Bliv en del af KYNETIC – se vores ledige stillinger her

Data Science

Bindeleddet mellem data og et rationelt beslutningsgrundlag

Med en dyb videnskabelig og praktisk forståelse for statistik og machine-learning, kan vi hjælpe din virksomhed med at besvare kritiske forretningsspørgsmål. Vi omdanner data til handlingsorienterede tiltag, der vækster din forretning.

Ager proaktivt, og forudsig fremtidige udfald med ML teknologi og statistik
Forstå effekten af din markedsføring og optimer din allokering til hele kunderejsen
Ingen siloer, fuld transparens, højere relevans, mindre støj og større afkast
Hvad arbejder vi med

Fra data til anvendelig information

Data er i sig selv værdiløs. Det er i de mønstre og informationer, der udvindes fra den at værdien findes. Det forudsætter en stor mængde data, hvilket de fleste virksomheder i dag besidder, og et hold af specialister der kan udvinde viden af den. Det har vi i KYNETIC.

Flere virksomheder kæmper med at få det fulde potentiale ud af alt deres data. Mængden af data og datakilder bliver uoverskuelige, og omfanget af opgaven som det kræver, at analysere og forstå dataen, bliver enten ikke løst korrekt eller med store usikkerheder og mangler. 

 

I KYNETIC hjælper vi virksomheder med at forstå og analysere store, komplekse datamængder og derigennem identificere trends, markedsudvikling, vækstpotentiale, problemstillinger og andre mønstre i den data, I som virksomhed ejer. På denne side kan du læse om, hvad vi tilbyder og vores tilgange til data science, samt de vigtigste indsigter i forretningsområdet. 

I KYNETIC tilbyder vi indenfor data science: 

  • Hjælp til at identificere problemstillinger, der med fordel kan blive løst med marketing science, samt visualisere dem i dashboards og brugbare visualiseringer.
  • Assistering i data-management i forbindelse med at udvælge de vigtigste datakilder, forene datakilder, og endegyldigt analysere den forenede data.
  • At skabe et bedre beslutningsgrundlag for optimeringer i marketingkanaler, baseret på objektive statistikker og indsigter

 

Du får med andre ord full stack kompetencer i databehandling- og analyse i KYNETIC. Vi leverer sammen med statistiske modeller vores forretningsorienterede anbefalinger til tiltag, du som virksomhed bør gennemføre for at optimeringer i specifikke marketingkanaler.

Hvorfor arbejde med data science?

Data er i sig selv blot en bid af information om en given situation. Det er i analysen af data, hvor informationerne sammenlignes og sættes i struktur, at vigtige indsigter kan findes. I data science analyserer vi derfor data med 2 primære formål: 

 

  • Vi analyserer data for at forklare eller fortolke en given situation
  • Vi analyserer data for at forudsige udfaldet af en given situation 

 

I praksis betyder det at vi kan analysere data og forklare forandringer i indtjening, sammenkoblet med forbrug på baggrund af store, komplekse datasæts. Eller vi kan analyserer data med formålet om, at forudsige udviklingen af en given situation. 

 

Analyserne bliver visualiseret i statistiske modeller, og hjælper bl.a. med: 

  • Opdage skjulte klyngedannelser i kundedata, der kan anvendes i effektiv segmentering
  • En højere ROAS/ROI i alle eller nogle specifikke digitale marketing kanaler 
  • Forudsige churn med høj præcision
  • Forecaste fremtidige cash-flows og give en mere præcis rapportering på performance
  • Finde mønstre i din feedback og reviews ved hjælp af Text Mining
  • Segmentere kunder ud fra mønstre i CRM data, foretaget ved hjælp af Unsupervised Machine Learning
  • Beregne CLV med stor præcision, ved hjælp af statistiske fremgangsmåder
  • Klassificere content ud fra, hvilken content der har størst interaktionsværdi eller skaber flest konverteringer
  • Inddele kunder i segmenter baseret på typen af konverteringer/produktkategori ved hjælp af “clustering” og “beslutningstræer”
  • Beregne effekten af investeringer i dag på det fremtidige salg, ved hjælp af tidsserier/VAR analyser.
Data science analyser kan benyttes på størstedelen af marketingopgaver og er et stærkt værktøj til at hæve performance niveauet
Hvordan arbejder vi med

Find forretnings indsigter i data

Når du som virksomhed forstår sammenhængen mellem dine marketingaktiviteter og indtjening, er det lettere at forudsige og forstå effekten af dine marketingaktiviteter. Det giver det bedste grundlag for at prioritere indsatsen efter dem, der giver den bedste ROAS/ROI. 

Ved at sammenkoble statistik med machine learning, kan vi få langt flere og mere præcise indsigter ud af data. I denne proces foregår en dybdegående træning af vores model hvoraf resultatet er en forklaring på forholdet mellem forskellige faktorer eller en beregning på et fremtidigt udfald. Den bliver afslutningsvis valideret på ny data, for at tjekke hvorvidt modellen leverer et ensartet resultat på andet data, end dét den er trænet på. 

 

Vores tilgang til data science tager afsæt i CRIPS-DM data processen, der siden 1996 har været det mest anvendte og anerkendte framework for dataarbejde. Processen inkluderer korrekte bearbejdning af før, under og efter dataanalyserne, hvilket du kan læse mere om i næste afsnit.

CRISP_KYNETICpng

Regressionsanalyser og forecasting med tidsserier

I selve analysearbejdet anvender vi forskellige statistiske metoder, afhængigt af problemstillingen. Et værktøj vi eksempelvis anvender i KYNETIC er regressionsanalyser, der eksempelvis kan belyse forholdet mellem indtjening og kanal-spend.

Eksempel: Du som virksomhed ønsker at vide, hvilke kampagner og marketingaktiviteter der har bidraget til flest konverteringer på jeres site. En regression vil forklare effekten af hver krone du f.eks. investerer i Facebook, og den enkelte krones betydning for dit totale antal konverteringer.

Et andet værktøj vi anvender er forecasting med tidsserier, der kan estimere mængden af konverteringer i de de kommende dage, uger måneder mv. I arbejdet med tidsserier tager vi højde for trends, sæson og markedsudviklinger og estimerer på baggrund af disse faktorer nogle realistiske forecasts. Værktøjet forudsætter eksisterende data, da machine learning teknologien i værktøjets kerne skal have data at baserer sine forudsigelser på.

+
Vigtige forbehold i data modellering

Det er ikke alle modeller baseret på data, der er pålidelige. I KYNETIC arbejder vi altid datadrevet og vi er derfor erfarne i opmærksom på de faldgruber, der findes i arbejdet med data. 

 

I forbindelse med avancerede dataanalyser og udarbejdningen af statistiske modeller forudsætter det, at du som virksomhed har et datagrundlag af høj kvalitet. Det optimale er data baseret på flere års tracking, men i situationer med begrænset data kan vi også hjælpe. 

 

Foruden datagrundlagets kvalitet har modellens omfang af dimensioner også betydning for, hvor anvendelig en statistisk model er. Er en model 95 % sikker, men bygget på hundredvis af faktorer er den i høj grad ustabil. Til sammenligning er en model med 5 faktorer, der forudser en udvikling med 75 % sikkerhed oftere en mere pålidelig model.

 

Det skyldes at jo flere dimensioner en model besidder, desto større bliver den, hvilket kan resultere i, at den reelt ikke kan afspejle et generelt billede. I KYNETIC anvender vi primært de større modeller til at forklare et historisk udfald. Modsat er de mindre modeller med få faktorer, gode til at forudsige scenarier.

 

Hvis I som virksomhed ikke har meget store mængder af kompleks data, eller desværre står med mangelfulde datasæt på baggrund af upræcis tracking, kan vores team af specialister i KYNETIC hjælpe. Et samarbejde med KYNETIC er altid fuldstændig transparent og vi følger alle gældende regler omkring datahåndtering.

Indsigt i databearbejdning

Fra rådata, til algoritme, til styringsværktøj

Vores tilgang til arbejdet med data science tager afsæt i CRIPS-DM processen, der er det mest anerkendte og anvendte framework for dataarbejde. Dette frameworke afspejler den iterative “trial-and-error” tilgang, der er nødvendig i arbejdet med data-modellering. 

Cleansing

Forud for datamodellering, ligger det indledende arbejde i at strukturere og sikre at data er konsistent på tværs af de datakilder. Dette er vigtigt at sikre, da algoritmerne der anvendes i analyserne anvender alt data, den bliver givet. Ukorrekt data kan derfor betyde upræcis eller direkte forkerte indsigter, hvilket vi i KYNETIC har faste tilgange og check-lister til at undgå. 

 

Transformationer og mutationer

De programmer vi anvender til datamodellering kan ikke automatisk gøre sig de samme refleksioner, som et menneske kan. Det kræver derfor specialistviden og indsigt i, at opsætte processerne så de selvstændigt kan forstå og justere i den data, der bliver givet.

 

Machine Training / Testing

I machine learning dækker “learning” i forbindelse med BI at en model trænes i, at kunne forudsige eller forklare en sammenhæng, på baggrund af den information den har til rådighed. Denne indlæring kan sammenlignes med et menneskes, da vi med mere viden om et område, oftere kan give korrekte svar på spørgsmål indenfor det område, vi har viden i. 

 

På samme måde træner vi modeller på træningsdata, for efterfølgende at validere hvorvidt modellen kan producere et ensartet svar på et uafhængigt datasæt. I praksis betyder det at vi opdeler data i 70% træning og 30% testing, der har til formål at afspejle hvorvidt samme model kan reproducere samme resultat på ny data, eller den rammer helt skævt. 

Statistisk Modellering

I alle typer af statistisk modellering er formålet at nå det mest præcise estimat relativt til antallet af variabler, der er med i modellen. Som tidligere beskrevet kan en større model være mindre præcise, da de bygger på et fundament af flere variabler. Samtidig kan større modeller være at foretrække i visse scenarier, såsom når vi skal forklare et historisk udfald, f.eks. hvad der har skabt salg de seneste 3 år.

 

I teorien kan der blive opnået en forklaringsgrad på over 99%, og dermed næsten 1 til 1, kunne forklare et historisk udfald. Denne model er dog ikke nødvendigvis den samme for fremtidige udfald. 

 

I arbejdet med algoritmer foregår en iterativ process, hvilket betyder at en model løbende forbedres. Det kan være med ny data eller ved at sammenkoble flere modeller, der tilsammen giver et mere præcist resultat end en enkeltstående model vil kunne.

 

Visualisering og fortolkning

Alt afhængigt af modellen og formålet med opgaven, vil det vi udvinder af analysen, variere i sin form. Nogle outputs er tal, visualiseringer eller ratioer, som vores specialister omdanner til indsigter og anbefalinger til jeres forretning.  

 

Jo mere simpel en model er, desto lettere er det at forklare sammenhængen mellem de inkluderede variable. Hvorimod de mere komplekse modellers sammenhænge nemmere forklares og kan blive forstået gennem visualiseringer. 

Eksempel: Vi vil gerne undersøge sammenhænge mellem antallet af konverteringer til Ad spend i Google. I nedenstående plot illustreres dette forhold, hvor vi kan se at indtil ad spend rammer 1800 kr om dagen, har det en positiv effekt på antaller af konverteringer.

Opgaven i at fortolke grafer er ikke en enkeltmandsopgave, men en tværfaglig proces der involverer flere specialister, der kvalitetssikrer at indsigterne som modellen producerer tolkes korrekt. Ud fra fortolkningerne udarbejder vi konkrete handlingsforslag, til hvordan du eller vi bedst muligt kan udnytte indsigter fra dataet, til at forbedre det undersøgte forretningsområde.

eksperter

Danmarks førende eksperter hjælper jeres virksomhed med at skabe resultater

+18
års erfaring med digital marketing
+200
vækstcases er grundlag for vores erfaring
data-drevet marketing

Vi får typisk 20-50% mere ud af jeres budgetter

Se alle fordelene
Søgemaskineoptimering

Typisk

25%

bedre rankings

SEM, PPC og social Ads

Typisk

30%

højere ROAS

RTB, display og medieindryk

Typisk

35%

øget awareness

Digital marketing strategi

Typisk

50%

højere ROI