Derfor etablerte fintech-selskapet en egen «data science»-enhet

I den danske finansteknologi-bedriften (fintech) Lunar Way er man vant til å granske data og KPI-er. Men først helt nylig har den mobile banken etablert en dedikert data science-enhet som skal gjøre bruken av data mer fundamental og mindre tilfeldig.

– Vi hadde veldig gode dashboards, KPI-er (Key Performance Indicator) og innsikt i produktene våre, forklarer CTO i Lunar Ways, Flemming Laugesen.

– Men det var litt «og hva så?» Det vi gjør nå er at vi begynner å bruke data mer proaktivt for å utvikle produktene våre.

I løpet av de siste seks månedene har bedriften investert i et team som i likhet med de øvrige gruppene inngår i tverrfaglige team for å løse oppgavene ved å hente ut de relevante dataene og sørge for å måle problemet på den rette måten. Samt å sørge for at dataene til Lunar Way har en skikkelig kvalitetssikring – noe som manglet for et halvt år siden, forteller Flemming Laugesen.

– Det gikk helt ned til, hva som egentlig ligger til grunn for en KPI. Selv når det gjaldt vitale KPI-er var det like mange gjetninger om hva egentlig målte, som vi var mennesker, sier han.

Målinger blir ikke bedre enn det du putter inn i maskinen, understreker Laugesen. Og derfor måtte gruppen først og fremst sørge for at dataene har den riktige kvaliteten, og måler det som reelt skal måles. Den jobben har Lunar Way gått til vertikalt, sier Flemming Laugesen.

– Vi har ikke gått i gang med å fikse hele datafundamentet i Lunar Way på én gang. Det ville vært en lang prosess, sier han. – I stedet prøver vi å skape verdier for kunden med én gang. Vi tar ett enkelt område, ser på data for det området, setter opp hypoteser og bygger produkter oppå dem.

Verdi raskest mulig

Lunar Way er såpass liten at det saktens kan merkes når man setter folk bort fra å utvikle produktet til å se på data. Nettopp nå skal verdiene komme tilbake raskest mulig, sier Flemming Laugesen.

– Erfaringen min forteller meg at vi må levere verdier raskest mulig til kundene og interne interessenter, og ikke forskanse oss i 12 måneder. Vi har investert i dette, og det er ikke gratis å sette sammen dette teamet. Og hvis ikke den verdien kan skyves tilbake til brukeren, er ikke dette det vi skal gjøre, sier han. – Så det handler også om å bevise raskest mulig at dette er den rette strategien. På den måten vekker vi også appetitten i ledelsen vår og organisasjonen vår til å investere mer i det. Det er den tilnærmelsen som jeg ville anbefalt alle steder.

En av de første egenskapene som datateamet har vært med på å skape, er en budsjett-funksjon som lar brukeren kategorisere forbruket sitt og sette mål. Her ser Flemming Laugesen et stort potensial i å utvide de datadrevne elementene.

– Hvis vi kan se at du betaler både til HBO og Netflix, kunne vi spørre deg om du er sikker på at du gjerne vil ha begge abonnementene. Eller fortelle brukeren at folk som ligner brukeren betaler mindre for dagligvarer.

En annen mulighet er å se på de budsjettene som brukeren setter opp, og advare dem når analysen viser at det ikke kommer til å holde, forklarer CTO-en.

– Det ligger et enormt potensial i å bruke data til å levere noe som ikke bare viser historikk, men også kan gi innsikt som kan hjelpe brukeren med å få en bedre økonomi.

Målbare mål

Bruken av data er også en avgjørende faktor for de indre linjene, hvor Lunar Way har gått over til prosessmodellen Objectives & Key Results – eller OKR – som krever at man setter opp målbare mål, og måler på resultater framfor for eksempel å fokusere på at en egenskap har blitt levert i tide.

Nøkkeltall hos Lunar Way kunne for eksempel være å øke conversion rate (antall besøk som fører til salg) med 5 prosent eller forbedre bruken av en egenskap med 7 prosent, utdyper Flemming Laugesen.

– Hvis ikke vi kan måle det, kan vi ikke snakke om det. Så det er med på å inspirere oss til at vi må fokusere mer på data, altså på det resultatet som vi oppnår, sier han. – Disse to tingene går hånd i hånd – vi kan ikke gjøre den ene uten den andre.

På den måten sitter datagruppen med to funksjoner i fintech-bedriften.

– Den ene er å sikre at vi kan måle verdien av det vi skaper, og den andre er å levere noe tilbake til brukeren basert på de dataene vi har, sier Flemming Laugesen.

Ingen maskinlæring fra starten

I første omgang vil datagruppen hos Lunar Way bevisst avholde seg fra å bruke maskinlæring til data-oppgavene.

– Vi vil ikke overkomplisere det fra starten, forklarer Flemming Laugesen.

– Vi tror at vi kan komme ganske langt og skape mye med enkle modeller. Over tid kommer vi til å ta skrittet over til maskinlæring, men det er massevis av verdier som vi kan skape med enklere metoder akkurat nå.

Men Flemming Laugesen forventer at gruppen allerede i første halvdel av 2019 vil nå en begrensning og se på metoder for maskinlæring.

– Men jeg ser dette som en naturlig reise. Der er noen skritt som vi må ta. Før vi går til maskinlæring, må vi ha styr på dataene, ha styr på statistikken og se at de enkle modellene utgjør en forskjell hos brukeren. På den måten kan vi også se hvor vi skal plassere de tekniske investeringene for å komme enda dypere. For meg er dette en helt naturlig måte å gå smidig fram på.

Artikkelen har tidligere vært publisert på Datatech. Datatech tilhører Teknologiens Mediehus.