LØRN Case #C1005
Hvordan skape digitale brukeropplevelser og forretningsmodeller;
I denne episoden av #LØRN snakker Silvija med rådgiver og investor i Hernaes, Christoffer Hernæs. Christoffer har jobbet i skjæringspunktet mellom forretning og teknologi gjennom hele hans karriere. I samtalen snakker Silvija og Christoffer om “data driven finance” og det faktum at maskinlæring appliseres hele tiden – uten at man nødvendigvis er klar over det eller legger merke til det.

Christoffer Hernæs

Rådgiver og investor

Hernæs

"“To be determined”"

Varighet: 25 min

LYTTE

Tema: AI- og datadrevne plattformer
Organisasjon: Hernæs
Perspektiv: Gründerskap
Dato: 210615
Sted: OSLO
Vert: Silvija Seres

Dette er hva du vil lære:


Ai / MaskinlæringLedelse
Finans
Digitalisering

Del denne Casen

Utskrift av samtalen: Hvordan skape digitale brukeropplevelser og forretningsmodeller;

Velkommen til Lørn.Tech - en læringsdugnad om teknologi og samfunn, med Silvija Seres og venner

 

 

Silvija Seres: Hei, og velkommen til en Lørn-samtale. Mitt navn er Silvija Seres, og gjesten min i dag er Christoffer Hernæs, som er rådgiver og investor gjennom eget selskap, og styremedlem i et knippe vekstselskaper. Velkommen, Christoffer.

 

Christoffer Harnæs: Takk skal du ha, Silvija.

 

Silvija: Du er også min favorite FinTech-dude. Så jeg skal introdusere veldig kort samtalen, også hopper vi i det. Så dette er en vennlig og inspirerende samtale om anvendt AI. Og det vi skal anvende AI på, vi to i denne samtalen, det er finansielle markeder og finansielle produkter. Du har lang erfaring med å bygge plattformer for noen av de største bankene i Norge, Norden. Noen av de mest fremoverlente digitale aktører innenfor finans, og nå hjelper du startuper med å gjøre dette selv. Jeg er ikke så veldig opptatt om det er veldig streng definisjon av AI. For meg er dette her datadriven finance som vi skal prøve å forstå. Og med det, så hopper vi i det, og jeg ber deg bare veldig kort introdusere deg og si hvorfor syns du dette temaet er spennende?

 

Christoffer: Jeg syns det er veldig bra at du allerede legger til rette for at, la oss kalle det paraply AI, men at vi dykker ned på data. Jeg tror det er veldig viktig at når man jobber med bruk av data fra de enkleste former og opp til mer avanserte maskinlæring og dyp læring, at du har føttene godt plantet på bakken, og vet hvilke råvarer du har å jobbe med. Det er mange grunner til at det er spennende. For det første, gjort riktig kan det være veldig konkret, og du kan faktisk få ganske kjapt resultater. Også har jeg vært teknologiinteressert så lenge jeg kan huske. Jobbet litt sånn på begge sider av dette evigvarende skillet mellom IT og forretning, med både lederansvar på IT-siden og lederansvar på forretningssiden. Klart, min andel av buzzwords fra både businessbuzz og techbuzz som skal komme og overta verden. Men det jeg i hvert fall er veldig overbevist om, er jo at bruk av data, bruk av maskinlæring, er noe som kommer til å endre veldig mye. Og vi sier jo at det kommer til å endre veldig mye, men vi som jobber tett på det og har et mindset hvor vi backward engineerer alt som er omkring oss av digitale tjenester, så har jo egentlig verden kommet ganske langt. Det meste av det vi bruker av digitale tjenester i dag, enten det er litt assistent på Teslaen for å kjøre den ut av garasjen, eller om det er spamfilteret til G-mail som sørger for at vi får litt mindre spam enn vi fikk på tidlig 2000-tallet, så appliseres jo maskinlæring hele tiden på alle tjenester som vi benytter, og blir litt mer avansert for hver dag. Når vi skal se hvor mange trafikklys det er på et blide, så bidrar vi også til å trene maskinene til å bli litt bedre hver dag. Så denne AI-revolusjonen, det er jo kanskje mer en evolusjon enn en revolusjon. Men den former vår digitale brukeratferd, og vår digitale brukeratferd er jo den viktigste ingrediensen som former hvordan vi vil leve våre liv fremover. Derfor så er jo det veldig spennende. 

 

Silvija: Og finansiell sektor, slik jeg opplever den. Jeg er litt fra diverse styreperspektiver, og du fra diverse topplederperspektiver og startups nå, opplever jeg er litt redde. Det er noe fantastisk og noe litt skummelt som foregår, og det har også noe med frykt for hva vil reguleringen bety på alle disse fronter, hva vil det koste å håndtere personvern, compliance, som drives da av den nye datarikdommen, og kanskje også nye konkurrenter. Jeg har lyst til å høre deg litt sånn, hva er spesielt med finanssektor?

 

Christoffer: Alle snakker om datadrevne forretningsmodeller. Og snakker om det som om det skal være noe nytt. Men jeg vil jo påstå at særlig bank og forsikring har jo drevet med datadrevne forretningsmodeller i hundrevis av år. Jeg sier "vi" for jeg har fortsatt litt befatning med sektoren. Vi har jo bygget butikk på å beregne nedsiderisiko og kvantifisere risiko siden bransjens spede begynnelse. Også har man egentlig bare gjort det mer avansert over tid. Samtidig, så er det jo når du er in the money business, så er det jo nok av da både enkeltmennesker og institusjoner som har tatt snarveier som har gjort at du har fått et ganske tungt, men solid regulatorisk regime for å sørge for at de opererer på riktig måte. Det er jo utfordrende i en kontekst hvor en maskin skal ta beslutning uten at mennesker er involvert, da er jo nedsiden veldig stor hvis man trår feil. Mye av frykten er nok i det grensesnittet mellom ny teknologi og gjeldende reguleringer som ikke alltid er like lett til å få til å passe sammen. Det kan være litt som å putte en firkantet kloss i et rundt hull. Samtidig så, gjør man det på rett måte, så er det veldig mange spennende muligheter. Man kan ta det, alt det man kan, kunnskapen man har om bank og finans gjennom bruk av data, ta det til et nytt nivå ved å bruke data på en smartere måte. 

 

Silvija: Jeg lurer på om personvern har vært brukt som en innovasjonsskjold. Personvern og risiko bak data, hva tenker du?

 

Christoffer: Det er veldig, som jeg sier. Når fallhøyden er så stor som den er på å trå feil, så er det veldig fort gjort å ta på seg belte og bukseseler. Nå sier jeg ikke at man skal gjøre noe som er i nærheten av å gå på akkord med de lover og regler som finnes, men det er veldig enkelt å avfeie det som er nytt ved at det kjennes usikkert uten å gå til bunns på at hva er det som faktisk er mulig å få til? Og jeg liker jo det å begynne ikke med big data, for jeg tror det å hoppe rett på big data er oppskriften på å mislykkes, men starte med små data. Du kan gjøre fantastisk mye bra med veldig små datasett. Med veldig enkle algoritmer som er enkle å forklare, som holder seg helt innenfor det regulatoriske. Et eksempel som jeg liker å trekke frem som jeg har vært med på å implementere, er jo at får du gode samtykker på bruk av transaksjonsdata for å gi personlige råd og dialoger, så at du går fra en digital flate som er en statisk krinkastningsflate som egentlig nettbanken er, til at du har en dialogflate basert på teknologi. Når du ser barnetrygden kommer inn på konto, så kan man gi et råd da om at man kanskje skal opprette barnesparing, fondsparing, for barnet ditt, sånn at det får god start på voksenlivet. En superenkel spørring basert på veldig enkle datapunkter, som alle bankene sitter på, som kan skape da både verdi for kunden, men også for banken som kan da øke sin funds-sudden management. Og denne typen eksempler finnes det veldig mange av. Men min opplevelse er at veldig mange går seg litt sånn vill i en tanke om at man sitter på denne gullgruven av data, som man kaller det, som er disse historiske dataene ti år bakover. For meg, så er det ikke en gullgruve med data, men det er en hodepine med litt varierende datakvalitet og mange kilder til den samme sannheten, så man blir sittende med sånne interne data governance-prosjekter i årevis, fremfor å egentlig begynne så kundenært som mulig, finne hvilke datapunkter som gir verdi, og begynne å bygge opp handlingsorienterte datasett fra scratch. Og dette tror jeg er en av grunnene til at startups virkelig klarer å dra fra i dette spillet her, at de begynner med to tomme hender. De kan begynne å bygge opp datasettene sine som de skal applisere maskinlæring og AI på, fra bunnen av, med en tanke om at dette skal automatiseres. Kontra det store, etablerte virksomheter som sitter på gullgruven eller søppelhaugen sin av data, og du har feil i dataene. Feil i dataene som av og til tidligere kunne føre til noen dårlige beslutninger i menneskelige hender, men dersom man appliserte maskin på data som har ulik grad av feilkilder, så risikerer du å få systemiske konsekvenser hvis du begynner å sette dette her i produksjon. Og derfor så mener jeg jo mye av denne frykten er høyest grad berettiget hvis man begynner på den vanskelige ruten med å skulle gå løs på denne såkalte gullgruven av data. 

 

Silvija: Jeg syns du har et kjempeviktig poeng her. Og det er en av de tingene som jeg reagerer på når folk begynner å snakke om data som den nye oljen, men samtidig ikke ville tenke neste tanke, og det er hva er vår motor hvor denne oljen skal brukes. Og de ser egentlig bare risiko med data i forhold til alt fra type reguleringskrav til tap av terreng, da, til konkurrenter med diverse reguleringer også videre. Også tror jeg også at for veldig mange, så blir dette her kanskje en litt sånn identitetskrise at folk tenker at hvis data og AI skal gjøre det jeg gjør, hva skal jeg gjøre da? Så hva slags råd har du der, hva tror du blir konkurransedyktige posisjoner for store aktører på data, og hva tror du blir menneskenes konkurranse posisjoner mot AI? Det er to egentlig helt adskilte spørsmål.

 

Christoffer: Ja, litt over i det filosofiske hjørnet også. Men data er den nye oljen er en analogi som forklarer at begge deler er verdifullt, og der stopper jo egentlig likheten. Oljen har ligget under bakken i millioner av år, og den er fortsatt brukbar. Men i mitt hode, data er ferskvare. Det er mitt råd nummer en, erkjenne at data er ferskvare, gå etter den nyeste dataen. Det er den som sier mest om individet eller sier mest om det du skal gjøre. Selvfølgelig, det å ha gode dataserier i tid, som du kan bruke til statistisk analyse, er også vel og bra. Men ikke gå deg vill i de historiske dataene. "Historien, den gjentar seg ikke, men den rimer" er jo et saying som man tar opp. Og man kan til dels bruke det i finans, men du kan jo se på historikken til alle kvantebaserte fond. Fra si tidlig 2020 til nå var det ikke veldig mange som håndterte covid spesielt godt. For det fantes ingen historiske data som kunne forutse hvilke svingninger vi fikk i markedet som følge av covid. Til tross for at kvantefond sitt lovnad mot markedet var nedsidebeskyttelse, snarere enn å oppnå superavkastning. Så det skal man være varsom for. Hva skal vi mennesker gjøre da? Jeg tror ikke det er vanskelig å få inn baien på det nå etter ett år på hjemmekontor og minimal menneskelig kontakt. Vi mennesker er sosiale vesener, vi liker å snakke med andre mennesker, vi liker å omgås andre mennesker. Så jeg tror ikke det er noen grunn til bekymring, og særlig nå, selv om digitaliseringen virkelig har fått et tvunget løft gjennom covid, så tror jeg nok veldig mange setter pris på den gode menneskelige brukeropplevelsen. Når du trenger å ringe en person på andre enden og få et menneske å snakke med som kan dra deg gjennom det, og ved rett bruk av AI, men også avansert bruk av AI og data, så vil du komme til situasjoner hvor du ikke helt skjønner hva maskinen har gjort, ved å faktisk ha noen på andre siden som kan gi den forklaringen. For det første er det betryggende for deg som forbruker. For det andre, for en bank må de sannsynligvis måtte ha det. For du har en forklaringsplikt, særlig ved finansiell rådgivning, til å forklare hva som egentlig har skjedd under panseret. Og det vil jo stille andre krav til menneskene, for da må man ikke bare forstå det finansielle markedet, man må også forstå da det vi kaller roboten, et ord jeg ikke liker så godt, som jobber side ved siden av, som egentlig bare er software som kjører på PC-en.

 

Silvija: Supert. Jeg liker også dette poenget ditt med small data. For jeg opplever at det er så mange som blir litt overveldet. De har jo forferdelig mye data, og det å strukturere data, det å lage en god infrastruktur i denne data-laken sin, det å forstå disse chinese walls og så videre, det virker som en sånn uoverkommelig, i hvert fall veldig dyr vegg å klatre over. Så hvis man skal tenke small data, hvilke data skal man prioritere?

 

Christoffer: Det kommer an på formålet. Skal du bruke data til å lage gode kundeopplevelser, så må det jo være de dataene som sier noe om kundens atferd. Fra et bankståsted så er jo betalingsdata det man kaller gullstandarden av atferdsdata, forteller hva folk bruker penger på og forteller mye om deg som person. Og det å sette det atferdsdata sammen med da demografiske data, så forteller det da både hvem du er og hva du gjør, kan jo gi gode personaliserte brukeropplevelser. For det er jo fortsatt et godt stykke fra å gå den size fits none tankesettet, til å begynne å differensiere på Frontend. Men igjen, jeg tror mange overkompliserer målbildet, og tenker at man må ha liksom en per mutasjon per bruker før man kan gå live med noe, fremfor å tenke at man kan gjøre enkle variasjoner. Noen er veldig flinke til det, du ser at det begynner å komme litt nå hvor det er. For eksempel Netflix som prøver så godt de kan med å gi personaliserte tips til hva du skal se på, men også da med nudging internt i apper, hvor du får tips og råd basert på din atferd. Så man begynner å komme dit nå. Et annet område hvor bruk av data har veldig stort og verdifullt potensiale, er jo som beslutningsstøtte internt. Alle sier at man skal ta faktabaserte beslutninger, men HiPPOen, Highest Paid Person's Opinion, har fortsatt en ganske tung stemme i mange organisasjoner. Det å gå fra å være synsende og basert på magefølelse, til å ta beslutninger basert på fakta, innsikt og reelle data, det er en stor kulturreise som organisasjonen må gjennom. Og særlig for etablerte organisasjoner, så er jo den største fienden til den transisjonen det å faktisk ha en kilde til sannhet. For hver avdeling vil gjerne finne sin egen kilde til sannhet, og i enhver organisasjon har du ulike fagsystemer, produksjonssystemer, økonomisystemer som kan fortelle deg en liten variant av det samme datapunktet, med litt annet fortegn, som gjør at man blir sittende og krangle om hva er egentlig den rette sannheten. Så det å ha et sannhetsmøte hvor man bare bestemmer seg for hva er den ene kilden til sannhet for disse 5-10 datapunktene som man skal bruke som beslutningsstøtte er utrolig viktig. For ellers så vil den kimen til konflikt alltid ligge der, og man vil alltid ha en variasjon av sannheten som man kan bruke delvis taktisk for å fremme en agenda internt. Det er litt som å si lies, lies and statistics. Ingenting er bedre enn å backe opp løgn med statistikk, og det er jo det man må få av bordet hvis man skal drive ekte datadrevet og jobbe med objektive faktabaserte beslutninger. 

 

Silvija: Du, Christoffer. Du sa atferdsdata og gjerne ferskvare. Gjerne kanskje sett over litt tid også. Jeg tror vi går oss litt feil der, med å liksom glemme at det er de lange linjene som ofte kan være spennende. Også er det beslutningsstøtte-relaterte data, men da må du vite også hvilke beslutninger som du da skal basere på data. Det er kanskje strategisk forståelse av fremtiden det skorter på?

 

Christoffer: Hva er viktigs for deg? Hva er de tre viktigste datapunktene man trenger å vite, gjerne i så sanntid som mulig, for å ta gode beslutninger. For det er veldig fort gjort at man ser at alt henger sammen med alt, også får du et scorekort som inneholder flere titalls datapunkter, og det er veldig vanskelig å bruke det til å faktisk gjøre en handling. Det blir fort deskriptivt, snarere enn handlingsorientert. Så det er kanskje litt sånn når vi går inn for landing, mitt siste råd, er å sørge for at de dataene de server det som skaper handling, ikke bare beskriver verden som den er. 

 

Silvija: Du, to minutter til. Og det er hva mener du er de viktigste effektene AI kommer til å ha på finans? Hvor ser du de største mulighetene? 

 

Christoffer: Nei, det er liksom, pendelen svinger innenfor mange områder. Man behandler helt enorme datamengder, det blir stadig mer komplekst. Men samtidig så er fallhøyden der ekstremt stor. Men hvis vi tenker mer på bank og tradisjonelle banker, så er jo det å faktisk bruke teknologi for å gjøre det regulatoriske etterlevelse mer kostnadseffektivt. Fordi den kostnadsbasen som vil bare øke fremover som hører med for å være compliance som det heter i bankspråket, den er ikke bærekraftig over tid. Så teknologien må bidra til å gjøre regulatoriske etterlevelse mer økonomisk bærekraftig, slik at man ikke fortsetter å spa mer og mer penger på å holde seg compliant. 

 

Silvija: Du har et veldig fint statement som jeg har lyst til å lese opp. Du sier at du er veldig bevisst nå etter en del år i bransjen, at du er i en bransje som lever eksplisitt av tillit. Hva betyr det?

 

Christoffer: Nei, jeg har tenkt mye på det. Har vært i bank i mange år, hva er det som egentlig er core business for bank? Og kjerneforretningsmodellen er jo innom og utenom, men det som er muliggjøreren for bankens forretningsmodell er jo at forbrukeren har tillit til at bankene passer på pengene deres, også har man jo fått en tryllestav av myndighetene som gjør at man kan trylle de innskuddene til et par ganger utlånene. Derfor er tillit helt avgjørende når man skal ta vare på ekte menneskers penger. Og jeg tror at for banker som lever eksplisitt av tillit, så vil tillit være ekstremt viktig, også fremover, enda viktigere fremover, for alle som leverer digitale tjenester på ett eller annet vis. Bevisstheten rundt personvern er økende, både blant forbrukere, blant bedrifter selv, hvem man skal jobbe sammen med, men også blant myndigheter som setter stadig nye reguleringer for å sørge for at man ikke går på akkord med folks personvern. Så tillit, det er noe vi i Norge, som et land som trekkes stadig fram som har høy tillit kan være en konkurransefordel for norske tech-startups, særlig B2C-startups. Det er ikke så mange av oss her, vi er et lite hjemmemarked å begynne i. Derfor så er det vanskelig å komme ut fra Norge som et high scale B2C-startup med global ambisjon. Men jeg tror at hvis man tar med seg tillitsaspektet som vi har i det norske samfunnet, og har det som et verdigrunnlag i en tech-kontekst ut mot konsumenter, så er det et veldig sterkt konkurransefortrinn. Og jeg tror også at verden er klar for alternativer som er bygget på et tillitsfundament. 

 

Silvija: Og en veldig avansert infrastruktur blant annet med digitale ID-er også videre som man kan forsterke den tilliten. Og der kommer jeg til mitt siste spørsmål, Chris, og det er; det er en del mennesker som tror at nå skal AI fikse alt dette her, inkludert tillit. Fordi alt blir så transparent. Men for at det skal stemme, så må vi forstå hva oppdraget er som AI løser, og forstå hvordan den løser det. Folk må lære seg litt om hva kan AI gjøre for deg.

 

Christoffer: Ja, jeg tror ikke noe på at det finnes noen teknologi som bare løser alt på magisk vis. Det er måten vi tar det i bruk på. Det er et par til som man kan si der. Jeg liker jo en quote som er "if it can't be used for evil, it is not a superpower". Jeg tror det er viktig å ta med seg. Og etter å ha jobbet mange år i bank, så har jeg altså lært meg at du er nødt til å tenke som en kjeltring når du utvikler digitale tjenester. Så det å faktisk erkjenne at når du lanserer noe, som enten har med penger å gjøre eller en eller annen form for transaksjon, for vi ser jo nå at digitale løsninger handler om transaksjoner. Transaksjonene kan være sosiale transaksjoner gjennom kommunikasjon, det kan være at du logger inn og gjør en transaksjon med din ID, eller at du betaler for noe. Så vil det finnes noen der ute som vil prøve å penetrere det systemet, og gjøre noe de ikke er tiltenkt å gjøre. Facebook ville aldri at Cambridge Analytica skulle skje, men det var noen som fant ut at det var mulig å bruke disse API-ene og bruke disse dataene til noe annet enn det var tiltenkt i utgangspunktet. Og det tror jeg er viktig å ha med seg når man lager digitale tjenester, å ikke være naiv. Så igjen, det er nok av rom for oss mennesker i en digital verden. Teknologien vil ikke løse noen problemer av seg selv. Men igjen, det er jo viktig at vi må være bevisste på hva er det vi ønsker å løse. For det er ingen som har lyst på ett stykke AI, men det er mange utfordringer i verden, medisinsk diagnostisering også videre, som avansert AI kan gjøre mye raskere og bedre enn i fortiden. Og det å hele tiden være ikke bare forelsket, men besatt av problemet, fremfor å forelske seg i løsningen, det tror jeg er utrolig viktig når man opererer innenfor teknologispacet. 

 

Silvija: Helt enig. Og det å elske problemet og være litt sånn rabiat på muligheter, litt mer sense of urgency, tror jeg er kjempenyttig her. Du, Christoffer, tusen takk for at du var med oss igjen. Jeg vil gjerne anbefale bloggen din som er lett å finne, eller?

 

Christoffer: Ja, den er hernaes.com, etternavnet mitt. Så prøver å skrive så ofte jeg kan. Men litt avhengig av når jeg har tid.

 

Silvija: Veldig bra. Tusen takk for at du var med oss i denne inspirerende samtalen.

 

Christoffer: Takk for invitasjonen.

 

 

Du har nå lyttet til en podcast fra Lørn.Tech - en læringsdugnad om teknologi og samfunn. Nå kan du også få et læringssertifikat for å ha lyttet til denne podcasten, på vårt onlineuniversitet lørn.university