Kan du forudse, om din virksomhed kommer i pengemangel om et, to eller tre år? Svaret er ja, hvis du spørger Software Developer i Bankdata, Kristian Andersen-Møller. Han har nemlig bygget en prototype, som kan varsle virksomhedsejere og økonomichefer om virksomhedens fremtidsøkonomi.
Modellen bygger på machine learning og data fra 1.438 virksomheders transaktioner gennem fem år. Med modellen kan it-udvikleren forudsige, hvor mange kroner og øre en virksomhed har på kontoen i næste uge, om en måned eller flere år frem.
Eksperimenter og prototyper
I 2015 omlagde Bankdata hele udviklingsorganisationen efter agile metoder. I forlængelse af det er den årlige medarbejderudviklingssamtale skrottet til fordel for korte eksperimenterende forløb, hvor medarbejderne selv tager ansvar for at udvikle sig på bestemte områder. Det udnyttede Kristian Andersen-Møller til at bygge prototypen.
”Da jeg var relativt ny i Bankdata, fik jeg nys om, at en kollega skulle bruge udviklere til et eksperiment med machine learning. Det var jeg ret interesseret i, og jeg fik adgang til anonymiserede data fra små 1.500 virksomheder.”
Fra biologiske data til finansielle data
Kristian Andersen-Møller læste egentlig biologi på universitetet, hvor dissekering af strudse, græshopper og mos var en del af dagligdagen. Men det var statistikkerne og dataanalysen, som virkelig vakte Kristians interesse, og han sluttede med en kandidatgrad i bioinformatik.
”Bioinformatik er en slags machine learning på biologiske data. Fx DNA. Det fangede min interesse. Mit speciale handlede om at bruge machine learning til at forudsige risikoen for arvelige sygdomme. Faktisk er springet fra bioinformatik til finansiel IT ikke så langt, for matematikken er ligeglad med, om data er biologiske eller finansielle,” anfører han og forklarer, at machine learning groft sagt kan bruges til to ting; finde sammenhænge i komplekse data og forudsige fremtiden.
Machine learning kan forudsige likviditetsproblemer
Kristian Andersen-Møllers model er særlig relevant for mindre virksomheder. Mangel på kontanter, i finanssektoren også kendt som likviditetsproblemer, er en tilbagevendende årsag til konkurser i virksomheder, som ellers i et overordnet perspektiv har god økonomi og udsigt til gode, fremtidige indtægter. I visse tilfælde kunne virksomhederne faktisk have undgået at komme i pengemangel ved at udskyde investeringer eller optage et lån på det rigtige tidspunkt.
”Modellen kan fortælle en ejer af en cykelhandel, om de kommer i likviditetsproblemer om fx seks måneder. Hvis ejeren ved det tidsnok, kan hun nå at handle på det. Så det er et værktøj, som en bank kan bruge til at hjælpe deres kunder på det rigtige tidspunkt.”
Data er afgørende
Ifølge Kristian Andersen-Møller er modellen stjernen i machine learning, og den får ofte 80 procent af opmærksomheden, selvom den kun udfører 20 procent af arbejdet. Der er mange forskellige modeller at vælge imellem, og nogle af dem kan være meget komplekse og uforklarlige. Et eksempel er GPT-4.
”Det er dog data, som er afgørende for modellerne. Data er én af de helt store udfordringer. Har du data nok? Er kvaliteten god nok? Må du bruge data? Derudover er der spørgsmålet om bias. Modellen ved kun det, som du har fortalt den. Det så vi fx med billedgenereringsmaskinen Dall-E. Hvis du bad den genere billeder af læger og sygeplejersker, så havde begge altid det samme køn, hhv. mand og kvinde. Det samme ville gælde, hvis jeg kun havde transaktionsdata fra corona, så ville maskinen tro, at corona var normalen.”
Er du interesseret i lave eksperimenter som en del af din hverdag? Se ledige stillinger her.
Bankdata er en af Danmarks største it-virksomheder. Bankdata har kontor i IT-byen i Aarhus samt Silkeborg og Fredericia. Bankdatas løsninger bruges hver dag af 1,6 mio. danskere og små 200.000 erhvervsdrivende. Bankdata er ejet af otte danske pengeinstitutter; Jyske Bank, Sydbank, Ringkjøbing Landbobank, Sparekassen Sjælland-Fyn, Skjern Bank, Djurslands bank, Nordfyns Bank og Kreditbanken.