År 2017 tillträdde jag som Group Chief data scientist på SEB och gjorde ett uttalande som fick många att småle:  ”Data är hjärtat i banken och det hjärtat bultar för kunderna”.  Som den okrönta drottningen av zingers känns det väldigt kul att få en plattform att försöka få alla att tycka att data är lika kul, viktigt och nödvändigt som jag tycker.

Varför pratar alla om data idag? En stor anledning är digitaliseringens framfart. Ju mer digitala vi är, desto mer data skapar vi. Från att ha genomlevt industrialiseringen har nu nästa steg för mänskligheten blivit att bli digitala varelser, på gott och ont. 

Dataresan brukar ofta beskrivas som en mognadstrappa: steg ett är att skapa data, två är att förstå data, tre att använda data, fyra att kombinera datamängder och fem är att använda databaserade modeller för att ta beslut.

Att vi alla konstant skapar data är kanske inget som vi tänker på i vardagen. Till exempel följer våra smarta telefoner med oss ut i världen och lagrar data såsom var vi befinner oss och hur många steg vi tar per dag. Som medborgare i den digitala världen behöver vi vara medvetna om vad som händer med vår data. Vissa blir kanske glada över att få se hur många steg de tar, andra blir oroliga över vart deras data tar vägen och somliga känner sig integritetskränkta. Plötsligt blir data känslor.

Vad innebär trappsteg två, att förstå data? Det räcker inte att man förstår vad en datamängd handlar om, man ska också kunna ifrågasätta den. I Finland har man lagt in utbildningar om ”fake news” i gymnasiet sedan 2016. Att lära sig att ifrågasätta källor på internet ses som en del av landets försvar. 

Steg tre i mognadstrappan innebär att man börjar använda data. Det kan till exempel vara att jämföra priser på produkter från olika leverantörer, eller en personalansvarig som vid rekrytering använder sig av data. 

Hur gör du om du ska köpa en bostad? Kanske står du stadigt på tredje trappsteget i mognadstrappan och tittar på bostadspriser i samma område, på årsredovisningen för bostadsrättsföreningen, din nuvarande finansiella situation och månadskostnader för olika boenden som du är intresserad av.

Att titta på dessa datamängder utan att förena dem kan göra det svårt att komma till ett beslut. Många av oss öppnar nog ett kalkylblad på en dator och lägger in våra datamängder där, gör några beräkningar och så väljer vi boende baserat på en balans mellan kostnad, läge, och om vi gillar boendet. Om du känner igen dig i detta så har du kommit till trappsteg fyra i datamognadstrappan när det gäller ditt boende. 

I dagens datavärld kan vi även försöka förutse vilket marknadspris bostaden har, och därmed stiga upp på det femte trappsteget. Det finns nästan oändligt många datamängder som vi kan köpa eller få gratis för att börja skapa en prediktiv prismodell. Enbart historiska priser på den bostad vi är intresserade av räcker knappast för att skapa en bra modell. En första datamängd kan istället vara historiska priser för alla bostäder i området inklusive information om kostnader och storlek, för då kommer modellen bli mer träffsäker. 

Det är detta som är så spännande med data – vi kan alltid börja med en datamängd, och så kan vi bygga ut modellen med mer data över tid. Kanske kan vi även få tag på foton från sålda lägenheter i närheten, nybyggnation, parkeringsmöjligheter, väderleksinformation… Som ett barn som matas med lärdomar kommer modellen att växa upp och bli en välfungerande pusselbit i vårt beslutstagande. Vi har då inte bara har en modell som förutser priser för just denna bostad utan troligtvis även en modell som kan användas för andra bostäder i liknande områden.

På en gång har vi löst vår egen fråga och skapat svar på många andra frågor, vilket ofta är fallet när man är på det femte trappsteget – möjligheterna och utsikten från bergstoppen av dataresan är oändliga. För mig är maskininlärningsmodeller så roliga att bygga just för att det är upp till vår erfarenhet och kreativitet att skapa bra frågor och svar. 

I den här krönikan har vi gjort ett första steg in i den underbara världen av data. I nästa krönika kommer jag att berätta hur man kan skapa en datadriven organisation och vilka möjligheter det erbjuder.

Salla Franzén
Group chief data scientist för SEB

Om skribenten:
Efter tio år av matematikstudier var jag postdoc på Universitetet i Oslo och Mittuniversitetet i Sundsvall. Mitt första jobb inom finans var på en hedgefond, S&S Asset management där jag arbetade som risk-och portföljanalytiker. Jag har varit på SEB sedan 2011 och gjort många olika saker – främst som riskanalytiker inom olika affärsområden och fondförvaltare , innan jag blev Group chief data scientist för SEB drygt tre årsedan.

Jag är väldigt intresserad av data och digitalisering – hur kan vi  använda vår data för både analys, insikter och samtidigt introducera AI och maskininlärning på ett säkert, etiskt och hållbart sätt? vilka typer av AI system är lämpliga för olika tillämpningar? Teknologiska framsteg kan ibland leda till stora förändringar i en organisation, och det händer otroligt mycket inom det området. Jag tror på samarbete och på att bygga saker tillsammans, så jag är också involverad i WASP (Wallenbergs AI, autonoma system och mjukvaruprogram) både med egen industridoktorand men också genom att vara med i dialogen mellan akademi och industri kring hur vi kan få in forskning i industrin generellt.

Jag är också ledare för  arbetsströmmen Näringsliv i ett stort samarbete som heter AI Agenda för Sverige och drivs av RISE sedan två år tillbaka. I agendan jobbar vi med att identifiera områden där vi tror att Sverige behöver satsa nu för att bli ett starkt land inom AI.

Min roll är att jag ska ”inspirera banken till att bli mer datadriven”. Jag är chef för ett team med datascientister och visualiseringsexperter, vi arbetar med många olika team i  banken och hjälper dem att få ut nytta, som är värdefull för kunden, ur sitt data. Det kan vara att vi arbetar med att bygga modeller, eller att vi stöttar dem i att bygga saker själva. Det bästa med jobbet, förutom det fantastiska teamet jag får leda, är att få diskutera möjligheter med så många olika delar av banken och att se hur en idé blir verklighet. Det gäller att skynda långsamt och att våga börja litet, små steg kan ofta bli stora framgångar när man vågar doppa tårna i AI-världen.

Utbildning: doktorsgrad i teoretisk matematik (flera komplexa variabler) från Stockholms universitet.