Illumineight har under 2021 medverkat i ett forskningsprojekt hos Högskolan i Borås som nu lett fram till en digital prototyp för beslutsstöd. Projektet har varit finansierat av Handelsrådet. I projektet har Leif Andersson från illumineight aktivt deltagit i att ta fram de processer prototypen skall utvärderas emot, bidragit med kravställning på en digital prototyp, deltagit i att utvärdera den samt bidragit till designprinciper för denna typ av digitala hybridbeslutssystem. (länk till projektets sida hos Högskolan i Borås)
Projektets syfte har varit att undersöka hur människans kunskap (HI) kan kombineras med data och en dators förmåga att behandla data (AI/BI) för att skapa bättre beslutsunderlag för förbättring av processer. I en era där mycket fokus ligger på att data skall driva förbättringar och utveckling, hur tar vi hänsyn till, och använder, kunskapen som finns hos medarbetare? Projektet har tagit vad som kallas ett ”socio-tekniskt” perspektiv för beslutsfattande (Mumford 2006, p.321) där både människors och teknikens möjligheter kombineras.
En fråga som ofta dyker upp i organisationer är hur man strukturerat kan tillvara erfarenhet, know-how och de delar av beslutsunderlagen som kan vara svåra, eller kanske omöjliga, för AI att ta hänsyn till när beslutsunderlag bereds. Projektet och den digitala prototyp som tagits fram visar på ett sätt att adressera denna fråga.
För att projektet skulle kunna utvärdera en prototyp valdes returhantering inom handel som process. Hantering av returer inom e-handel är i dag en mycket stor kostnad och har stor negativ hållbarhetspåverkan, förbättringar inom området leder ofta till stor positiv påverkan på hållbarhet och kan ge stora ekonomiska vinster och konkurrensfördelar.
Returhanteringsprocessen
Returhanteringsprocessen (figur 1) togs fram med utgångspunkt både i teori och praktik, forskning inom området, tillsammans med praktisk erfarenhet från övriga deltagande företag vägdes in och en generisk process för returhantering togs fram. 
Att ett så specifikt område som returhantering valdes beror på att det måste finnas möjlighet att utvärdera den digitala prototypen och då är det nödvändigt med en specifik kontext. Projektet har iakttagit att prototypen för beslutsstöd högst troligen fungerar för många olika områden, men har inte specifikt utvärderat mer än returhantering. Både Högskolan i Borås och illumineight har för avsikt att fortsätta utvärdera den digitala prototypens förmåga att hantera andra processer än returhantering och bredda dess användningsområde.
Returhanteringsprocessen bröts ner i underprocesser och det är med en av dessa underprocesser som den digitala prototypen har utvecklats och utvärderats. Figur 2 visar underprocessen för hantering av returbegäran som i huvudsak är den del som utvärderats.
Fånga medarbetarnas kunskaper (HI)
Inom projektet kallades detta för HI (Humanintelligens) som står som kontrast, eller rättare sagt komplement, till AI som ju står för en dators förmåga att analysera data och ta fram kunskap.
För att fånga medarbetarnas kunskaper om hur processen i dag utförs och kan förbättras togs ett antal påståenden fram för varje processdel och dessa påståenden (figur 3) besvaras av medarbetare genom att man väljer graden av uppfyllnad av påståendet. En gradering görs från ”håller med till fullo” till ”håller inte med”. En kommentar som motiverar varför en viss grad av uppfyllnad har valts kan också läggas till.
I figur 3 ser vi t ex ”Vi registrerar alltid returbegäran” och detta kan ju genom data bevisas vara generellt sett sant, men kan ju påverkas av t ex sjukdomar och stress vid vissa perioder på året eller beroende av kampanjer etc och där kan både människan istället kan bidra med kompletterande information.
Artificiell intelligens (AI)
De flesta organisationer samlar idag in stora mängder med data och många gånger används den som beslutsunderlag, men hos många ligger den också oanvänd eller används på ett rudimentärt sätt. Orsaker till att data inte används fullt ut är många, okunskap om att den finns, den är otillförlitligt, kunskaps saknas hur den skall användas och analyseras. Till vår hjälp för att förstå och hantera data maskinellt har vi t ex Business Intelligence (BI) och Artificiell intelligence (AI).
Begreppet AI är idag ett begrepp som använts med ganska stor bredd och har ofta olika betydelse beroende på i vilket sammanhang det används. AI definieras t ex av Kaplan och Haenlein (2019) som: “… a system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation”.
Då projektet skall använda “maskingenererad kunskap” så var det nödvändigt att titta djupare på begreppet AI och specifikt vad det betyder ur ett ”socio-tekniskt” perspektiv. Tabell 1 ger en översikt över ett antal olika begrepp som förekommer med AI som en del och som har en ”humantillvänd” approach.
Som vi ser är begreppet AI inte helt tydligt eller enkelt definierat, det finns också inom praktiken ytterligare definitioner som kan beror på kontext eller att något specifikt vill belysas i samband med begreppet. Detta gör begreppet lite förvirrat men utgångspunkten var att den digitala prototyp för beslutstöd som projektet tog fram, skall hantera både enklare och mer komplexa datorstödda analyser och funktioner, därav har begreppet AI använts (och ej BI eller dataanalys).
När ett påstående i den digitala prototypen har en definierad och utvecklad “maskinanalys” så synliggör prototypen detta och det dyker upp ytterligare val som gör att en maskinanalys kan visualiseras och utvärderas och därmed vägas in i ett beslut.(figur 4)
Två exempel på analyser har byggts in i prototypen och nedan är ett av dessa exempel. (figur 5)
Genom att dra i skjutreglagen kan olika möjligheter utvärderas och simuleras för att få ett predicerat CO2 utsläpp. Detta ger ett beslutsunderlag som tillsammans med HI underlag troligen kan ge nya insikter och till och med påverka affärsmodeller. HI underlag i detta fall kan t ex vara ”hur låg kvalitet kan kunden acceptera eller vilken nivå av kvalitet kan vi stå för?” samt rimlighetsbedömningar avseende vissa parametrar. Som helhet ger det ett betydligt utökat beslutsunderlag som också kan leda till innovation och nytänkande.
Möjlig tillämpning av hybridsystem för beslutsfattande
Ovan har vi redan pekat på möjligheten att använda denna typ av digitala system för att öka kvalitet i beslut genom att väga in både ”människans” kunskap (HI) och ”maskinens” kunskap (AI) som underlag för beslut. Det område som överlappar mellan HI och AI kallas för Hybridintelligens (figur 6) och det är i detta som också den digitala prototypen understödjer.
Men vad är det vi skall besluta om?
Genom att våra beslutsunderlag blir bättre kan ett hybridsystem t ex användas för rent operativa beslut, om HI anser X och AI visar X så beslutar vi för X. Om det skiljer mellan HI och AI kan vi göra flera val, vi kan fortsätta med en fördjupad analys av området för att se om vi kan få mer information genom att analysera nya data eller förändra algoritmer (AI). (figur 7)
Vi kan också besluta att be andra roller (HI) besvara påståenden för processen och se om detta påverkar beslutet. Hybridsystemet hjälper till att kartlägga och visualisera detta och kan anpassas för att också visa fler påståenden och visualisera BI/AI tillämpningar varefter de tas fram.
Ytterligare ett sätt att använda hybridsystemet är för att driva strukturerad förbättring av en process och kvalitetsutveckling. Det finns i prototypen fyra olika nivåer av påståenden som kan användas för att stegvis öka mognaden genom att man tar påstående för påstående och säkerställer uppfyllnad av det. Detta arbetssätt kan i sin tur leda till att initiativ startas för att t ex börja utnyttja data bättre, förändra ett utbud, affärsmodell eller helt enkelt förbättra en processaktivitet.
Erfarenheter och slutsatser
Det har under projektets gång blivit bekräftat att det finns ett behov av denna typ av digitala beslutstödssystem. Beslutstödssystem som sådan är inget nytt, men att just kombinera och ta tillvara både HI och AI har av alla som utvärderat den digitala prototypen upplevts som mycket positivt och har adderat en dimension ytterligare till kvalitetsarbete och innovation.
Grunden för förbättringar och innovation upplevs också av de flesta finnas där, dock så upplevs kunskap om data och hur den kan användas och förädlas fortfarande vara ett utvecklingsområde, där kan ett hybridsystem som detta bidra till att öka mognad inom området.
För illumineight har deltagandet varit värdefullt ur flera perspektiv; kunskap om det specifika området “returhantering” har ökats och gett insikter om vilka likheter det finns mellan returhantering och t ex incidenthantering och klagomålshantering inom IT. Det är i både fallen oerhört viktigt att se helheten av organisationen, ett stort antal returer kan bero på en felaktig produkt eller en produkt som är missvisande, detsamma kan gälla för en IT-tjänst, många incidenter kan bero på ett fel i tjänsten eller helt enkelt att den är felaktig designad ur ett användarperspektiv. Det finns högst troligen synergier mellan returhantering och hantering av tjänster och incidenter runt dessa. Detta är inget som detta projekt titta på utan en iakttagelse som Leif Andersson som deltagit projektet gjort.
Avseende returhantering specifikt så är det tydligt att det endast är en del av ett komplext ekosystem, returer hänger ihop med utbud och hantering av produkter, hur de presenteras och marknadsförs. Returhantering som från börja ofta ses som något som är av ondo kan genom att analyseras och hanteras korrekt vara en del av affärsmodellen och driva utveckling av både produkt, processer och affärsmodeller!
Slutligen kan vi nog konstatera att vi bara är i början av utvecklingen av detta område, det finns stor potential med denna typ av digitala hybridsystem där både människor och maskiners förmåga tas i beaktning, men också en del risker som behöver hanteras. De många risker är idag kända och har mycket att göra med tillförlitlighet av data, BIAS, kunskap inom dataanalys, etik men också informationssäkerhet. Vi ser med spänning fram emot att fortsätta
Vill du veta mer om hybridsystem för beslutsfattande?
Det finns inom projektet självklart en vetenskaplig rapport som innehåller alla detaljer och forskningsreferenser mm och önskar ni ta del av denna kontaktar ni Leif Andersson
Under januari månad så har också Handelslabbet inom Högskolan i Borås temat “returhantering” och den digitala prototypen kommer då att finnas att prova på i deras Showroom i Textile fashion Center i Borås. Passa på att besöka Handelslabbet under januari!
Är du intresserad av att delta i fortsatt forskning runt detta kan du kontakta Leif Andersson så ordnar vi så att du kommer i kontakt med rätt forskare hos Högskolan. Skulle du bara vara intresserad av att börja använda den digitala prototypen som tillämpning inom din organisation så hör av dig till illumineight så diskuterar vi tillsammans hur detta kan gå till!
