Finansiel servicevirksomhed banker på fremtiden for bots
Raiffeisen har udviklet en chatbot, så den kan forblive konkurrencedygtig og bedre betjene sine kunder.
Daniel Aunvig
Head of Data & AI
En populær talemåde lyder, at hvis noget ikke er i stykker, så skal du ikke reparere på det. Det kan umiddelbart lyde som en god ide, ikke mindst hvis du allerede er førende inden for dit område.
Hvorfor ændre noget, der allerede fungerer godt og giver dig en konkurrencefordel i forhold til de mange andre virksomheder i branchen, der prøver at skubbe dig ned fra sejrsskamlen?
Svaret er, at det ganske enkelt ikke længere er muligt bare at blive ved med at lave mere af det samme, uanset hvor godt det går for virksomheden. Tiderne har ændret sig, og hvis du ønsker at fortsætte med at vise vejen i branchen, så er du tvunget til forandring.
Det betyder, at man skal være åben over for nye måder at gøre tingene på – og for at bruge teknologi til at nå i mål.
Det er ikke altid let at gribe initiativet og blive en innovator. Det kræver mod – og en vilje til løbende at flytte grænser.
AkzoNobel er et godt eksempel. Den farveglade hollandske virksomhed har over en lang årrække og med stor succes skabt kendte mærkenavne som Dulux og Polyfilla. Trends og tendenser inden for maling og farve er i konstant udvikling, og derfor er processen med farveforudsigelse afgørende vigtig for virksomheden, så man kan opfylde modens krav, når de opstår.
Så da AkzoNobel begyndte at tænke over, hvordan de skulle videreudvikle deres afprøvede metode til farveforudsigelse, blev forslaget om at prøve kræfter med Machine Learning-teknologien powered by Microsoft Azure i første omgang ikke just modtaget med åbne arme af alle på laboratorierne.
“I begyndelsen var vi ret skeptiske over for Machine Learning-teknologien, og hvad vi den egentlig ville kunne bruges til i vores setup,” siger Rob Reijers, leder af udviklingen af global farveanvendelse hos AkzoNobel. “Vi har altid ment, at vores fysiske modeller” – som ligger til grund for virksomhedens evne til at forudsige farver præcist – “var det bedste, vi kunne have.”
“Så hvorfor ændre noget?”
Lak- og farveindustrien er præget af meget hård konkurrence. Nye farver dukker op hver dag, og producenter inden for bilindustrien og andre industrier er forbløffende gode til hele tiden at udtænke nye finisher, der kan give deres modeller en konkurrencefordel.
Derfor er det i dag vigtigere end nogen sinde for AkzoNobel at bevare sin innovationskraft. Og deres brug af Machine Learning har hjulpet dem.
“Vi blev virkelig overrasket over den utrolige nøjagtighed af de resultater, vi kunne opnå med Machine Learning-teknologien, og også over, hvor hurtigt vi kunne opnå disse resultater,” siger Reijers.
“Hele oplevelsen ændrede fuldstændig min holdning til at bruge Machine Learning. Det har gjort det muligt for os at være meget mere kreative.”
Læs hele AkzoNobel-historien, og få mere at vide om, hvordan den hollandske farvevirksomhed blev mere kreativ end nogen sinde ved hjælp af Machine Learning-teknologi.
En anden virksomhed, der har nydt godt af en modig tilgang til digital innovation, er AgroEnergy, et datterselskab til Eneco.
Den hollandske virksomhed har årtiers erfaring med optimering af drivhusdrift. Men i den seneste tid er virksomheden blevet førende på markedet for landbrugsteknologi takket være den banebrydende brug af Machine Learning-teknologi og AI.
Da virksomheden skiftede fra at være et rendyrket energiselskab til en moderne, datadrevet tjenesteudbyder, indså man, at de teknologitjenester, de nu tilbød deres drivhuskunder, kunne danne grundlag for en helt ny virksomhed.
“Der var et heureka-øjeblik, hvor vi indså, at dette var så meget mere, end vi nogen sinde havde troet, det ville kunne være,” siger Laurens van der Spek, Head of Technology hos AgroEnergy.
Og nøglen til at nå frem til det heureka-øjeblik var at have modet og tage initiativet til at udfordre den etablerede måde, de gjorde tingene på – og derpå foretage en ændring, der skulle vise sig at introducere nye innovationer til deres allerede succesfulde virksomhed.