Amesto NextBridge er et faglig fokusert selskap. Deres ambisjon er å være selve referansen innen datadrevet innsikt. Selskapets prosjekter har et stort spenn – innenfor det smale fagfeltet datadrevet innsikt. Selskapet har blant annet laget AI-strategien til Posten Norge. Norges Idrettsforbund sitt datavarehus og BI-løsning, som holder styr på 700.000 medlemmer, er det Amesto Nextbridge som står bak. I tillegg har selskapet hjulpet Aker Biomarine med å forutse hvor de finner krill i Antarktis.

Case: Logistikkoptimalisering, Posten

Hva var problemstillingen?

Problemstillinga var at Posten hadde store utfordringer når Black Friday kom. De så over flere år at det ble vanskeligere og vanskeligere å planlegge rundt Black Friday, med Black Week og Cyber Monday. Ting hopet seg opp og de kunne miste pakker; på terminalen rullet pakkene ned av båndet fordi det var for stor belastning, det var fare for utsyr – ting brøt rett og slett ned.

Vi fra Amesto NextBridge samarbeidet med Posten om deres dataplattform, og var med på å sette sammen en strategi for hvordan Posten kunne bruke maskinlæring og data science.

Dette var den første utfordringen de ville løse. Ved å bruke datainnsikt ville de planlegge bedre etter hvor mye «load» de får på terminalene sine. Det er 32 terminaler totalt på landsbasis og hver av dem har minst fem ruter. Varene skal inn på terminalen og de skal distribueres ut, og det er B2B og B2C, C2B, osv. Posten ville vite hvor mye som kom inn på hver av produksjonslinjene for å kunne planlegge bemanningen bedre.

Hvordan jobbet dere?

Vi fikk en serie med data på timesbasis som viste hvor mange pakker det var på hver terminal. Sammen med tre fra Posten og to fra oss skulle vi forutse hvor mange pakker det var på hvert belte over hele landet – seks uker i forkant. Målet var å kunne planlegge bemanning bedre rundt høytider og sommerferier. Som regel trengte man kanskje en person der, men ikke alltid to.

Utgangspunktet for arbeidet var en datokolonne og en tallkolonne som viste antall pakker, og den største delen av jobben dreide seg om å finne ut hvordan vi kunne bruke datokolonnen og utvide den mest mulig til å beskrive eventualitetene som kom. For eksempel trakk vi ut mye informasjon, som «Nå er det 10 dager til Black Friday», i en egen kolonne. Det samme gjaldt alle høytider – hvor langt det er til, hvor langt det er bakover i tid – vi utvidet informasjonen inn til modellene bare ved å se på datofeltet.

Hva gikk løsningen ut på?

Vi testet maskinlæringsalgoritmene som ga best resultat for hver case. Det viste seg at noen modeller ga best resultat for Oslo og de store terminalene, mens andre modellarkitekturer ga bedre resultater på de mindre terminalene. Vi leverte én modell per terminal etter å ha testet ut mange forskjellige modelltyper.

Det var det som var sluttproduktet, som har vist seg å gi ekstremt gode resultater, og er modeller som brukes fortsatt den dag i dag.

Løsningen blir levert i form av en Excel-fil. Den viser hvor mange pakker som ventes på terminalen, og da vet de ulike Posten-terminalene hvor mange personer de trenger på jobb de aktuelle dagene.

Hva ble resultatet?

Posten har anslått besparelsen etter full utrulling å gi en ROI på 6000, som vil si at Posten kan spare inn investeringen de gjorde i vårt ni måneder lange engasjement – ganger 6000.

Det var med andre ord en svært vellykket prosess. Det er viktig å si at kunden er helt sentral for at et slikt prosjekt skal være vellykket. Hvis du jobber direkte med ekspertene på feltet som det er et problem på, vet de alle utfordringene, men de vet også alle løsningene i hodet sitt – og årsakene til at det skjer.

Der kommer vi inn med vår forståelse av dataene de har. Den interne forståelsen av kulturen, hvordan dataene settes og hvorfor de har alle utfordringene – det er ikke alltid det kommer rett ut av en modell. Men det kan vi lage ny data på, som beriker modellene og ender opp med å gi gode resultater.

Hvilken verdi ga det?

I tillegg til den konkrete innsparingen Posten har gjort, er en viktig lærdom at Data Science- og maskinlæringsutviklerne må jobbe tett med en fagekspert fra kunden. Kun da kan man lykkes raskt, fordi man kan unngå flaskehalser på grunn av manglende innsikt i bedriften.

Mitt råd er at man gjerne kan sette bort oppgaven, men en som er god på problemet internt bør alltid være tilgjengelig for konsulentene. Hvis det er tilfellet, blir det alltid en suksesshistorie.