Automatisering, prediksjonsmodeller og plant & sip

Masterstudentene har over flere uker jobbet intensivt med nye løsninger for Meny og Avonova. For Meny har studentene utforsket hvordan prediktive modeller kan gjøre nettbutikkhandelen bedre med vareforslag. Det andre studentteamet har jobbet med å automatisere årsrapporten Avonova hvert år sender ut til sine kunder.

Felles for prosjektene er at de handler om å tilgjengeliggjøre data på en måte som gjør løsningen enklere og raskere å bruke. På denne måten skapte de verdi både for kunden og sluttbrukeren. Med fokus på brukeropplevelse og automatisering, endte Avonova-gjengen opp med en imponerende effektivisering av prosessen med å lage årsrapporter. Meny-teamets fokus på maskinlæring, brukerreise og design førte til et kjempeløft av handleopplevelsen i Meny-appen.

I tillegg til kundearbeidet har studentene også hatt tid til sosiale og morsomme aktiviteter. De har blant annet deltatt på Plant & Sip, et plantekurs med noe godt i glasset, fredagspils, kino og bading. Studentene oppsummerer med at det har vært en morsom, intens og lærerik sommer.

— Det har vært veldig spennende å jobbe med Meny. Vi skulle utforske hvilke muligheter som finnes for å bruke prediksjoner til å forbedre den digitale handleopplevelsen.

På spørsmålet om hvorfor de valgte å bli sommerstudenter i akkurat NoA Ignite, svarer flere at de synes vi har spennende kunder og prosjekter på listen. En av studentene påpekte også at det var under intervjuprosessen hun ble ordentlig sikker på at det var her hun ville jobbe fordi vi gikk mer i dybden på hvem hun var som person for å sikre at hun var en god match med kulturen og hverdagen på huset.

Peter, en av de som jobbet på Avonova-prosjektet, forteller at et av de beste minnene fra sommeren var da de presenterte løsningen for Avonova på deres kickoff.

— Etter presentasjonen kom de bort til oss for å si hvor imponert de var over hva vi hadde fått til i løpet av bare to måneder. Da jeg fortalte at vi bare hadde jobbet med dette i fire uker, ble de ganske så sjokkert.

Begge teamene fikk stående applaus og mye skryt fra kundene etter at de presenterte sommerens arbeid. Også mentorene som fulgte dem opp under disse ukene er svært imponert over hvor mye studentene har fått til på så kort tid. Giske, som er utvikler hos oss, synes også det var veldig kult at det ene teamet slapp kunden inn på den ferske webløsningen via QR-kode så fort presentasjonen av prosjektet var over.

Avonovas misjon er å skape en bedre arbeidsplass for sine kunder, for ledelsen og ikke minst de ansatte. Som godkjent leverandør av bedriftshelsetjenester, sender de hvert år ut en rapport til alle sine kunder.

Denne rapporten oppsummerer samarbeidet med kunden, tjenestene Avonova har bistått kunden med, og gir en anbefaling til hvilke tiltak som bør gjøresi det kommende året.

For de som utarbeider rapporten i dag er dette manuelt og tidkrevende arbeid. Det å lage og levere mange tusen årsrapporter er en oppgave som stjeler tid fra det de faktisk ønsker å bruke timer på: å hjelpe kundene med å få en bedre arbeidsplass.

Studentene har derfor jobbet med å automatisere denne oppgaven for å hjelpe Avonova med å redusere tiden og arbeidsinnsatsen de bruker på å lage rapporten i dag. I tillegg har de jobbet med å gjøre løsningen mer brukervennlig og øke kvaliteten på rapportene.

I løpet av sommerferien har prosjektteamet hatt daglig kontakt med produkteier i Avonova. De har også gjennomført brukertester og brukerintervjuer med dem som utarbeider rapportene for å bedre forstå hvordan kunderådgiverne jobber. Slik fikk de god innsikt i hvordan de kunne forbedre løsningen og brukeropplevelsen.

— Vi har sett at det å skrive en enkelt årsrapport i den gode gamle tekstmalen kan ta over en time. Til sammen kan det ta opptil to måneder å skrive alle årsrapportene. I løpet av fire uker med effektiv utvikling, så har vi klart å lage en løsning som sparer kunderådgiveren for minst 10 minutter per rapport.

Denne løsningen er et solid grunnlag for videre utvikling og vi ser for oss at Avonova i fremtiden kan spare enda flere minutter med flere automatiske prosesser, forteller Peter Skaar Nordby, masterstudent i Datateknologi – kunstig intelligens, og en av studentene på prosjektteamet.

— Vi identifiserte noen ting som er spesielt irriterende for de som lager årsrapportene: informasjonen som brukes for å skrive rapporten er spredt utover mange ulike plattformer og tekstdokumenter; og manuelt arbeid tar for lang tid og gjør at det fort blir feil.

Teamet har derfor laget en løsning som automatisk henter inn informasjon om bedriften rapporten lages for. I tillegg har de standardisert teksten der det gir mening, for eksempel i introduksjonen, slik at de som lager rapportene slipper å bruke altfor mye tid på å klippe og lime inn tekst fra ett sted til et annet. De har også lagt inn en hjelpeside med forslag til anbefalte tiltak for neste år slik at kunderådgiveren kan velge blant ferdige eksempler når de lager rapporten.

— En utfordring vi møtte på, var hvordan vi skulle balansere hvor mye som burde automatiseres i rapporten og hvor mye som burde kunne redigeres av kunderådgiveren. Vi vil jo selvfølgelig at denne prosessen skal være så effektiv som overhodet mulig, men det er alltid noe informasjon som må tilpasses og personaliseres.

I tillegg jobber hver kunderådgiver litt forskjellig samtidig som hver kunde har forskjellige behov. Vi har derfor beholdt felter for fritekst flere steder for å bevare det personlige preget for kunden og sikre at rapporten hele tiden henvender seg til den spesifikke bedriften, forteller teamet.

Meny-teamet har jobbet med en proof of concept med prediksjonsmodeller for å forbedre forslagene en kunde får presentert i handlelisten når hen besøker Meny sin nettbutikk. Ved hjelp av historiske data er målet å hjelpe kunden med å raskere finne riktige og relevante varer.

Studentene forteller at noe av det første de gjorde i prosjektet var å definere et tydelig mål. De ønsket å tilgjengeliggjøre predikerte vareanbefalinger i Meny-appen slik at varene en kunde ønsker å kjøpe blir mer tilgjengelig og enklere å legge til i handlevognen.

— Vi har laget flere prediksjonsmodeller, blant annen en som foreslår flere varer basert på det du allerede har lagt i handlekurven. Prediksjonslisten blir da oppdatert for hver nye vare kunden legger til eller dersom kunden fjerner en vare.

Formålet med dette er å redusere tiden det tar å handle, minimere antall klikk før kunden kommer til kassen, og sikre at det blir mindre å huske på for brukeren.

— Det er lettere å gjenkjenne noe enn å huske, også når du skal kjøpe inn til middag. Det er den opplevelsen vi ønsker å skape når noen handler hos Meny. Ved hjelp av maskinlæring, skal vi gjøre det enklere for kunden å handle inn til sine matretter ved å foreslå varer. På denne måten kan kunden gjenkjenne hva hen trenger eksempelvis til burgeren, istedenfor å måtte huske det selv.

For å løse oppgaven utforsket studentene ulike muligheter for å foreslå neste vare i handlekurven i et proof of concept.

Teamet endte opp med å teste tre ulike prediksjonsmodeller:

• K-nearest neighbor (som finner lignende handlekurver)
• Co-occurence (som teller hvor mange ganger varer dukker opp i samme handlevogn)
• Matrisefaktorisering (som er en metode for å finne sammenhenger mellom brukere og varer med matriser)

— En av hovedutfordringene var å definere hva som gjør en prediksjonsmodell god. For å finne ut dette satte vi opp tre evalueringskriterier: mean reciprocal rank, recall, og tidseffektivitet. Den første ser på hvor god modellen er på å rangere varer. Recall sier noe om hvor god modellen er på å anbefale relevante varer. Tidseffektivitet ser på hvor lang tid modellene bruker på å gi prediksjoner.

Studentene landet til slutt på å bruke en kombinasjon av prediksjonsmodellene:

— Det er ofte bedre å bruke flere sammen da de er gode på forskjellige ting. Vi tok i bruk en kombinasjon av modellene co-occurence og matrisefaktorisering. Disse bruker vi til enkeltprediksjoner og temalister.

Enkeltprediksjoner handler om at kunden får individuelle vareforslag basert på hvilke varer hen har i handlekurven, hvilket tidspunkt hen handler på, og kundeprofilen hen har.

Temalister innebærer predikerte sammensetninger av varer basert på anbefalte tema. I likhet med enkeltprediksjoner, fungerer temalister på den måten at den predikerer på varer i handlekurven, tidspunkt for handel og kundeprofil – men også søket kunden har gjort inne i appen.

Søker kunden eksempelvis på ‘hamburger’, vil hen få forslag om varer folk vanligvis handler til burger. Kunden vil også få presentert temalister som inneholder ordet ‘hamburger’.

Dette kan for eksempel være ‘burgeraften’ eller ‘grillsommer’. Dersom en kunde klikker seg inn på en slik temaliste, vil hen få forslag til varer basert på tema og sin kundeprofil.

For å komme fram til disse løsningene, har teamet brukt både kvantitative og kvalitative metoder. De har blant annet sendt ut brukerundersøkelse, gjort konkurrentanalyser, og satt seg inn i nordmenns handlevaner. I tillegg har de brukertestet hvordan dagens kunder handler gjennom appen til Meny samt testet den nye løsningen opp mot den gamle.

Resultatet av hele prosjektet ble en prototype på en ny app med et helt nytt brukergrensesnitt.