For få år siden var datavidenskab primært relevant for store virksomheder. Men den digitale udvikling betyder, at stort set alle typer og størrelser af virksomheder nu har adgang til data, der kan få betydning for deres daglige arbejde.

Danmark er i dag førende inden for digitalisering – også når det gælder brugen af data – men der er behov for, at langt flere virksomheder kommer med, siger lektor Manfred Jaeger fra Institut for Datalogi og lektor og programleder Mikkel Meyer Andersen fra Institut for Matematiske Fag, Aalborg Universitet.

De to institutter står bag den deltidsbaserede Master of Applied Statistics (MAS), som giver virksomheder mulighed for at opkvalificere medarbejdere med kompetencer inden for datavidenskab, AI og statistisk analyse.

Lektor Manfred Jaeger forklarer:

“Data bliver stadig mere tilgængelige – og mere betydningsfulde – på tværs af stort set alle brancher. Traditionelt har man tænkt på områder som medicin, energi eller finans, men i dag er data relevante overalt. Den hastige digitalisering giver flere og flere industrier mulighed for at integrere data i deres produkter og processer, og det er et potentiale, danske virksomheder ikke har råd til at overse, hvis de vil bevare deres position.”

Stærkere forudsigelser, optimeringer og beslutninger

Manfred Jaeger fremhæver fjernvarmesektoren som et eksempel på et område, hvor data får en stadig vigtigere rolle:

“Alt digitalt udstyr, man installerer, producerer data. Kombinerer man det med data, der kan hentes online, får selv brancher, som traditionelt ikke har været datatunge, nu adgang til datamængder, der åbner nye muligheder. I dag producerer fjernvarmeværker varme fra flere forskellige kilder – også vedvarende energi; de har avancerede sensornetværk, der overvåger driften, og de indgår i energihandlen. For at forbedre deres drift og reducere energiforbrug og spild har de behov for at kunne forudsige forbrugsmønstre og markedsforhold på baggrund af de omfattende data, de selv indsamler eller henter eksternt.”

Denne type virksomhed – uanset om den er privat eller offentlig – har traditionelt en bred vifte af specialister ansat, som er eksperter inden for deres respektive fagområder. Med MAS‑uddannelsen kan disse specialister lægge et lag af datavidenskabelige kompetencer oven på deres eksisterende ekspertise, så de kan udnytte de tilgængelige data på en målrettet og kvalificeret måde.

“Vi tilbyder en stærk kombination af fagområder, hvor datavidenskab, statistisk analyse og AI‑værktøjer spiller sammen. Det betyder, at deltagerne får kompetencer til 1) at indsamle, kombinere og håndtere data, 2) at vælge og anvende relevante AI‑værktøjer (eller andre statistiske metoder, når AI ikke er nødvendigt eller passende), og 3) at vurdere og fortolke resultaterne og integrere dem i deres eget fagområde,” siger programleder, lektor Mikkel Meyer Andersen fra Institut for Matematiske Fag.

Tager dataanalyse et skridt videre 

Et centralt punkt ved kandidaten i Applied Statistics er, at uddannelsen ikke kun er relevant for store virksomheder med adgang til omfattende datamængder. Den er også målrettet mindre virksomheder, der ønsker at bruge eksempelvis kundedata eller data om produktanvendelse til at styrke drift, salg eller markedsføring.

“Uddannelsen er relevant for virksomheder, der måske indtil nu har indsamlet og analyseret deres data i Excel, men som har nået grænsen for, hvad de kan opnå i det format. Med MAS får de kompetencerne til at tage deres dataarbejde et skridt videre og udtrække den værdifulde viden, der ligger skjult i deres data. De lærer at håndtere data korrekt, de lærer at analysere dem, og de lærer at fortolke resultaterne på en kvalificeret måde – uanset om de bruger klassiske statistiske metoder eller AI‑værktøjer,” siger Manfred Jaeger.

At vide hvornår, hvordan og om man skal bruge AI 

I de seneste år er markedet blevet oversvømmet af AI‑værktøjer til datahåndtering og analyse. Nogle af dem kan være relevante og nyttige for virksomheder, men det er afgørende at vide, hvilke der faktisk giver mening at bruge – og om de overhovedet er relevante,” siger Mikkel Meyer Andersen.

“For at kunne bruge AI‑værktøjer skal man vide, hvad man kan bede dem om. Som man siger: det er en fordel at have kørekort, hvis man vil kunne styre en bil ordentligt. Hvis man ikke kan programmere og ikke ved, hvad man skal spørge efter, hvordan skal man så bruge generativ AI? Det er ikke sådan, at mennesker uden erfaring med dataanalyse pludselig lærer det, bare fordi de stiller spørgsmål til en AI. De får svar, ja – men uden evnen til at tolke dem korrekt risikerer de at blive vildledt eller misforstå signalerne,” forklarer han.

Det betyder, at selvom AI‑værktøjer kan fremstå som en nem genvej til at komme i gang med dataanalyse, skal virksomheder være opmærksomme på, hvornår og hvordan de anvender dem. Mange af de analyser, virksomheder har behov for, kan lige så godt – og ofte mere præcist – udføres med velkendte metoder og teknikker frem for AI‑værktøjer, der stadig er på forskellige modenhedsniveauer.

“Vi klæder deltagerne på til kritisk at vurdere både de data, de har til rådighed, og de formål, de ønsker at bruge dem til – og samtidig de open source‑værktøjer i Python og de AI‑løsninger, der findes. På den måde kan de træffe informerede beslutninger om, hvilke værktøjer der passer til hvilke datatyper og hvilke formål. Det indebærer også hensyn til datasikkerhed: man kan ikke bare uploade fortrolige oplysninger, som for eksempel medicinske data, til et åbent AI‑værktøj,” siger Manfred Jaeger, og Mikkel Meyer Andersen supplerer:

“Vi giver deltagerne en forståelse af, hvordan AI‑værktøjer fungerer – også i forhold til mere traditionelle statistiske metoder – så de kan vurdere de resultater, værktøjerne leverer, på et oplyst grundlag. For at kunne bruge disse værktøjer skal man forstå begreber som usikkerhed og sandsynlighed. Vi plejer at sige, at vi lærer dem at være skeptiske på en struktureret måde – og det gør dem i stand til at forfine resultaterne, så de bliver et solidt grundlag for beslutninger.”