Hvordan Big Data brukes avhenger av hva virksomheten holder på med. På denne siden ser vi litt nærmere på hvordan Big Data brukes idag innen ulike bransjer for å gi deg noen ideer om hvordan du kan bruke Big Data innenfor ditt virksomhetsfelt.
Innholdsfortegnelse
Big Data i bruk blant internettbaserte selskaper
Internettbaserte selskap er pionerer innen utnyttelse av Big Data-teknologi (Bollier 2010). Alle de store internettselskapene – Google, Facebook, Amazon, eBay, Microsoft, Apple og Yahoo! – benytter Big Data i en eller annen form til å hente ut sekundærverdi av de gigantiske datamengdene de besitter.
Google er et godt eksempel på dette. Ikke bare benytter de dataene de samler inn til å drive målrettet markedsføring. Dataene benyttes også til å forbedre søkealgoritmene og til å utvikle nye dataintensive tjenester. Et illustrerende eksempel er Google sin tjeneste Google Now, hvor hensikten med mobilapplikasjonen er å gi folk hjelp før de selv innser at de behøver det. For eksempel kan dette gjøres ved å gi beskjed om at bussen er forsinket før de går fra jobb for dagen. Google Now’s algoritme benytter data fra brukernes e-post, kalender og søkehistorikk for å lære folks vaner å kjenne (MIT Technology Review 2013a).
Facebook, verdens største sosiale nettsamfunn, besitter enorme mengder personopplysninger. Ikke bare om alle sine brukere, men også om ikke-medlemmer hvis disse besøker nettsider og apper hvor Facebooks ”liker-knapp” er installert. Via denne funksjonen kan Facebook spore nettaktivitet utenfor nettstedets egne sider (Datatilsynet 2011a). Facebook har et eget Data Science Team. Deres jobb er å analysere disse enorme datamengdene for å avdekke mønstre og trender i folks samhandling og aktivitet. Dette er verdifull kunnskap i utviklingen av nye tjenester og produkter, og noe som Facebook kan tjene penger på. Det er også kunnskap som er svært verdifull å selge videre til en lang rekke andre aktører som ønsker å nå spesielle målgrupper. Facebook hevder at de ikke selger informasjon om sine medlemmer videre til tredjeparter, men de brukes til å hjelpe Facebook sine annonsører med å segmentere sine markeder og rette sine annonser målrettet mot sine meget detalj beskrevne målgrupper.
Bruk av Big Data innen atferdsrettet markedsføring representerer ikke noe grunnleggende nytt. Teknologien gjør det imidlertid mulig å prosessere og sammenstille et enda større volum og å innhente data fra et bredere spekter av datakilder enn tidligere. Bruk av Big Data har derfor blitt kalt ”data mining on steroids” (Rubinstein 2012).
Med utbredelsen av Tingenes Internet vil markedet for omsetning av personopplysninger øke i omfang. Vi kan få en utvikling der Internetts grunnleggende forretningsmodell blir overført til andre markeder. De smarte joggeskoene med sensorer kan tilbys gratis mot at brukeren samtykker til at data om joggeturene samles inn og analyseres til ulike formål. Den smarte tannbørsten gis bort gratis mot at brukeren deler opplysningene tannbørsten samler inn med forskningsinstitusjoner, forsikringsselskap, matvarekjeder etc.
Nye virksomheter og forretningsmodeller vil vokse frem for å hente ut merverdien av de gigantiske mengdene med personopplysninger som genereres i stadig flere sammenhenger. PRISM-saken har vist at også andre enn kommersielle aktører er interessert i å utnytte disse dataene.
Big Data innen forsikring og kredittvurdering
I forsikrings- og kredittvurderingsbransjen er bruk av korrelasjonsanalyse og profilering heller ikke nytt. Korrelasjonsanalyse blir benyttet til å vurdere risikoprofil og kredittverdighet. Norske forsikrings- og kredittvurderingsselskap kan imidlertid ikke hente inn og benytte personopplysninger etter eget forgodtbefinnende. Selskapene har konsesjon fra Datatilsynet til å behandle personopplysninger på bestemte vilkår. I konsesjonen er det nedfelt hvilke datakilder som kan benyttes. Når et forsikringsselskap skal gjøre en risikoanalyse av en kunde, er det for eksempel forbud mot å bruke en del typer data, slik som kjønn, etnisitet, religion eller betalingsanmerkninger, i prissettingen.
Bruk av ny og kraftfull datamining-teknologi er spådd å bli stort innen forsikrings- og kredittvurderingsbransjen internasjonalt. Dette er en trend som trolig også vil påvirke norske aktører. Selv små forbedringer av treffsikkerheten i analysene kan gi stor gevinst (Dagens IT 2013). Big data legger til rette for at et langt bredere spekter av datakilder kan inngå i utarbeidingen av kredittscore og risikoprofiler.
Big Data på helseområdet
McKinsey Globale Institute (2011) hevder at helsevesenet vil kunne hente store effektiviseringsgevinster ved å benytte Big Data, for eksempel ved å benytte teknologien til å få ned antallet feilbehandlinger ved sykehusene. Big Data er videre spådd å bli viktig både i forbindelse med individuell pasientbehandling og i forebyggende helsearbeid på populasjonsnivå.
Foreløpig er det først og fremst innen forskning og i forebyggende helsearbeid at vi finner eksempler på Big Data. Big Data har blant annet vist seg å kunne predikere utbrudd og spredning av epidemier med stort presisjonsnivå. Et forskningsprosjekt i regi av Harvard school of public health har undersøkt spredningsmønstret til malaria ved å innhente lokasjonsdata fra mobiltelefonene til 15 millioner kenyanere og sammenstille disse dataene med kenyanske myndigheters database over opplysninger om malariautbrudd (HSPH News 2012). Sammenstillingen av datasettene gjorde det mulig å predikere hvordan malaria sprer seg mellom ulike deler av landet. Tradisjonell statistikkinnsamling forteller først i etterkant at et sykdomsutbrudd har funnet sted. Da kan det være for sent å agere. En datamaskin som i stedet ser etter mønstre i for eksempel kommunikasjon på sosiale medier, eller ved å analysere lokasjons- og kommunikasjonslogger, kan gi tidlige indikasjoner på at en negativ utvikling har startet og hvor, slik at tiltak kan settes inn tidsnok.
Ved å benytte Big Data-analyse har forskere videre lykkes i å oppdage farlige bieffekter ved ulike medikamenter. Forskere ved Stanford oppdaget at to ulike medikamenter (en antidepressiva og en hodepinetablett) kunne få fatale konsekvenser for brukeren hvis de ble tatt i kombinasjon (Tatonetti et al. 2011). Dette fant de ut ved å sammenstille aggregerte data fra helsejournaler med nasjonale registre over innrapporterte bieffekter. Disse opplysningene ble så sammenstilt med 82 millioner søk foretatt på Microsofts søketjeneste Bing. Resultatet fra analysen viste at personer som tok begge preparatene i større grad enn de som kun tok ett av preparatene, foretok søk på ord relatert til bieffekter som ”hodepine” og ”trøtthet”. Forskerne identifiserte altså et mønster som indikerte at inntak av de to preparatene samtidig, kunne utløse alvorlige bivirkninger.
Big Data innen politi, sikkerhet og etterretning
Big Data kan gjøre politiet smartere. Ved å benytte avanserte analyseteknikker kan politiet avdekke tidligere ukjente sammenhenger i kriminalitetsdata og andre tilgjengelige datakilder. Trender og mønstre kan brukes til å sannsynliggjøre en fremtidig utvikling. Dette kan hjelpe politiet til å forutsi hendelser, fordele ressurser og kanskje til og med avverge at hendelser inntreffer (Datatilsynet og Teknologirådet 2013). Bruk av Big Data i politiet kalles predictive policing, og flere mener dette vil revolusjonere måten politiarbeid drives på (Morozov 2013).
I USA er det flere eksempler på bruk av Big Data i politiet. Politiet i Los Angeles (LAPD) har for eksempel tatt i bruk et analyseverktøy kalt PredPol, opprinnelig utviklet for å forutsi jordskjelv og etterskjelv. PredPol fores med lokal kriminalitetsstatistikk over biltyverier, innbrudd og annen relevant informasjon med henblikk på å bekjempe kriminalitet. LAPD kan nå forutsi hvor og når det er sannsynlig at en gitt kriminell handling finner sted – og det innenfor områder ned til 150 m². Ved hjelp av mobile digitale kart kan politipatruljene bruke denne informasjonen til å ligge i forkant av kriminelle hendelser. At politiet er på stedet allerede før forbrytelsen har skjedd, har naturlig nok ført til en kraftig reduksjon i kriminaliteten (Datatilsynet og Teknologirådet 2013).
Prediksjonsanalyse blir benyttet også innenfor andre deler av justissektoren. Flere delstater i USA prøver ut et system designet for å forutsi hvor sannsynlig det er at en fengselsinnsatt vil drepe eller bli drept mens vedkommende er i permisjon. På grunnlag av dette systemet avgjør myndighetene tilslag eller avslag på permisjonssøknader (Mayer-Schönberger og Cukier 2013).
Etterretningstjenestene i USA ligger i front når det gjelder å ta i bruk nye og kraftige analyseteknologier. Big Data har endret måten å drive etterretningsarbeid på. Tidligere tok man utgangspunkt i mistenkelige enkeltpersoner og forsøkte å kartlegge dem så detaljert som mulig ved hjelp av telefonavlytting og andre hjelpemidler. Ved hjelp av Big Data kan man gå den andre veien. Man starter med å samle inn enorme datamengder, og benytter disse til å lete etter mønstre og korrelasjoner som kan avsløre mistenkelige hendelser og personer. Det er lite interessant for etterretningsmyndighetene å benytte anonymiserte data i denne sammenhengen. Å kartlegge enkeltindivider og relasjoner mellom enkeltindivider er et sentralt formål.
Kilde:
- https://www.datatilsynet.no/globalassets/global/04_planer_rapporter/big-data_web.pdf
