte är någon brist på arbete efter genomförd utbildning.

Läs hela intervjun här

Post a Comment

Dagens tonårstjejer - framtidens analytiker?

För några veckor sedan hade vi Sveriges framtid på besök här på SAS under Introduce a Girl to Engineering Day. Tolv tjejer i 12-15 årsåldern kom hit och fick lära sig om analys och höra vad en SAS-konsult gör hela dagarna.

Tjejerna fick först höra lite bakgrundshistoria om vilka SAS Institute är och vilka vi som jobbar här är. Efter det fick de en introduktion till SAS Visual Analytics, ett verktyg som dels kan användas till att bygga och titta på dynamiska rapporter, och dels kan användas till att utforska data ad-hoc för att kunna besvara frågor och upptäcka samband.

De fick sedan gräva runt i filmdata som innehöll information om filmtitlar, betyg, längd, budget med mera. De fick besvara frågor som "Varför ser det ut som att man tjänar mest pengar på filmer med åldersgräns 11 år? Fundera över orsaker och "Vissa personer upplever att det görs längre filmer nu än vad det gjordes tidigare. Stämmer det?". Övningen gick riktigt bra och skulle vi få in några produktionsbolag som kunder så vet vi var vi kan börja rekrytera fler duktiga analytiker! 

Post a Comment

Data Scientists med en knapptryckning

 

Är det möjligt?

I dagens digitaliserade och globaliserade värld är behovet av data- och affärsanalytiker tydligt. Den absolut hetaste yrkesrollen i Silicon Valley just nu är Data Scientist som möjliggör Data-driven produkt utveckling och affärs transformation. Rollen myntades 2008 av D.J. Patil och Jeff Hammerbacher (då på Linked In och Facebook) och rollen har nu även blivit etablerad i sverige och norden.

Data Scientist - teknisk bakgrund som kan förstå avancerade dataset, göra analytiska och matematiska beräkningar på denna men som samtidigt vet vad de skall leta efter och kan presentera resultatet på ett greppbart och relevant sätt

Kompetensen hos en Data Scientist har en hybrid och komplex profil, historiskt oftast +15 års erfarenhet för att kunna axla yrkesrollen fullt ut. Data Scientist är en disciplin att kunna utvinna kunskap från ofta komplexa och stora mängder av data för att förbättra beslutsfattandet. Det innebär en mängd olika kärn-kompetenser, inklusive att förstå affären, data utforskning och datamodellering. Andra delar av kompetensprofilen är programmering och kodning. Med programvaruindustrins utveckling de senaste åren har bla självbetjäning, nya sätt att lagra data och In-Memory teknik möjliggjort att fler kan laborera med data utan att behöva koda. 

På Gartner Summit i början av mars i London, lyftes det stora behovet och rollen Citizen Data Scientist fram.

DS Patric HNu finns den första data- och affärsutbildningen med certifiering av en Data Scientist i Sverige. Programmet vänder sig till deltagare med både Senior eller Junior profil (upp till 3år arbetserfarenhet). Den inkluderar en kvalitetssäkrad och effektiv process från rekryteringen av talanger till kopplingen av behovet ute hos kunder och partners.

SAS Institute har etablerat strategiskt partnerskap med 2 rekryteringsbolag (Adecco och Bravura) som med en "knapptryckning" tar fram kandidater/talanger med rätt förutsättningar att genomgå det krävande programmet för Data Scientists. Rekryteringsprocessen är 1-4 månader och deltagaren är anställd (eller hyrs in) och arbetar i befintligt projekt hos uppdragsgivaren under programmet.

Utbildningen innebär för en motsvarande Citizen Data Scientist totalt  16 lärarledda utbildningsdagar under 12 mån. I programmet jobbar deltagaren med tre perspektiv: Technology, Process och Skills vilka varvas teoretiskt och praktiskt. Kombinationen av Analys och affärsperspektivet samt verktygs utbildningen leder till att arbetsgivaren får vid programmets slut, ett beslutsunderlag för kommande steg i den analytiska livscykeln (högre värden) samt underlag för löpande karriärplan för deltagaren (Talent Managent).

Läs mer om Data Scientist här

Intresserad av certifieringsutbildningen, kontakta mig så berättar jag mer.

Patric Hellgren, SAS Institute
Patric.Hellgren@sas.com
tel: +46 (72) 724 9351

Post a Comment

Hockeyanalys 2.0 - Nästa generations analys av hockeystatistik är här för att stanna!

”John! Har du de sett den här filmen?”, frågade Christer Bodell - en passionerad SAS evangelist inom Analys. Filmen hette Moneyball. ”John! Har du sett klippet om SAS, Maple Leafs och NHL ?”, frågade Jon Blomqvist.

Filmen och klippet hade jag inte sett  - men efter att ha sett dem såg jag att det faktiskt gick att kombinera min passion för hockey med mitt jobb… SPORTS ANALYTICS fanns i mitt medvetande och en ny tankeprocess satte igång i mitt huvud. Jag diskuterade saken vidare med Christer. Han var lika exalterad och hade nosat upp författarna Jan Lennartsson (Matematiker och tidigare handbollsspelare) och Carl Lindberg (adjungerade professor ) som tillsammans med den f d ishockeyspelaren Nicklas Lidström skrivit uppsatsen ”Game intelligence in team sports

Christer hade träffat författarna och fått det förklarat hur de i uppsatsen hade kartlagt Niklas Lidström spelsystem, och översatt det till faktiska sannolikheter via en matematisk modell, som statistiskt förklarade varför Niklas spelade som han gjorde. När de frågade Niklas om andra hade försökt kartlägga hans spelintelligens, så visade sig att ”ingen hade frågat tidigare”…

Intresset fick mig att bevaka hashtaggen #fancystats på Twitter och snabbt hittade jag svenska Petter Carnbro @numerartovertag som precis plockats in av Frölunda för titta och analysera just hockeystatistik - och plötsligt fanns inte hans blogg tillgänglig längre...

Och mitt i detta nyvakna hockeystatiskintresse öppnade NHL plötsligt upp sin skattkista med statistik och gjorde den tillgänglig.

-Jon!!! Har du sett statistiken från NHL? Vad tror du om att läsa i den i Visual Anlaytics?! (vårt SAS verktyg för analys och visualisering) ”Inga problem”, sa Jon - som även han fick kombinera sitt kanske ännu större hockeyintresse med jobb. Så sent på kvällarna  - efter arbetstid, droppade det in den ena analysen efter den andra om analyser som Jon gjort på NHL-data. Här följer några exempel på vad Jon fick fram!

 

Analys av tekningsstatistik

Vi börjar med analys av något som kan tyckas vara väldigt ordinärt – tekningar. Framgångsrika lag har som oftast duktiga tekare och bra statistik i så kallade special teams som avviker från snittet i NHL. Hur kan jag som coach få en överblick över samtliga tekare och hur de presterar jämfört med snittet i NHL? Med hjälp av spridningsdiagram tillsammans med analys (svarta regressionslinjen representerar snittet) kan coacher visuellt se vilka som presterar väl i dessa situationer. Varje punkt, i bilden nedan, representerar en spelare där x-axeln är antalet förlorade tekningar och y-axeln är antalet vunna tekningar. Jag som coach skulle alltså vilja ha spelare som ligger över den svarta linjen. Tydligt ser vi att den markerade spelaren (Jonathan Toews i Black Hawks) presterar mycket bättre än snittet när det gäller totalt antal tekningar under en säsong. Ger detta en fullständig blick hur Toews presterar och finns möjligheten till att bli ännu bättre och i så fall i vilka situationer? Analyseras endast toppnivån så kan man lätt missa viktigt fakta. Om vi bryter ner denna analys ser vi att Toews faktiskt har mycket sämre tekningsprocent i numerärt underläge jämfört med umerärt övertag samt mycket sämre tekningsprocent på bortaplan jämfört med på hemmaplan. Vad kan det beror på – är det rent av latet vid spela i numerärt underläge eller är förklaringen att Toews möter bättre motstånd i dessa situationer? Med hjälp av data, visualiseringar och analys kan vi hitta indikationer till varför och även fakta.

Blog - sören 3

 

Analys av spelares prestationer i matchavgörande situationer

Hur ska jag som coach välja rätt spelare när det hettar till, dvs ”Close Game situations”? Här ser vi att svensken Hampus Lindholm ligger mycket bra till. Storleken på bubblan visar att han får mycket förtroende vid s.k Close Game situations (stor bubbla = stort förtroende och mycket istid) samt han också är inne på fler mål framåt (y-axeln) jämfört med bakåt (x-axeln). Med hjälp av detta kan man också se vilka spelare som inte presterar så bra i dessa situationer (nedre högra hörnet). Varje bubbla representerar en spelare och gör det möjligt för coacher att få en samlad bild över alla spelare vid dessa sitationer. Underhållningsvärdet med hjälp av analyser och statistik skulle även kanske kunna höjas för publik och tittare i sofforna…

text till blogg

Blog - John2

 

Bara genom att lägga någon minuter kom alltså Jon fram till slutsatser som antagligen skulle ha tagit dagar/veckor att komma fram till med att stirra sig blind på 890 spelare med 343 mått på spelarstatistik! Och det här var bara några frågor som spontant dök upp i Jons huvud... Antal kombinationer av frågor – och svar blir närmast oändliga med NHL’s 343 mått på spelarstatistik. Lägg då till om det hade funnits tillgängligt data efter varje match och vi hade kunnat göra trender… Tex varför har antalet tacklingar för en spelare börjat minska? Några föklaringar kan vara att spelaren inte är tillräckligt fokuserad eller rent av skadad och vill minimera antalet fysiska situationer. Med analys kan lagets coacher arbeta proaktivt med spelarstatistk för att undvika dippar under säsongen. Även motståndarens coacher kan uppfatta nedåtgående trender för sina motståndares spelare. Med hjälp av data, visualiseringsmöjligheter och analys kan coacher hålla koll på samtliga spelare och jämföra dem.

När når då Sports Analytics på allvar Sverige och vilken sport & klubb tar på sig ledartröjan och gör en svensk ”Moneyball” ? Eller är den redan här? Via Frölunda? Eller kanske kan Karlskrona uppgång i SHL – med liten budget och ett avancemang från division 1 till SHL på 3 år delvis förklaras av analys av data då spelaren Tom Linder bland annat tackar ”Datacoachningen” i en segerintervju i SVT...

John Carlbäck @jcarlback  & Jon Blomqvist @JonBlomqvist

Post a Comment

Are Nordic companies maturing their big data journey?

For years, large geographical regions such as the US and the UK have experimented with big data analytics to gain true business advantages – creating an opportunity to adapt better to customer demands, to optimize business models and to mitigate risk. Meanwhile, most companies in the Nordic countries have been in a watch-and-wait mode and not set out on a big data journey to adopt technologies such as Hadoop.

During the past year, SAS Institute has experienced an increasing interest from organizations anxious to do more with the vast variety of data available to them. For this reason, SAS decided to take the temperature of the adoption of Hadoop technologies and big data analytics in the Nordic region as well as the maturity by country and industry, and what the primary causes, use cases and obstacles are at present.

In December 2014, we conducted telephone interviews and an online survey with more than 300 IT managers from companies across industries in Denmark, Sweden, Norway and Finland.

We found that 85% of companies in the Nordic region have a growing need for performing analytics on more data, and 6 out of 10 see a need to collect new types of data (such as clickstream, machine log, text, sensor, social media, videos and images).

The Nordics companies know that it is time to consider a new approach. As much as 92% believe they will gain competitive business advantages if they have a broader information picture for analytics and business decisions. Especially customer and market Intelligence, operational efficiency and innovation/R&D are key areas for setting out on a big data journey and consider adopting a technology such as Hadoop as a platform for exploitative analytics. Moving volume marketing to a more personal approach will open up for new markets, products and ways to grow a company.

This is all good. However, only half of the companies believe they have an infrastructure capable of meeting these needs and demands today. But Nordic companies are ramping up. According to the survey, 9% of the companies either have or are about to install Hadoop, and this adoption seems to double in 2015 – taking shadow IT into consideration, these numbers might be higher.

The need for information, faster, to make timely decisions on new and changing market opportunities, customer expectations and risks is a factor of which most of the organizations are aware. Yet only 13% believe they meet these demands satisfactorily today – and what happens when you include more data and new types of data?

A couple of reasons for the slower adoption of big data platforms such as Hadoop, in the Nordic region, seems to be concerns about the need to acquire new resources and skills not currently in the organization as well as uncertainty about the technology maturity.

What we experience is that the technology has matured and has a proven record – and in many cases, organizations already have people with insight in data and analytics. So is this just a matter of others to show how it should be done, and does the real issue more likely concern who actually owns a big data analytics initiative within the organization?

Maybe not surprisingly, companies within telecommunications and financial services are the most mature, leading the way in the Nordic region. The midsize and large companies in several other industries follow suit – and as more and more companies mature, organize themselves and show their competitive edge by adopting big data analytics – the buzz will disappear.

Learn more about the finding from the Nordic survey

Post a Comment

Det är dags att ändra bilden av vem en ingenjör är!

Idag tänker många människor att en ingenjör är en man med grått hår i vit labbrock. Det här gör att ingenjörsyrket inte ens finns med på kartan över möjliga framtidsyrken för framför allt tjejer som funderar över vad de ska bli när de blir stora.

Vi vill vara med och förändra det här genom att för andra året delta i Intoduce a Girl to Engineering Day, där företag över hela landet bjuder in tjejer i åldrarna 12-19 för att visa vilka roliga saker en ingenjör kan syssla med.

De tjejer som väljer att komma till SAS Institute kommer att få träffa några av de kvinnliga ingenjörer som arbetar här. Vi kommer att berätta vad vi gör om dagarna, och låta tjejerna själva leta i data och sedan dra slutsatser med hjälp av SAS Visual Analytics.

Anmälan till evenemanget och sker på www.igeday.com mellan 20/1-10/3.

 

 

Post a Comment

Aggregering och rapportering av risker, IT-arkitekternas dröm eller mardröm?

Att regelverken översvämmar bankerna är ingen nyhet och det talas ofta om regelverkstsunamis, och det är mycket diskussioner kring detaljstyrning mm. Men, man bör ändå skilja på regelverk och regelverk. Baselregelverket kring riskdatarapportering och riskdataaggrerering, BCBS 239 och dess svenska införande FFFS 2014:1 och FFFS 2014:30, är ju ingen detaljstyrning utans snarast kvalitet, ordning och reda på data - något som alla bolag redan borde uppfylla. Har man ordning på sitt data behöver man ju inte göra något – och har man inte ordning… så kanske man kan få budget till att fixa till det…

Det nya regelverket kräver helhetsyn och automatisering för snabbare riskberäkningar och tydligare riskrapportering hos banker. Att hantera och prissätta risker är kärnan för bankernas verksamhet. Det är önskade risker som man tjänar pengar på – såsom kreditrisker, marknadsrisker och likviditetsrisker – och dessa ska naturligtvis vara överblickbara och korrekt  beräknade och rapporterade både för banken totalt som för olika enheter. Så det här borde ju redan vara perfekt hos bankerna, vad är problemet?

Well, under finanskrisen 2007 uppdagades stora brister i bankernas förmåga att på ett automatiserat och snabbt sätt ta fram riskexponeringarna för olika delar i bankerna och enligt Baselkommittén har detta fortfarande inte adresserats varför de nya kraven anses nödvändiga för att skydda deras kunder och i slutändan hela samhället. Ett nytt regelverk för styrning och risk för systemviktiga banker har därför tagits fram som ett komplement till Basel III. Svenska Finansinspektionen har i FFFS 2014:1 och FFFS 2014:30 infört delar av detta i Sverige och har även under hösten genomfört en studie i syfte att undersöka hur bankerna står sig i detta perspektiv. Resultaten är ännu inte offentliga men vi hoppas att Christer Furustedt, från Finansinspektionen kommer att berätta om detta på vårt seminarium den 14 november.

Men om det nu inte är perfekt idag, hur funkar det egentligen? Rapporter produceras ju regelbundet både internt och externt. Styrelse och ledning måste ha kontroll på vilka risker som tas eftersom de i slutändan är ansvariga och behöver ett bra beslutsunderlag och de får ju mängder av rapporter. Är inte problement löst då? Tyvärr inte skulle jag säga. Det managementkonsultbolag har sett är att bankerna har mycket manuell handpåläggning, ibland i flera led, i sin riskdataaggregering och riskrapportering vilket, om det blir fel, kan ge upphov till stora operativa risker då affären, styrelsen och ledningen måste fatta beslut baserat på felaktiga underlag.  En viktig konsekvens av det nya regelverket är att strukturen gällande beräkningar och riskdata måste automatiseras i mycket högre grad. Att som idag använda Excel i antal olika separata led fungerar inte längre, utan helt nya datastrukturer måste till. Då det oftast är många manuella steg innan riskrapportering, så införs onödigt många möjliga felkällor och totala risken blir svår att överblicka. Hur detta skulle kunna adresseras kommer vi också prata om på seminariet den 14 november och Carl Raning från Oliver Wyman kommer berätta om sina erfarenheter hur detta kan adresseras med en kombination av interna system och i kombination med nya. Generellt kan sägas att riskrapporteringen kommer bli mer tillförlitlig efter detta regelverk.

Men, vi pratar ju om riskrapportering – utan att nämna beräkningar – beräkningar är implicit i detta regelverk. Vad vi ser är att de olika riskerna oftast behandlas separat idag. Med de nya direktiven kommer sannolikt kredit- marknads och likviditetsrisker inte längre behandlas som åtskilda enheter, utan istället görs beräkningarna på samma data vilket gör dem lättare att jämföra och aggregera och även stresstesta. Med rätt verktyg kan man också ha samma prisfunktioner för en banks tillgångsvärdering och olika risktyper. Detta ger ett mer holististiskt perspektiv, med integrerad företagsövergripande riskhantering istället för det lapptäcke av riskhantering och manuella steg som ofta sker idag. Det kommer bli en kvalitetsförbättring och en affärsfördel givet att man är beredd att göra den investeringen som krävs för att detta ska vara möjligt. Det beror i sin tur hur regelverket tolkas och övervakas från Finansinspektionens sida.

Det kan för vissa banker innebära en stor kostnad initialt att byta systemen, men det finns stora kvalitetsförbättringar att göra utan att göra så radikala steg som att byta samtliga system. Rätt investeringen kan räknas hem genom ett positivt business case. En generisk riskmotor som kan läsa in information från övriga risksystem på detaljerad nivå och som samtidigt kan vara en mellanväg som ger snabba resultat.  Men på sikt är detta till gagn för alla. Undersökningar som managementkonsultbolagen (tex Oliver Wyman – ”The Risk Data Agenda”) gjort visar att den operativa verksamheten gynnas och att kostnaderna minskar på sikt. Vi har sett exempel på felrapportering och på vilka oerhört svåra konsekvenser det kan få.

På vårt frukostseminarium den 14:e november om insamling, aggregering och rapportering av risker ser jag fram emot att höra Jon Blomqvist från SAS Institute berätta mer om hur SAS kan visa att systemlösningarna kan blir en sann dröm och inte en mardröm för bankerna och kreditmarknadsbolagen..!

Post a Comment

Hög tid att räkna med detaljhandeln!

Jag har förmånen att få arbeta med många av våra stora detaljhandelsföretag i Norden. Det är en aldrig sinande källa till inspiration. Men det ger också upphov till en del grundläggande funderingar. De senare åren har varit tuffa med hårdnande konkurrens, nya kanaler och framförallt mer makt åt kunderna. Lönsamhet har blivit än mer utmanande och fokus på marginaler och kundlojalitet ökar.

Jag menar att det finns ytterligare en viktig potential till förbättrade marginaler – att i större omfattning använda mer faktabaserade beslut. Och att man kombinerar fakta med rätt beräkningar med utgångspunkt i kunderna. Ett exempel på det är att kunna uppskatta framtida efterfrågan på en viss vara i en viss butik givet att man har köphistorik. Sedan kan man låta resultatet styra lagernivåerna och påfyll av varor och även inköp till lager. Men det finns förstås utmaningar.

Många detaljerDetaljhandelsbranschen är rik på just detaljer. Varje vara vi som konsumenter köper är en unik artikel. Varje butik är också unik med en kundkrets som har sitt eget köpebeteende. Och i många avseenden är varje kund unik. Detta har gjort att man sedan länge investerat i bra IT-stöd för att kunna hantera all denna information i verksamheten.

Man hanterar information. Men man utnyttjar inte potentialen fullt ut. Det tar inte verksamhetens resultat så mycket längre. Ett stabilt ERP-system är en nödvändighet precis som ett kreativt inköpssamarbete eller en förutsägbar produktkvalitet. Men om man nu vill ta ett ytterligare steg för att bättre förstå sina kunder. Eller hitta andra sätt att garantera tillgänglighet i butiken utan att öka varulagret, vad gör man då? Det bör ju vara något nytt, helst någonting som andra inte gör så att det skapar en konkurrensfördel. Låt mig exemplifiera:

Idag räknar man i högre grad än tidigare på hur man ska kommunicera. Med hjälp av matematik och rätt data är det möjligt att skapa relevanta erbjudanden med unika produkter per hushåll. För kunderna är det till största delen positivt. Mer relevans sparar tid i kundledet. Hanteras integritetsfrågan kring informationen som kunden lämnar på ett bra sätt, är det en vinna-vinna situation. E-handeln driver på detta i och med att man saknar fysisk butik samtidigt som man får viktig information om kunden vid besök på sajten. Känner du att du som kund är unik och får relevanta personliga erbjudanden? Har du fått något positivt utöver det du förväntade dig?

Alla inom detaljhandeln har ett behov av att balansera tillgänglighet mot lagerkostnad. Rätt balans betyder maximal försäljning med minsta möjliga varulager. För att kunna hitta den balansen behöver man kunna beräkna efterfrågan på en viss vara för alla butiker. Notera att butikerna har olika efterfrågan på samma vara och dessutom olika stora lagerutrymmen (hyllor). Man behöver alltså beräkna efterfrågan butiksunikt. Hur tänker du när ditt favoritkaffe är slut i hyllan?

Inom mode  designas och köps kollektionen upp av producenter i Asien långt före varan ska finnas i butik. Varje vara finns i ett flertal varianter, där t.ex. färg och storlek varierar. Hur hittar man rätt kvantitet för köp? Och hur allokerar man sedan ut rätt kvantitet till en viss butik när varorna väl finns i lager? Varför är skjortan i storlek 41 slut men det finns många stl 43 kvar?

Gemensamt för dessa exempel är att just förmågan att räkna blir viktigare. Matematik och data har blivit högaktuellt. Detaljhandeln har på senare tid anställt analytiker med denna bakgrund och jag tror vi bara sett början. Men det räcker inte med att kunna räkna. Man måste också vara väl insatt i verksamheten samt ha god förståelse för hur IT-stödet sitter samman för att kunna göra nytta. Traditionellt så är handeln ERP-tung. Mycket har fokuserat kring grundfunktionalitet samt givetvis att få till masterdata. Det är svårt att bedriva effektiv handel om man saknar ett gemensamt artikelregister. Behovet av chefer och medarbetare som har analytiska kunskaper, förstår verksamheten och IT-stödet ökar snabbt. Här finns utmaning nr 1 – hur rekryterar och behåller man rätt kompetens?

Rapportering och uppföljning har också varit i fokus. Vilken effekt har vår TV-reklam? Har lageromsättningshastigheten gått ned? För att möta detta behov har man investerat i BI-verktyg ofta kopplat till ett gemensamt datalager där man lagrar viktig historiskt data. Över tiden har man samlat på sig mycket omfattande volymer data. Dessvärre använder man inte mer än bråkdelen av detta till att faktiskt fatta beslut. Här talar vi 3-5% av volymen som kommer till faktisk användning. Investeringar i datalager är i de allra flesta fall omfattande.Mycket data

Tittar man litet närmare på vilket data man faktiskt vill räkna på för att kunna ge ökade marginaler så kommer en ny insikt. Man har inte alltid det data man vill ha i sitt datalager. Helt enkelt beroende på att dagens behov inte fanns på ritbordet när datalagret byggdes. Och det är en omfattande, dvs kostsam, insats att göra om. Detta menar jag är utmaning nr 2 – tillgång till rätt data.

Handeln är försiktig med investeringar av naturliga skäl. De  företagsledare jag mött är skickliga på handel. De har ofta arbetat inom många funktioner och lärt sig verksamheten inifrån. De kan försäljning, marknadsföring och butiksdrift. De har en utvecklad känsla för kunder och service. De har en mycket god kunskap om detaljer i verksamheten och vad som skapar framgång. Och de har ett sunt ledarskap. Många är duktiga på att räkna, ofta drivet av att de varit butikschef, försäljningschef eller inköpschef.

Men de har sällan en djupare förståelse för IT-stöd och inte heller den mer avancerade matematik och den nya kompetens som håller på att bli allt mer viktig för branschen. Detta gör det så viktiga strategiska arbetet svårare. Eller mer riskfyllt kanske då man i många fall är beroende av de strategiska rådgivarnas insatser. Och detta ser jag som utmaning nr 3 – hur säkerställer man rätt strategiska satsningar?

Jag tror det är en tidsfråga innan vi ser fler strategiska projekt som bygger på att använda data för bättre beslut och därmed bättre resultat. Konkurrensen kommer att driva detta. Med en övertygelse i företagets ledning blir det mer en prioriteringsfråga och en kompetensfråga. Och det är kanske här den största flaskhalsen kommer att vara – hur hittar man framtidens ledare som klarar av att kombinera analys, verksamhet och IT-stöd i sitt ledarskap? Och den kanske allra viktigaste frågan – hur får man dem att stanna och göra stordåd?

Post a Comment

En söt liten elefant, med stora krafter - Hadoop

Är du lite osäker på vad hypen kring open source- systemet Hadoop handlar om? Då är du inte ensam om den känslan. Om sanningen skall fram, kikar vi på ett tekniskt koncept där bara de som verkligen tänder på 0:or och 1:or förstår djupet. (Titta på videon nedan för en snabb introduktion till nya tekniska ”buzz words”).

Möjligheterna som den nya tekniken för med sig är emellertid stor och är därför bra att känna till. Särskilt om du eller din verksamhet kan se potentialen i att arbeta med analys av stora datamängder från många olika källor.

Många företag, särskilt i USA är arbetet redan igång med Hadoop och analysföretag som Gartner och Allied Market Research förutspår en massiv tillväxt under de kommande åren. Av allt att döma så är det frågan om en ny teknologisk epok som kommer ändra vårt sätt att arbeta med data och analyser. Då analyskopplingen är uppenbar har R&D-avdelningen på SAS länge varit i färd med att integrera HADOOP och SAS.

Extra muskler för hantering av Big Data - på attraktiva villkor

Men vad är det som är så intressant med Hadoop? Elefanten är trots sin söta utseende, ett riktigt muskelberg som kan användas för att lagra och hantera data både smidigt och kostnadseffektivt. Detta gäller även enorma datamängder från Facebook, eBay, Yahoo, etc.

Hasoop är inte en databas i traditionell mening, utan se det istället som ett ”open source framework” som kan hantera data i nästan alla storlekar och format. Det kan användas till enbart datalagring, i kombination med verksamhetens data warehouse eller för att utforska nya möjligheter med Analytics. Några av fördelarna med Hadoop är:

  • Lägre omkostnader för lagring av Big Data. Open source-software är i princip gratis och Hadoop använder standardhårdvara.
  • Hastighet. På grund av den distribuerade modellen (där många datorer delar på arbetsuppgiften), kan mycket stora datamängder behandlas mycket snabbt.
  • Skalbarhet. Det krävs inte mycket administration för att lägga till fler maskiner, kostnaden att göra det är känd och tydlig.
  • Flexibilitet. Du behöver inte bearbeta data innan den lagras, inte heller ostrukturerade data såsom text, bilder och videoklipp. Du kan lagra så mycket data du vill och senare bestämma hur den ska användas.
  • Pålitlighet. Hadoop är ett mycket robust system då hårdvarufel bara vidarebefordrar det pågående ”jobbet” till en annan server och där processen fortsätter.

Det låter nästan för bra för att vara sant, några nackdelar måste väl ändå finnas?  Generellt är Hadoop ett något omoget ekosystem med några lösa trådar. Det använder flera programmeringsspråk, och det finns få grafiska användargränssnitt, så det kan kräva (nya) kompetenser. Genom kommersiella partners som Horton Works eller Cloudera går dock mycket att undvika och det sker också en snabb utveckling på området

Hadoop ger "analytiskt bränsle" till SAS
Verksamheter som idag använder SAS får också lättare tillgång till den nya tekniken. Fördelen med att kombinera de två världarna är att man får ännu bättre möjligheter att hämta värdefulla insikter ur Big Data - inom en rimlig ”hardwarebudget”.

Det finns redan åtskilliga SAS-lösningar som integrerar med Hadoop och utnyttjar processorkraften i klustret. Det gäller för data management, business analytics och avancerad analys, och fler är på väg. SAS-användare kan därmed utnyttja Hadoop via SAS, som de redan känner och ta del av de nya grafiska SAS-gränssnittet mot HADOOP i användandet.
Om du vill veta mer om SAS-produkter anpassade till Hadoop, läs detta whitepaper. Om du vill veta mer om Hadoop kan du läsa fler artiklar och rapporter.

Post a Comment