Olof Bartling är sedan september chef för den koncerngemensamma funktionen Group Data Analytics inom SEB.
– Den röda tråden i min karriär har alltid varit data och analys i kombination med kommersiellt ansvar. Rollen har handlat om att använda data och analys för att skapa affärsresultat, säger han.
Group Data Analytics
Enheten Group Data Analytics, som består av ett 15-tal medarbetare, har tre fokusområden.
För det första finns en grupp data scientists under ledning av Chief Data Scientist Ala Tarighati. De fungerar som internkonsulter och hjälper med sin expertkompetens affärsdivisionerna att genomföra prioriterade datadrivna projekt.
Det andra området handlar om att stärka bankens övergripande förmåga att arbeta datadrivet genom att ta fram verktyg, rutiner och styrmodeller för maskininlärning, AI och dataanalys.
Det tredje området inom Group Data Analytics är kopplat till forskning, innovation och ny teknik.
– Utvecklingen inom området går mycket fort och det handlar om att ständigt hålla sig à jour med vad som händer inom dataanalys, AI med mera för att inte hamna efter.
Det brukar sägas att data är det nya guldet? Stämmer det?
– Data i sig är en passiv enhet, ungefär som böcker i ett bibliotek. Det är när du läser böckerna och inhämtar kunskap som det uppstår ett värde. På samma sätt är det med data. Det är när data exempelvis används för att föda modeller som kan fatta beslut, göra banken effektivare och skapa nytta för kunderna som det uppstår ett värde. Då blir data guld.
Vad innebär det att skapa en datadriven organisation?
– När man går ifrån en traditionellt expertdriven modell som bygger på erfarenhetsbaserat beslutsfattande, till en datadriven modell är det vissa saker som förändras. I en datadriven värld låter du data visa vad som är rätt och fel, vilket ibland kan motbevisa gamla sanningar. Det har jag själv upplevt många gånger.
Att jobba datadrivet innebär därför att testa, samla data och löpande utveckla.
– Den första modellen är en startpunkt. Den kan vara enkel och rudimentär, men genom att testa olika varianter kommer du att få feedback som visar om du ska gå åt det ena eller andra hållet. Över tid kommer modellen att optimeras. Ju fler tester du kan köra samtidigt och ju snabbare cyklerna är, desto snabbare kan du lära. Allting är en kontinuerlig lärandeprocess.
– Därför är det viktigt att jobba agilt, att öka hastigheten i genomförande och få data att flöda så att det skapas en snabb feedbackloop.
Finns det risker ur ett mänskligt perspektiv med att låta data bestämma?
– Det finns alltid risker med att saker inte fungerar som det var tänkt. Det kan bero på en mängd olika orsaker, exempelvis kvalitetsbrister i data eller mänskliga misstag. Det är därför det är så viktigt att ha medarbetare med rätt kompetens och att skapa enkla och tydliga arbetsprocesser, som hjälper oss upptäcka om något går fel.
Så visst finns det risker, men möjligheterna överväger, menar Olof Bartling. Även mänskligt beslutsfattande har för övrigt sina risker.
– Fördelen med att låta modeller och maskiner fatta beslut är att de kan bli oerhört konsekventa och kan fatta otroligt många beslut oerhört snabbt. Vi vet att vi människor inte är fullt ut konsekventa. Vi har uppfattningar och tidigare erfarenheter som gör att vi tolkar situationer och information olika vilket kan göra att vi fattar olika beslut i samma situation med samma information. Med maskinens hjälp kan vi se till att vi enbart fattar beslut på basen av de parametrar vi har bestämt.
Hur ser relationen mellan kortsiktig försäljning och långsiktiga kundrelationer ut i en datadriven verksamhet?
– Det är ingen skillnad. Vi är samma bank, med samma strategi och fokus på långsiktiga relationer i en datadriven värld. Däremot har en datadriven verksamhet en bättre förmåga att balansera relationen mellan resultat på kortare och längre sikt eftersom man kan mäta och snabbare påverka resultaten på ett annat sätt.