KUNSTIG INTELLIGENS
DNBs nye AI-verktøy kan bli butikk
Banken bruker AI til å hente ut ny innsikt fra handlemønsteret til 2,4 millioner nordmenn. Resultatet kan bli en dataportal der bedrifter og kommuner kjøper svarene de er ute etter.
Publisert
DNB er Norges suverent største bank. Om lag hver tredje nordmann er kunde i banken som håndterer kroner og øre tilsvarende et helt norsk statsbudsjett i sine systemer, hver eneste dag.
Med en slik størrelse sitter også storbanken på en god del informasjon om nordmenns gjøren og laden. Informasjon som AI-laben i banken nå har satt i et kreativt system.
Det at banken lager statistikk over sine egne kunders transaksjonsdata er selvfølgelig ikke noe nytt. Tidligere har dette blitt til manuelle rapporter, for eksempel for å se hvordan feriebruken er, eller hvordan store arrangementer påvirker forbruket.
Det nye er at hvis man legger AI oppå alle disse dataene, kan man snakke med alle transaksjonsdataene og dermed hente ut svært mye informasjon – til både glede og nytte.
– Kunstig intelligens-løsningen er laget for at det skal bli lettere for folk internt å faktisk ta i bruk dataene. Vi har masse god data, men ikke alle har analysebakgrunn. Derfor tester vi om dette kan hjelpe folk med å lage saker eller hente ut data, sier Anne Karen Aanonli, teknologi-intraprenør i DNB.
I verktøyet som DNBs AI-lab har laget, kan brukeren chatte med de riktige datasettene for å få ut statistikken man ønsker seg. Man kan for eksempel stille spørsmålet «Hvordan påvirkes handlemønsteret på Romerike av finvær?» Da kan løsningen hente inn værdata, SSB-data og kombinere DNB sine data med mange andre datakilder, og dermed se hvordan forbruket endrer seg når sola kommer frem.
Dette eksempelet ble til en nyhetssak i Romerikes Blad som undersøkte om folk faktisk blir mer hedonistiske i forbruket når været er fint.
– Verktøyet er også koblet opp mot internett, så det kan hente andre kilder, sammenligne og bruke beste praksis rundt statistikk. Det er et fantastisk verktøy også for oss utviklere, sier Anders Granerød, teknisk produktleder i DNB.
Anonyme data
Og for den cirka én tredel av Shifters lesere som statistisk sett er DNB-kunder og dermed svetter litt ekstra når de leser dette: pust med magen. Det er ikke slik at dataknuserne nistirrer på din personlige transaksjonshistorikk og fniser av antallet kaffe latte som går med hver måned.
Derimot bruker verktøyet diverse anonymiserte data for å fortelle noe om hvor en transaksjon kommer fra: geolokasjon til postnummer og til kommunesenter, for eksempel, og deretter regne ut fysisk avstand.
– Vi har ikke data som gjør at vi kan si noe om enkeltpersoner eller veldig små grupper. Vi har demografiske grupper på alderssegment, kjønn og postnummer. Det skal være anonymisert, og det er vi pliktige til, sier Jon-Mikkel Ryen Korsvik, som er en del av DNBs AI-lab.
Verktøyet er bygget på DNBs egne gateway, utviklet av deres Radical AI-team. Dette betyr at banken ikke sender data over til USA.
– Ingenting blir lagret. Vi kan bruke egne modeller hvis vi vil hoste dem selv, enten hos oss eller i et datasenter i Norge. Vi kan også lage funksjoner akkurat som vi vil, forteller Korsvik.
– Til stor hjelp for demokratiet
En annen måte å bruke verktøyet på, er om en kommune vil vite om et arrangement faktisk skaper mer lokal handel: hvor kommer tilstrømmingen av kjøpekraft fra, hva som skjer med handelen i kommunen, og hvor mye penger legger besøkende igjen.
– I dag har man ofte bare antagelser om dette er noe kommunen eller næringslivet tjener penger på. Her kan man faktisk se det. Det kan være nyttig både for kommunen, handelsstanden og arrangørene. Telia og Telenor kan måle trafikken inn til byene, men de vet ikke om folk faktisk legger igjen penger der. Det kan vi måle, sier Granerød.
Et tredje, høyaktuelt eksempel er hvordan renteøkninger og dyrtid faktisk slår ut i folks forbruk.
– Vi har dataprodukter som kan brukes til makroøkonomiske analyser. Vi kan se på nordmenns økonomi, forbruk i forhold til sparing, økning på sparekonto, fondshandel, boligkjøp og andre parametere, forklarer Korsvik.
Verktøyet kan også vise hvordan ulike forbrukskategorier, som restaurant og transport, endrer seg når renten går opp. Et viktig poeng her er at gjennomsnittstall kan skjule store forskjeller mellom grupper: en aldrende del av befolkningen kan være mindre påvirket av renteøkninger, mens folk i etableringsfasen og småbarnsfamilier kan bli hardere rammet.
– Da kan grafen se ganske flat ut, selv om situasjonen er veldig reell for enkelte grupper. Derfor er det nyttig å kunne se tallene og underbygge det, påpeker Granerød.
Han legger til at dette er et datagrunnlag som «er til stor hjelp for demokratiet». Der SSB ofte bruker tid på å samle opplysninger og publisere sine tall, ifølge Granerød, kan DNB få ut tallene nesten i sanntid.
– Hos DNB flyter betalingstransaksjonene inn kontinuerlig, noe som setter oss i stand til å få ut statistikk raskt.
Ettersom tallene har DNB-kunders økonomiske adferd som utgangspunkt, gjør de justeringer slik at statistikken er representativ for Norges befolkning når det kommer til slike samfunnsøkonomiske makroanalyser.
– Rapporten genereres på kanskje et kvarter. Det ville tatt en knallgod analytiker mange dager å hente inn nok informasjon, sammenstille, verifisere, sjekke og lage statistikkene. Det er ekstrem produktivitetsvekst med dette.
Kommersiell idé
Men bankene lever ikke av idealisme og samfunnsansvar alene, all den tid dette er flotte vyer. Dermed har det heller ikke gått storbanken hus forbi at dette er et verktøy det kan være mulig å tjene penger på – på flere måter.
– Samfunnsverdi er en ting, men det er tross alt DNB som har bygget dette og dere har selvfølgelig analysert kommersielle modeller her?
– Ja, det er dit vi er på vei, sier Granerød.
– Men vi tester veldig mye internt først, og får intern verdi.
Én inntektsgenererende idé er et verktøy bedriftskundene til storbanken. La oss si at DNB har en bedriftskunde som vil forstå hvem kundene deres er og undersøke om kundegrunnlaget har endret seg, om utviklingen skyldes egne forhold eller en større trend, og hvordan den sammenligner seg med næringsmiljøet i nærheten eller med Norge generelt.
– Det gjør at en bedriftskunde kan få innsikt i kundegrunnlaget sitt på en helt annen måte enn før og se utvikling over tid, forteller Granerød. Tanken er at dette verktøyet kan lanseres i en ekstern portal for innsikt, både for bedriftskunder og for andre større kunder som kommuner og organisasjoner: en dataportal hvor man kan kjøpe dataprodukter som bedrift.
Kommunikasjonsrådgiver Vidar Korsberg Dalsbø spiller inn:
– For DNB gir dette også mye rådgivningsmakt. En rådgiver kan sitte med tallene og forklare kunden hva som faktisk skjer. Det kan for eksempel være en festival, der vi kan ta ut en rapport som viser hvor mye penger festivalen genererer i lokalmiljøet.
Banken har enda ikke landet på en kommersiell modell for prising, men sonderer terrenget.
– Det er vi i pilot på nå for å undersøke. Det vil ta litt tid, sier Granerød.
– Kunne det vært aktuelt med en kommersiell løsning som selger API-ene til tredjeparter som også kan bygge noe på dette? Eller skal det kun være DNB til sluttbruker uten noen mellommann?
– Vi er i prosess med å vurdere samarbeidspartnere, men det vil ikke bli fritt frem for enhver å bygge tjenester over disse dataene. Derimot står våre kunder fritt til å dele egne data fra DNB med eventuelle tredjeparter under bestemte vilkår.
Pilotering
Akkurat nå er teamet i gang med å involvere flere brukere fra organisasjonen, både fra kommunikasjon og innenfor bedriftsmarkedet Norge.
– Vi har noen analytikere som verifiserer dataene og sjekker om modellen faktisk gir gode data, og ikke forvirrende data, sier Aanonli.
– I tillegg har vi folk fra kommunikasjon som lager saker. De har tidligere jobbet med analytikerne for å få frem saker til journalister. Nå tester vi om de som ikke har like god innsikt i dataene, klarer å finne spennende saker gjennom verktøyet.
– Hvordan håndterer dere feil når verktøyet velger feil datasett eller gjør feil antagelser?
– Det er nettopp derfor vi har piloten. Hvis jeg stiller et veldig åpent spørsmål, prøver verktøyet å finne det som er mest relevant. Noen ganger finner det ikke riktig datasett, og da kan man justere. Hvis du vet hvilket dataprodukt som er mest relevant, kan du instruere verktøyet og redusere feilmarginen, sier Granerød.
Granerød, som har jobbet med disse dataene «i seks-syv år», sier han fortsatt blir overrasket hver gang han tar frem dette kunstig intelligens-verktøyet og spør.
– Jeg bruker det mye for å forstå tallene jeg selv jobber frem.
– Vi i kommunikasjon har vært veldig på for å få tilgang, legger Dalsbø til.
– Vi får hele tiden spørsmål fra journalister om hvordan renten påvirker lommeboken, og om andre ting som betyr mye for folk. Derfor er dette veldig relevant for oss.
Han forteller at tanken for den nærliggende fremtiden er at det skal være så enkelt å ta ut en rapport at en lokal journalist ringe banksjefen lokalt, og så kan banksjefen ta ut en rapport og stå som ekspert på de tallene.
– Informasjon er veldig viktig. Vi har også noen åpne datasett som skal være tilgjengelige for hele Norge. Vi må bare finne ut hvordan vi skal fordele dem og gjennom hvilken kanal. Det ligger mye politisk kraft i dette, sier Granerød.
LES MER:
