Skip to content

GN bruger machine learning til at analysere kundefeedback

GN

Det gør dem i stand til at besvare et meget værdifuldt spørgsmål – hvad brugerne synes om deres produkter.

case-gn-hero

Kunsten at gøre kundefeedback til data

GN har i deres over 150 år lange historie produceret nogle af de mest innovative lydløsninger i verden. Det er den ekspertise, de i dag bruger i deres Audio-afdeling til bl.a. at producere de populære Jabra-headsets.

Men hvordan kan man bruge data til yderligere at forbedre sine produkter? Det spørgsmål stillede Søren Christensen til sig selv og sit team tilbage i 2018. Han er i dag Head of Data and Analytics i GN Group, men var dengang chef for GN Audio’s Customer Quality-afdeling.

Han ønskede en løsning, der kunne skaffe systematisk indsigt i det, der for mange virksomheder er et helt essentielt spørgsmål: Hvad synes vores brugere om vores produkter? For brugernes modtagelse er altafgørende for GN Audios succes og har direkte indflydelse på salget af deres produkter.

GN Audio valgte at ty til en anderledes datakilde i form af kundefeedback fra de store, internationale forhandlere, Amazon og BestBuy. Her lå der en masse brugbare data på netop det spørgsmål.

twoday

Struktur på ustruktureret data

Udfordringen med kundefeedback er selvfølgelig, at det ligger som tekst. Det vil sige ustruktureret data, som ikke bare lige er til at gå ind og analysere på.

Derfor gik GN i gang med manuelt at copy/paste feedback og scores af deres Jabra-produkter. Der blev defineret en række kategorier som batteri, connectivity og lydoplevelse, og for hver af disse kategorier tog GN’s medarbejdere stilling til, om det var negativ eller positiv feedback.

Der blev lavet rapportering på denne analyse, så relevante slutbrugere kunne se, hvordan produkterne klarede sig, og på hvilke parametre der var plads til forbedring. Løsningen fungerede fint og blev brugt af forretningen, men GN ønskede en bedre og mindre ressourcekrævende løsning:

”Den åbenlyse udfordring ved at processere kundefeedbacken på den her måde er, at det var meget ressourceintensivt. Vi havde en fuldtidsstilling til at håndtere og processere data fra kundefeedback. Samtidig havde vi et stigende behov for at benytte feedbacken på flere af vores egne og konkurrerende produkter, og det ville være uoverskueligt at håndtere manuelt,” siger Søren Christensen.

case-gn-r-and-d

Automatiseret analyse af kundefeedback

GN Audio begyndte derfor at se på, hvordan de kunne automatisere processen, så de kunne processere mere data, samtidig med at de sparede ressourcer.

Her begyndte samarbejdet med twoday Kapacity. Efter en række indledende PoC’er (Proof of Concepts), hvor forskellige løsninger blev prøvet af, fandt twoday Kapacity i samarbejde med GN Audio frem til en machine learning-model, der med stor sandsynlighed kunne afgøre, om en tekst var positiv eller negativ ud fra de prædefinerede kategorier.

Modellen blev sat i produktion i Microsoft Azure og har siden 2019 analyseret kundefeedback for GN Audio.

Automatiseret analyse af kundefeedback

GN Audio begyndte derfor at se på, hvordan de kunne automatisere processen, så de kunne processere mere data, samtidig med at de sparede ressourcer.

Her begyndte samarbejdet med twoday Kapacity. Efter en række indledende PoC’er (Proof of Concepts), hvor forskellige løsninger blev prøvet af, fandt twoday Kapacity i samarbejde med GN Audio frem til en machine learning-model, der med stor sandsynlighed kunne afgøre, om en tekst var positiv eller negativ ud fra de prædefinerede kategorier.

Modellen blev sat i produktion i Microsoft Azure og har siden 2019 analyseret kundefeedback for GN Audio.

Det bruger GN Audio analyse af kundefeedback til:

Monitorering af produkter, der er i markedet: Hvad synes brugerne om de nuværende produkter? Er der kategorier, hvor produktet scorer lavt, og der skal foretages justeringer eller forbedringer af produktet?

Feedback til udvikling af fremtidige produkter: Hvordan kan fremtidens produkter forbedres baseret på, hvad brugerne synes om de nuværende produkter?

Konkurrentanalyse: Konkurrerende produkter bliver kørt gennem samme machine learning-framework og giver GN Audio en bredere markedsforståelse. Er en lav score inden for en kategori specifik for deres produkt, eller er det en generel udfordring for lignende produkter i markedet?

"Det er egentlig præcis samme øvelse, vi laver i dag, som vi gjorde, da vi manuelt håndterede kundefeedback. Nu er det bare en algoritme, der gør arbejdet for os. Og den store fordel ved det er, at den kan håndtere væsentlig flere data, så vi kan udvide antallet af produkter, vi kan behandle. Samtidig har vi sparet en fuldtidsstilling, der tidligere behandlede disse data."

Søren Christensen, Head of Data and Analytics i GN Group

Teknisk set: Sådan fungerer løsningen

GN trækker dagligt feedback ud fra Amazon og Best Buy. Feedbacken bliver sætning for sætning analyseret i en  machine learning-model, der har lært mønstrene i data at kende med det formål at sortere teksten inden for 16 forskellige performance-kategorier og vurdere, om teksten er positiv, neutral eller negativ.

Machine learning-modellen er bygget i Python og sat i produktion i Microsofts Azure cloud-miljø ved hjælp af two-day Kapacitys best practice framework for deployment af batch ML-modeller.

Azure DevOps bliver brugt til opsætning af CI/CD pipelines og infrastruktur-som-kode med det formål at gøre det simpelt at opdatere applikationskoden, mens deployment frameworket holder styr på deployment pipelinen og sikrer kodetest og release til produktion.

I takt med at GN Audio manuelt validerede flere reviews, blev der skabt flere og flere data, som machine learning-modellen kunne lære af. Der blev derfor lavet en gentræningspipeline, så GN kunne træne modellen igen og igen på nye data.

GN byggede sidste år videre på modellen og besluttede sig for at skifte til Google’s nye open source BERT-algoritme, der i tests præsterede bedre. Grundarkitekturen i modellen er den samme, og data ligger stadig i Microsoft Azure.

Vil du i gang med noget lignende? Her er Søren Christensens råd

Søren Christensen har været meget tilfreds med processen omkring at indføre machine learning i sin afdeling. Det mener han i høj grad skyldes, at GN Audio havde en klar idé om, hvordan slutresultatet skulle se ud, og hvad de skulle gøre for at nå derhen.

Søren Christensen har været glad for at få twoday Kapacity ombord til at implementere projektet.

”Under hele forløbet med twoday Kapacity var der en god dialog, og twoday Kapacitys Data Scientist var meget opmærksom på de faldgruber og problemer, der eventuelt kunne være. Vi følte, at opmærksomheden hele tiden var på at skabe et godt og funktionelt slutprodukt frem for at presse en bestemt løsning igennem,” afslutter Søren Christensen.

På spørgsmålet om, hvad han synes er vigtigt for virksomheder, der overvejer et lignende machine learning-projekt, nævner han primært tre ting:

1. Gør dig klart, hvad du prøver at opnå forretningsmæssigt, og hvordan outputtet kan se ud

2. Sørg for, at du har et godt datagrundlag til din machine learning-model

3. Hvis du ikke allerede har det, så sørg for at få styr på din data governance først

Om GN

GN er en historisk virksomhed, der blev grundlagt af den store danske industrimogul C.F. Tietgen som Det Store Nordiske Telegraf-Selskab i 1869. I dag er der mere end 6.000 medarbejdere på verdensplan, og deres kerneforretning er delt op i GN Hearing, der producerer høreapparater, og GN Audio, der producerer headsets til arbejdspladser og private.

case-gn-bruger-machine-learning-til-at-analysere-kundefeedback

Vil du vide mer?
Kontakt os i dag

kapacity-portrait-jml

Jakob Ladekær