Efter at have afsluttet min master i Business Analysis and Modelling på Radboud University i Nijmegen (NL) i 2018 vidste jeg, at jeg gerne ville arbejde i en stor, international og teknologisk-avanceret virksomhed, hvor jeg stadig kunne lære mere om datavidenskab - og Kramp opfyldte alle kriterierne. Virksomheden er ret banebrydende; den var tidligt ude med at indføre en webshop for mange år siden og har for nylig arbejdet med Google Cloud.
Jeg kom med i Kramps trainee-program, som var en fantastisk mulighed for at bruge et år på at afprøve forskellige roller. Derefter startede jeg i min første stilling som dataanalytiker i supply chain. Siden da har jeg været involveret i et stort projekt for at forbedre Kramps forecast ved hjælp af maskinlæring (ML). Ved at udnytte datavidenskabsplatformen Vertex AI, som understøttes af team Cortex, var vi i stand til at skalere op til tusindvis af kerneelementer, og det gav os den regnekraft, vi havde brug for. Vi træner en model for hvert enkelt produkt, hvilket giver omkring 200.000 modeller. Da det tager seks sekunder at beregne en model pr. kerneelement, ville det sekventielt tage omkring 350 timer ... men vi gør det på 11 minutter. I sidste ende er prognosepræcisionen forbedret med 4 %, hvilket allerede har sparet virksomheden for omkring 8 millioner euro i form af færre prognosefejl. Det er givende at vide, at min datavidenskabelige ekspertise har haft stor indflydelse på Kramps bundlinje.
Jeg arbejder i øjeblikket på en A/B-pipeline for at se, hvordan ændringer på vores hjemmeside påvirker kundernes onlineadfærd. Jeg bruger Bayesiansk sandsynlighed til at analysere resultaterne og derefter omsætte dem til forretningsbeslutninger. Jeg har også skabt en Large Language Model (LLM) for at forbedre søgefunktionen på vores hjemmeside og reducere antallet af "nulresultater" som svar på de søgeord, kunderne bruger.
Jeg elsker, at vi får så meget støtte fra ledelsen til at udføre udviklingsarbejde. Vi har frihed til at prøve, udvikle, forbedre og fejle; fokus i Kramp er på at skabe effekt gennem læring. En af måderne, vi gør det på, er i vores uformelle fællesskab af omkring 50 data scientists/analytikere, som er spredt ud over hele Kramp-organisationen. Vi mødes for at vise vores udvikling, dele problemer og udveksle ideer og indsigter. Som data scientist kan den store mængde fejl, der er en del af det, nogle gange være frustrerende, men jeg har lært at acceptere, at det bare er en del af innovationsprocessen og hurtigt komme videre til det næste projekt - og der er altid masser af andre forretningsmuligheder at tackle med noget så skalerbart som data science.
Kramp tilbyder masser af muligheder for alle former for uddannelse, men datavidenskab er et felt, der udvikler sig så hurtigt, at man virkelig er nødt til at tage ansvar for at holde sig opdateret. Så jeg bruger meget tid på at lave min egen forskning for at finde ud af, hvordan jeg skal tackle nye problemer, ofte sammen med mine kolleger. Vi arbejder i et meget komplekst miljø, men samarbejdet kører takket være virksomhedens produktteamstruktur, og Kramps platformsteams gør udviklingsarbejdet nemt. Man ved med det samme, hvem man skal kontakte, hvis man har spørgsmål. Alle brænder for deres egne specialer, og vi hjælper hele tiden hinanden med at opdage og forstå den nyeste udvikling inden for datavidenskab.
Der er ikke nogen entydig karrierevej for mig, fordi den rolle data sciences spiller i virksomheden hele tiden udvilker sig, så hvem ved, hvad fremtiden vil bringe. Men lige nu nyder jeg at lære og udvikle mig inden for mit felt hver dag.