I TINE har vi stort fokus på bruk av data og dele innsikt for å effektivisere prosesser og skape inntekter for norske bønder over hele landet. Vi må møte forbruker- og kundebehov best mulig gjennom å ha de riktige produktene, i riktig format, til riktig pris – i de salgskanalene vi har.
Vi har nå laget og tatt i bruk en ny kommersiell informasjonsportal, som benyttes av et bredt kommersielt team, konsernledelsen og ulike ledergrupper. Portalen erstatter mange lokale rapporter og løsninger og i stedet samler alt ett sted, slik at vi får én sannhet for alle de kommersielle områdene i TINE.
Maskinlæring og avansert analyse er en integrert del av vår Kommersiell informasjonsportal. Et eksempel er avansert statistisk modellering av viktige drivere for valg av merkevare for en forbruker. Dette er analyser som tidligere ble kjøpt av eksterne leverandører, men som nå som blir beregnet bak enkle brukergrensesnitt og støtter beslutninger rundt merkevareutvikling. Alt bygger på et moderne lakehouse i Azure.
The need for a better way of interpreting well data is clear, especially when the number of wells is large and both the time and the number of experienced petrophysicists is limited. In addition, these petrophysicists could be working on more demanding and creative tasks for the company and society. The interpretation of the well data can also vary between different petrophysicists, depending on their experience, and even on their mindset after looking at data from the same well for days. This means that consistency in the results of the interpretation can be an issue – subsequent processed using this data could be highly affected. Implementing automated systems that can assist and eventually replace the manual interpretation performed by petrophysicists will promote benefits against all needs and challenges described so far.
Løsningen ETA benytter seg av maskinlæring for å forutsi et leveringsøyeblikk for valgt tjeneste over hele Norge. Gjennom vår verdikjede har vi flere hendelsesregistreringer, som hjelper oss å forstå reisen en pakke eller pall tar fra avsender til mottaker gjennom det svære nettverket vårt. Det kan være hendelser som «innlevert terminal 1», «maskinelt behandlet», «lastet på linjebil», «utlevert hentested», og så videre. Tanken bak ETA var å bruke denne informasjonen og tiden mellom de ulike hendelsesregistreringene til å trene en maskinlæringsmodell som kunne forutsi den totale leveringstiden, og dermed både leveringsdag og tidsintervall.
Gjennom et omfattende arbeid med kartlegging og bearbeiding av data, bruk av sofistikerte maskinlæringsmetoder og profesjonell løsningsutvikling har vårt kompetente Data Science team, i tett samspill med både tjenesteutviklere og IT, utviklet en løsning som leverer høy grad av treffsikkerhet til stadig flere tjenesteområder og produkter. Løsningen gir i dag presise estimater allerede ved bestilling i nettbutikk eller vår egen bestillingsportal, men gir også oppdaterte og mer presise estimater etter hvert som forsendelsen får nye registrerte hendelser når den beveger seg gjennom vårt distribusjonsnettverk – noe som til slutt klatrer til over 90% treff på leveransedato.
En klar målsetting var å hjelpe å hjelpe IFRC med å raskt og med mindre manuelt arbeid, oppdage humanitære trender og mønstrer på områder som sykdommer, naturkatastrofer eller menneskeskapte problemer i forskjellige deler av verden. På bakgrunn av dette kunne passende tiltak iverksettes som kan støtte opp under de lokale Røde Kors/Halvmåne foreningene og/eller lokale myndigheter.
Amesto Nextbridge har i nært samarbeid med Norges Røde Kors og IFRC (International Federation of Red Cross/ Red Crescent), samt støtte fra Innovasjon Norge og Microsoft AI for Good, gjennomført et Data Science-prosjekt der hovedmålet var å utvikle et system som automatisk trekker ut essensen, strukturerer, analyserer og tolker tekstdata for IFRC (tusenvis av månedlige feltrapporter som kommer inn i IFRC fra sine nasjonale Røde Kors/Halvmåne foreninger).
Prosjektet ble satt i gang i form av et forprosjekt der arbeidet besto i å utvikle et Minimum Viable Product. Fokuset var å automatisk hente ut informasjon fra IFRC sine feltrapporter om spredning og utbrudd av Covid-19 i de mindre utviklede områdene i verden. Denne suksessfulle leveransen la til rette for å utvide arbeidet som ble gjort under forprosjektet, slik at vi også ble i stand til å inkludere og prosessere andre typer tekstdata som IFRC sine Disaster Relief Emergency Fund (DREF)-rapporter.