AI til indsigt.
Og en tydeligere stemme.
Hvordan kan AI understøtte relationen til medlemmerne og arbejdet med kommunikation? Sammen med Dansk Erhverv udviklede Munk AI prototyper til churn-analyse og AI Journalist.
Se casen
To konkrete AI-spor med afsæt i medlemsdata og organisationens egen kommunikation.
- 2 spor
- Fra idé til prototype
- Indsigt
- Forstå medlemsadfærd
- Stemme
- Dansk Erhvervs tone
- MVP
- Læring før udrulning
churn-analyse og AI Journalist
afprøvning på organisationens data
egne tekster som sprogligt grundlag
test, feedback og vurdering
Et AI-forløb sammen med
01Kort fortalt
To behov.
Et fælles afsæt i den viden, der allerede fandtes.
Dansk Erhverv ønskede at undersøge, hvordan AI kunne bidrage til medlemsindsigt og understøtte organisationens kommunikation.
Det ene spor tog afsæt i medlemsdata: Kunne adfærd og interaktioner give tidligere tegn på medlemsfrafald? Det andet tog afsæt i sproget: Kunne organisationens egne pressemeddelelser hjælpe en AI med at skrive og versionere tekster i Dansk Erhvervs tone of voice?
Munk AI omsatte behovene til to MVP’er – afgrænsede prototyper, der gjorde muligheder og begrænsninger konkrete. Forløbet gav erfaringer med både datagrundlag, modeludvikling og samspillet med brugerne.
02Udfordringen
Fra aktivitet
til forståelse.
Dansk Erhverv havde allerede data om medlemmernes brug af organisationens tilbud. Ambitionen var at undersøge, om data kunne give et bedre grundlag for at prioritere medlemsdialogen og forstå risikoen for frafald.
Kommunikationsopgaven var en anden: Det samme budskab skal kunne fungere i flere længder og formater, samtidig med at organisationens stemme bevares. Her var ønsket et værktøj, der kunne understøtte arbejdet med udkast og versionering.
Forløbets centrale spørgsmål
Hvad kan vores egne data gøre muligt?Medlemsadfærd og eksisterende tekster blev afsættet for hver sit AI-spor.03To løsninger
Medlemsindsigt.
Kommunikation.
To forskellige behov kræver forskellige løsninger. Churn-sporet anvendte machine learning på medlemsdata. AI Journalist arbejdede med generativ AI og organisationens egne tekster.
Churn-analyse
En model til at undersøge sammenhængen mellem medlemsadfærd og risiko for frafald. Data blev analyseret, modellen justeret, og resultaterne gennemgået sammen med kunden.
- Historik og aktivitet som datagrundlag
- Afprøvning af signaler om frafald
- Vurdering af resultater og forklaringer
AI Journalist
En prototype til udkast og versionering af tekster med udgangspunkt i Dansk Erhvervs eget sprog. Pressemeddelelser var det første fokus, med omskrivning til LinkedIn som en efterfølgende prioritet.
- Egne tekster som grundlag for tone of voice
- Udkast, forkortelser og omskrivning
- Afprøvning og feedback fra organisationen
04Sådan greb vi det an
Fra konkrete behov til prototyper, der kunne vurderes.
- 01Sammen
Afgræns opgaven
Behov og mål blev afdækket med Dansk Erhverv. De to spor blev konkretiseret som MVP-forløb med plads til at lære af data og brugerfeedback.
- 02Sammen
Bring fagligheden ind
Kunden bidrog med medlemsdata, beskrivelser af aktiviteter og tekster, der udtrykte organisationens tone of voice.
- 03Munk AI
Udvikl og afprøv
Munk AI analyserede data, udviklede churn-modellen og byggede en prototype til tekstgenerering og versionering.
- 04Sammen
Skærp indhold og scope
Dialogen gjorde prioriteringerne mere præcise. AI Journalist fokuserede på pressemeddelelser og versionering; transskription blev taget ud af MVP’en.
- 05Sammen
Vurdér anvendeligheden
Modellens resultater blev sammenholdt med kundens erfaringer. AI Journalist blev stillet til rådighed for test og feedback som grundlag for tilpasning.
05AI Journalist i praksis
Samme budskab.
Flere versioner.
Arbejdsformen tager udgangspunkt i et budskab eller en tekst. AI’en hjælper med et udkast, som kan tilpasses i længde og format med Dansk Erhvervs eget sprog som reference.
Den redaktionelle vurdering ligger fortsat hos medarbejderen: Budskab, fakta og formulering skal hænge sammen, før teksten bruges.
Illustration af arbejdsformen. Dette er ikke et skærmbillede af løsningen eller et faktisk kundeoutput.
Budskab + fagligt indhold
En idé, et oplæg eller en eksisterende tekst.
Pressemeddelelse
Udkast med et tydeligt budskab.
LinkedIn-opslag
En kortere version til en anden kanal.
06Munk AI’s bidrag
Analyse, udvikling
og fælles afprøvning.
Forløbet gjorde idéerne konkrete gennem software, modelarbejde og løbende dialog om behov, data og resultater.
Behovsafdækning og afgrænsning
Workshops, projektbeskrivelser og prioritering af, hvad de første prototyper skulle undersøge.
Churn-model og analyse
Analyse af medlemsdata, udvikling og justering af modellen samt rapportering af resultater til kunden.
Prototype til AI Journalist
En løsning til at arbejde med tekstudkast og versionering med udgangspunkt i organisationens egne tekster.
Test og faglig dialog
Gennemgang af datagrundlag, spørgsmål til resultaterne og invitation til at afprøve tekstværktøjet og give feedback.
07Erfaringer fra forløbet
Værdien af at afprøve før udrulning
En model skal også give mening i virkeligheden.
Churn-forløbet viste, hvor afgørende det er, at data rummer den kontekst, der påvirker medlemsadfærden.
Evalueringen viste en forskel mellem modellens risikovurderinger og Dansk Erhvervs faktiske erfaringer med medlemsfrafald. Datagrundlag og forklaringer var derfor centrale i vurderingen af, om løsningen kunne bruges.
Dansk Erhverv valgte ikke at implementere churn-modellen i daglig drift. Casen dokumenterer derfor et udviklings- og læringsforløb, ikke en målt forbedring af medlemsfastholdelsen.
Fra teknisk mulighed til faglig vurdering.
Data skal rumme kontekstenAktivitet alene forklarer ikke nødvendigvis, hvorfor et medlem bliver eller forlader organisationen.
Tone of voice skal gøres konkretOrganisationens egne tekster giver et fælles udgangspunkt for at vurdere sproget i AI-genererede udkast.
Et MVP-forløb skal give et beslutningsgrundlagAfprøvning skal gøre det muligt at vurdere både potentiale, begrænsninger og behovet for videre arbejde.
08Hvad forløbet gav
Konkrete prototyper.
Et tydeligere grundlag.
Resultaterne af forløbet er udviklingsarbejde, afprøvning og læring om anvendelighed. Der er ikke dokumenteret en samlet driftsmæssig effektmåling.
En afprøvet tilgang til churn
En model og analyser, der gjorde mulighederne og begrænsningerne i de tilgængelige medlemsdata synlige.
Et værktøj til tekstafprøvning
En AI Journalist-prototype til udkast og versionering, som organisationen kunne teste og give feedback på.
Et skarpere scope
En konkret prioritering af pressemeddelelser, tone of voice og tekstversionering i kommunikationssporet.
Erfaring før videre investering
Et grundlag for at vurdere, hvad der kunne bruges, hvad der krævede mere arbejde, og hvad der ikke skulle sættes i drift.
Jeres næste skridt
Hvad kan AI gøre muligt i jeres organisation?
Munk AI hjælper jer med at vælge en konkret opgave, undersøge datagrundlaget og afprøve en løsning sammen med dem, der skal bruge den.