Nuförtiden finns det automatiserade textanalysverktyg som scannar in och analyserar stora textvolymer på nolltid. Inte bara dokument utan bloggtexter, mejl och kommentarer gjorda på sociala plattformar. På olika språk förstås. Och de smarta plattformarna blir allt smartare och idag kan de utföra rätt avancerade omvärldsanalyser, exempelvis IBMs Watson, som gör automatiserade win-loss-analyser.
Marknaden för beslutstödsverktyg växer stadigt. Konsultföretaget Gartner gör årligen en rapport med namnet ’Magic Quadrant for Analytics and Business Intelligence platforms’ och pekar på att antalet leverantörer ökar i takt med att nya typer av användare växer fram. De prediktiva analysfunktionerna blir bättre och bättre vilket lett till att ’Self-service business intelligence’ nu är ett koncept på frammarsch. Konceptet innebär att användaren inte behöver vara programmerare eller Data Scientist med doktorsexamen för att kunna dra nytta av verktygen.
Här är det inte utan att man som omvärldsanalytiker tänker tanken – ’Oj, kommer jag bli ersatt av en robot? Kommer mina kunder använda en app istället för att fråga mig hur marknaden utvecklas framöver?’. Jag är inte ensam om denna tanke misstänker jag. Stiftelsen för Strategisk Forskning publicerade för några år sedan en skrift med namnet ’Vartannat jobb automatiseras inom 20 år’. I den står det bland annat att ungefär 2.5 miljoner jobb skulle kunna komma att automatiseras i Sverige inom de kommande två decennierna! Sannolikheten att yrket Fotomodell tas över av datorer uppskattas till hela 98%. Tur man inte är fotomodell.
Men, kommer jag som omvärldsanalytiker bli ersatt av en robot? Nu är jag medveten om min subjektiva färgning av svaret då jag helt klart har ett starkt intresse i att inte blir ersatt av en robot men ändå – ’Nej, jag kommer inte bli ersatt av en robot!’.
Beslutstöd med AI och prediktiv analys blir istället viktiga komplement till den framåtblickande omvärldsanalys jag arbetar med. Har man tillgång till en validerad statistisk algoritm så ska man använda den. Kruxet är att de algoritmer som fungerar endast kan appliceras i väldigt specifika situationer; det är fortfarande opraktiskt att byta ut gammalt hederligt tänkande mot matematik.
Ett exempel för att illustrera detta, baserad på text ur Philip Tetlock’s bok ’Superforecasting: The Art and Science of Prediction’(2015), som för övrigt är mycket läsvärd. Säg att du är en investerare och funderar på att bidra med kapital till ett intressant, långsiktigt projekt i Ryssland. En fråga som kommer upp är ’Vilka två ryska politiska ledare bytte jobb under de senaste tio åren?’. För att svara på den frågan skulle jag säkert behöva googla och ringa några samtal innan jag kom på ett svar. Det skulle ta någon timme, kanske en halv dag. En AI-plattform skulle ta fram svaret på betydligt kortare tid genom att sekundsnabbt scanna och triangulera historisk data i olika databaser.
En annan fråga som uppstår är ’Kommer två ryska politiska ledare byta jobb igen inom tio år?’. Svaret på denna andra fråga är framåtblickande och kräver att man förstår hur det ryska politiska systemet fungerar, hur människor som Putin och Medvedev antagligen uppfattar sin omgivning, vad de uppfattar som hot och möjligheter och hur de hanterar dessa. För att ge ett bra svar på den andra frågan krävs kreativitet och fantasi och det har inte superdatorerna.
För investeraren är ju svaret på fråga två mycket mer intressant än svaret på fråga ett. Vad ska man med första svaret till egentligen? Man kan inte ta något viktigt beslut på det. ’De här två bytte jobb!’. Jaha… Svaret på den andra fråga är däremot värdefullt då det leder till en diskussion om Rysslands långsiktiga stabilitet, vilket förstås är extremt viktigt att beakta om man ska investera i landet.
Som analytiker tycker jag det är underbart att få hjälp av en maskin som sekundsnabbt tar fram svaret på första frågan så jag kan lägga all fokus på den andra frågan.
“I rely far more on gut instinct than researching huge amounts of statistics.”
– Richard Branson, engelsk entreprenör och affärsmagnat
I framtiden kommer vi behöva kombinera AI-stödda prognoser med människans subjektiva omdöme. Beslutsfattare i företagsledningar är människor och människor är subjektiva varelser. Tekniken kommer inte ändra på detta faktum. År 2020 kommer 95% av alla företagsledare fortfarande basera sina beslut på magkänsla, vilket betyder att de kommer undervärdera den risk de tar med råge, enligt Gartner. Vi människor ser saker och ting ur olika perspektiv. Exempelvis tenderar vi att vara mer överslätande och förlåtande mot människor vi tycker om och älskar. Vi är otroligt duktiga på att filtrera saker vi ser, hör och upplever.
Omvärldsanalys handlar mycket om att ta bort dessa filter; ta bort dom genom att visa på olika perspektiv och möjliga utfall. Det är rätt svårt. Kul. Och svårt. I framtiden blir det antagligen ännu svårare i och med att datorer kommer trycka ut ’sanningar’ i realtid i snygga grafer, baserade på uträkningar av gigantiska datamängder och anpassade till användarens sökpreferenser.
Teknikutvecklingen påverkar min yrkesroll som omvärldsanalytiker, det är helt klart. Samtidigt ändras inte syftet med yrkesrollen, dvs att påverka beslutsfattare till att ta bättre, mer objektiva och mer informerade beslut. Även i framtiden behövs det att någon spelar rollen av djävulens advokat, någon oberoende som pekar på elefanten i rummet och som hjälper ledningsgrupper och säljteam att undvika grupptänk. Med stöd av AI och prediktiv analys!
Saludos / Ingemar
(Obs! De åsikter som uttrycks i denna artikel är mina egna. Exempel på analys är just exempel och ska inte återges som verkliga händelser eller resultat).
