​Big Data-værktøj kan udpege virksomheder, der er i risiko for at gå konkurs

Med over 700.000 virksomheder i Danmark så kræver det nye værktøjer at kunne forudsige, hvilke virksomheder og brancher, der har potentiale for at vækste og, hvilke der har risiko for at gå konkurs. Der registreres mange hændelser på virksomhederne i CVR. Hændelser tæller bl.a. startdato, brancheskift, revisorskift, direktørskift, eller nye bestyrelsesmedlemmer.

Særlige mønstre i sådanne hændelsesforløb kan indikere om en virksomhed omgår regler, er i risiko for konkurs, eller har særlige potentialer for vækst. Med de store datamængder i CVR kræver det imidlertid nye dataanalyse-værktøjer at identificere mønstre i virksomhedernes livsforløb.

Denne udfordring arbejder forskere på Institut for Datalogi ved Aarhus Universitet og Alexandra Instituttet med i regi af DABAI centeret (www.dabai.dk). De udvikler et nyt dataanalyse-værktøj sammen med Erhvervsstyrelsen, der kan skabe et kompakt visuelt overblik over lange serier af hændelsesdata, som er svære at overskue.

“Ideen med værktøjet er, at man kan tage en stor mængde data, som er svær at overskue. Ved hjælp af Machine Learning kan du gruppere virksomheder, der har ensartede hændelsesforløb i deres registreringer. Denne gruppering kan derefter omsættes til en visualisering, der er baseret på sandsynligheder og med en hvid-grå-sort farvelægning giver en klar separation af sunde firmaer - vist med hvidt - og konkurstruede firmaer - vist med sort,” siger Andreas Mathisen, ph.d.studerende på Institut for Datalogi på Aarhus Universitet.

Hvis man bare gætter på, hvem der går konkurs efter 2014, så har man fire procents chance for at gætte rigtigt. Men med det værktøj, som Andreas Mathisen udvikler, så har man 20 procents chance for at ramme rigtigt. Værktøjet udpeger de firmaer, der har bevæget sig ind i et hændelsesmønster, som i de historiske data har vist sig lede til konkurs.

“Det er et visuelt værktøj, som medarbejderne i Erhvervsstyrelsen kan benytte til interaktivt at udforske virksomhedernes hændelsesdata. Ideen er, at styrelsen kan bruge værktøjet til at lave smartere udvælgelse, og dermed har en mindre og mere relevant gruppe af virksomheder, som skal undersøges. Når du har brugt værktøjet til den grove udvælgelse, så er det stadig en ekspertvurdering baseret på de underliggende detaljerede informationer, der fører til beslutningerne om en given indsats eller kontrol,” forklarer han.

Arbejder på at blive mere datadrevne

Værktøjet har været demonstreret for Erhvervsstyrelsen, men er endnu ikke implementeret. Det vil være meget interessant, hvis man kan bruge det til at sammenligne de livsforløb, som virksomhederne har, mener Michael Tornøe fra Erhvervsstyrelsens center for Digital Innovation.

“Normalt, når vi kigger på virksomheders livsforløb, fokuserer vi typisk manuelt på én af gangen. Vi laver ikke så mange systematiske analyser på tværs af populationer. Men det med at kunne se ligheder i den måde som virksomhederne agerer over tid, og måske gruppere dem, vil måske gøre, at vi kan identificere nye mønstre. Eksempelvis i hvordan Iværksætterselskaber (IVS) udvikler sig over en bestemt tid. Det har vi ikke været i stand til at gøre tidligere, og derfor ligger der måske nogle vigtige insights i det,” forklarer han.

Fra mavefornemmelse til datadreven

Erhvervsstyrelsen har en klar strategi med at blive mere datadreven og træffe færre beslutninger på baggrund af mavefornemmelse. De har fundet sammen med forskergruppen gennem samfundspartnerskabet DABAI, der er et samarbejde mellem universiteterne AU, DTU og KU samt offentlige institutioner og private virksomheder, der har til formål at udvikle smartere data-værktøjer.

Det gælder ifølge Michael Tornøe eksempelvis regnskabskontrol, hvor det tidligere måske var et menneske, der læste x-antal regnskaber igennem. Her vil man gerne yderligere automatisere det, så det er en computer, der læser alle regnskaberne igennem og finder fejl og uhensigtsmæssigheder. Det betyder ikke, at man ikke skal have regnskabsmedarbejdere længere. Men det kan være, at man skal ændre på den måde, som de arbejder på, og får mulighed for at kigge mere på de områder, hvor der er mest at komme efter.

“Det betyder ikke, at vores erfaringer og fornemmelse skal smides væk, men de skal i højere grad understøttes af data. Det behøver ikke kun være kontrolområdet. Det kan også være virk.dk, hvor vi har en masse adfærdsdata på de virksomheder, som indberetter. Dem kunne vi godt tænke os at kunne levere en bedre service til. Hvis vi kunne se på tværs af alle dem, som indberetter, så kunne vi måske komme med bedre anbefalinger, så de ikke skal sidde og lede efter det.”

DABAI fungerer som data-lab

Erhvervsstyrelsen er ved at oparbejde et team inden for Machine Learning i huset, og man regner med at sætte flere machine learnings modeller i produktion i år. Netop her er det rigtig fint at have et samarbejde med DABAI.

“Vi kan bruge DABAI som et lab, hvor vi nemmere kan teste nogle ting af, som vi ikke aner om giver mening, og hvor vi aldrig ville have ressourcer til at kaste timer efter et konsulenthus. Med DABAI kan vi lave et parallelt forløb med de ting, som vi laver internt og kan ‘spare’ med folk, der er klogere end os på de her tekniske ting,” forklarer han.

Værktøjet er også oplagt at bruge indenfor andre områder, forklarer Andreas Mathisen. Fx inden for logistik og behandlingsplanlægning på sundhedsområdet. Hvilket netop er et af de andre forretningsområder, der arbejdes på sammen med it-virksomheden Systematic.

Fakta:

DABAI (Danish Center for Big Data Analytics) er et samarbejde mellem universiteter, offentlige institutioner og virksomheder, der med et budget på 117 mio. kr. har til formål at udvikle metoder inden for Dataanalyse Algoritmer, Machine Learning og Visuel Analyse.

Metoderne skal kunne bruges på tværs af en række cases i tre forretningsområder: offentlige data, data fra fødevareindustrien og data fra it-baseret læring. Det kan fx føre til bedre forudsigelser af oversvømmelser i forbindelse med klimaforandring og mere effektive patientstrømme i sundhedsvæsenet. Læs mere om DABAI her https://dabai.dk/en/about-DABAI