---
title: "Det en sykkelprodusents data visste"
description: "Tre problemer hos én sykkelprodusent, løst med data. Hvor den bommer på målene sine, hvilke sykler som går i stykker og om det lønner seg å sjekke dem, og en tidligere ansatt som sluttet i 2013, men fortsatt logget inn hver dag i 2022."
url: https://nordicproductions.no/no/papers/bike-maker-data
published: 2026-09-29
---

Datavitenskap 29.9.2026

# Det en sykkelprodusents data visste

Av [Jørn Otto Hansen](https://nordicproductions.no/no/about)

#Bachelor #Regnskap #Cybersikkerhet

[Last ned \[PDF\]](https://nordicproductions.no/papers/bike-maker-data/bike-maker-data.pdf)

![Ormediagrammer for Nord-Amerika, Sør-Amerika og Europa. Hvert punkt er ett måltall, plassert etter hvor langt det er fra målet sitt, og farget grønt, oransje eller rødt](https://nordicproductions.no/_astro/bike-maker-data-worm-cover.4G3B6qvE_1iYF3f.avif)

Ormediagrammene fra eksamen min, ett par for hvert marked. Grønne punkter når målet sitt, oransje bommer med opptil 10 %, og røde bommer med mer. Klikk for å forstørre.

GEAR lager eksklusive sykler i USA, og hver sykkel bygges på bestilling. Kundene velger selv ramme, hjul, gir, bremser, sete og lakk. Det er det merket er kjent for, og det er også der problemene begynner.

GEAR er ikke et ekte selskap. Det er caset for hjemmeeksamen på 48 timer i Data Driven Management Accounting på BI, der vi fikk dataene til GEAR og tre problemer å løse i Python. Hvert av problemene viste seg å skjule noe selskapet ikke visste om seg selv.

## 1\. Hvor kommer selskapet til kort?

GEAR måler seg selv med et balansert målstyringskort. Det er et sett med mål sett fra fire vinkler: penger, kunder, hvor godt arbeidet blir gjort, og om selskapet lærer og blir bedre. Hvert marked har 14 måltall, hvert med et mål.

Den første oppgaven var å gjøre dette om til et interaktivt dashbord der du velger et marked og hvert måltall lyser grønt (målet nådd), oransje (bommet med opptil 10 %) eller rødt (bommet med mer). Så ville GEAR ha en oversikt over alle tre markedene samtidig, så jeg tegnet et «ormediagram» for hvert av dem. Det er bildet øverst i denne artikkelen.

Et ormediagram viser hvert måltall som et punkt og binder dem sammen med en linje, så et sunt marked er en rolig orm på den grønne siden, mens et marked som sliter, vrir seg inn i det røde. Jeg delte hvert marked i to, fordi for noen måltall er høyere bedre (salg, tilfredshet) og for andre er lavere bedre (feil, leveringstid). Å blande dem i ett bilde ville vært forvirrende. I den øverste raden slår punktene til høyre for den grønne linjen målet sitt. I den nederste raden er det punktene til venstre. Etikettene er forkortelser for de fire vinklene: læring og vekst (LGP), kunder (CP), penger (F) og hvor godt arbeidet blir gjort (IBP).

Nord-Amerika når 13 av sine 14 mål. Sør-Amerika bommer på mer enn halvparten. Det mister kunder (51 % blir værende, mot et mål på 60 %), tjener mindre på tilpasning enn planlagt og betaler mer for hvert spesialbygg.

Men ett mål bommer i alle markeder: **feilraten**. Tre prosent av syklene kommer ut med feil i Nord-Amerika og Europa, mot et mål på to, og seks prosent i Sør-Amerika, mot fem. Når det samme måltallet er rødt overalt, handler det sjelden om ett marked. Det handler om produktet, og det ledet rett til neste problem.

GEAR ville også bruke det samme målstyringskortet når selskapet går inn i Asia og Australia. Rådet mitt var å beholde de samme måltallene, så markedene kan sammenlignes, men sette målene lokalt. Kunder, kostnader og leveringstider er for forskjellige til at små justeringer blir rettferdige.

## 2\. Hvilke sykler går i stykker, og er det verdt å sjekke dem?

Produksjonssjefen mistenkte at all tilpasningen forårsaket feilene. Med 13 valg på hver sykkel, fra rammen til pedalene, blir kombinasjonene millioner, så ingen kunne se hvilke som var problemet. Han hadde tre alternativer:

1.  Kontrollere 1 000 tilfeldige sykler.
2.  Bruke dataene til å finne de risikable kombinasjonene og sjekke dem.
3.  Ikke gjøre noe.

For å velge må du først vite hva en feil koster. En fornøyd kunde er verdt rundt 10 000 dollar for GEAR over årene. Får kunden en sykkel med feil, faller det med 60 %, og returer og garantiarbeid koster i snitt 2 000 dollar til. En sykkel med feil som slipper gjennom, koster altså 8 000 dollar. Å sjekke en sykkel koster 500 dollar, og å reparere en feil du fanger opp, koster 400 dollar.

Det gir fire utfall for hver sykkel, avhengig av om den faktisk har en feil og om vi sjekker den. Dette er hva hvert av dem er verdt for GEAR, i dollar:

$$
\def\arraystretch{1.6} \begin{array}{l|cc} & \text{Ikke sjekket} & \text{Sjekket} \cr \hline \text{Sykkelen er i orden} & 10\thinspace 000 & 10\thinspace 000 - 500 = 9\thinspace 500 \cr \text{Sykkelen har feil} & 10\thinspace 000 \times 0{,}4 - 2\thinspace 000 = 2\thinspace 000 & 10\thinspace 000 - 500 - 400 = 9\thinspace 100 \end{array}
$$

Med 10 000 tidligere bestillinger trente jeg et beslutningstre. Det er en kjede av ja-eller-nei-spørsmål om en sykkel («Har den flere gir? Stålhjul?») som ender i en gjetning: feil eller i orden. De fleste modeller vurderes etter hvor ofte de gjetter riktig. Denne vurderte jeg i dollar, med kostnadene over, så den skulle lære det som betyr noe for GEAR: å fange en feil til 8 000 dollar er verdt langt mer enn å kaste bort en sjekk til 500 dollar.

![Beslutningstreet fra eksamen, et forgrenet diagram med ja-eller-nei-spørsmål om delene på sykkelen, med blå bokser der treet forutsier en feil](https://nordicproductions.no/_astro/bike-maker-data-decision-tree.Slq5bUe0_Z1bPlsN.webp)

_Treet fra eksamen min, beskåret til sju nivåer. Hver boks stiller ett spørsmål om sykkelen, og de blå boksene er der treet forventer en feil. Delene er lagret som tall, så «Drivetrain\_n <= 0.5» betyr «er det én bestemt type drivverk?». Klikk for å forstørre._

Treet fant at én del av sykkelen forklarer mer enn halvparten av feilene: drivverket, systemet av gir og kjede som driver hjulene:

**Figur: Andel sykler med feil, etter drivverk**

Data: [bike-maker-data-drivetrain.csv](https://nordicproductions.no/_astro/bike-maker-data-drivetrain.CS6OHI5w.csv)

Sykler med flere gir har omtrent sju ganger så stor sjanse for å ha en feil som resten. Etter det kommer stålhjul og stålrammer. Problemet er altså ikke tilpasning generelt. Det er noen få bestemte deler.

Og her er hva hvert alternativ tjener per sykkel:

**Figur: Fortjeneste per sykkel for hvert alternativ, i dollar**

Aksen starter på 9 000 dollar for å vise forskjellene.

Data: [bike-maker-data-strategies.csv](https://nordicproductions.no/_astro/bike-maker-data-strategies.DZUWvsDy.csv)

Å sjekke syklene som treet markerer som risikable, tjener mest, rundt 9 909 dollar per sykkel. For de tilfeldige kontrollene simulerte jeg å plukke ut 1 000 sykler tusen ganger, for å se hvor mye flaks betyr:

![Histogram over forventet fortjeneste per sykkel i tusen simulerte tilfeldige kontroller, samlet rundt 9 490 dollar](https://nordicproductions.no/_astro/bike-maker-data-random-inspection.BCqoGN-j_1M66FW.webp)

_Tusen simulerte tilfeldige kontroller fra eksamen min. Selv den heldigste, langt ute til høyre, holder seg under 9 500 dollar per sykkel, godt under de 9 909 dollarene fra beslutningstreet._

Overraskelsen er nederst i diagrammet over. **Å kontrollere 1 000 tilfeldige sykler tjener mindre enn å ikke gjøre noe i det hele tatt.** Bare rundt 3 av 100 sykler har feil, så de fleste sjekkene til 500 dollar finner ingenting. Tilfeldige kontroller føles ansvarlige, men her koster de mer enn de sparer. Å ikke gjøre noe er lett å regne ut, fordi 2,6 % av syklene har feil:

$$
(1 - 0{,}026) \times 10\thinspace 000 + 0{,}026 \times 2\thinspace 000 \approx 9\thinspace 791 \text{ dollar per sykkel}
$$

## 3\. Hvem logger inn?

Det siste problemet handlet om sikkerhet. GEAR ga oss innloggingsloggen sin, hvert forsøk på å logge inn på selskapets datamaskiner fra mai til november 2022. Det er nesten 1,3 millioner forsøk.

De ansatte må logge inn på nytt etter hver pause, så mange innlogginger er normalt, rundt fire og en halv per person per dag. Ukemønsteret ser akkurat ut som en vanlig arbeidsuke:

![Søylediagram over innloggingsforsøk etter ukedag, rundt 240 000 hver hverdag og langt færre på lørdag og søndag](https://nordicproductions.no/_astro/bike-maker-data-logins-by-day.1sH2iIVg_1aYRVs.webp)

_Innloggingsforsøk etter ukedag, fra eksamen min._

Men ett av fem forsøk mislyktes, og det er mye. Og da jeg sammenlignet loggen med listen over ansatte, skilte to ting seg ut.

**Folk som hadde sluttet, kom fortsatt inn.** Fem tidligere ansatte prøvde å logge inn 4 595 ganger etter sin siste arbeidsdag, og 3 413 av forsøkene lyktes. Fire av dem hadde sluttet høsten 2022. Den femte sluttet i september 2013, og ni år senere ble kontoen fortsatt brukt nesten hver eneste arbeidsdag:

**Figur: Innlogginger etter at personen hadde sluttet i selskapet**

Hver søyle er én tidligere ansatt, merket med dagen de sluttet.

Data: [bike-maker-data-leavers.csv](https://nordicproductions.no/_astro/bike-maker-data-leavers.Bj6kjTbR.csv)

Her er den som sluttet i 2013, dag for dag:

![Tidslinje fra 2013 til 2022 med en oransje markering i september 2013 der en ansatt sluttet i selskapet, og tette blå søyler med daglige innloggingsforsøk fra den samme personen gjennom 2022](https://nordicproductions.no/_astro/bike-maker-data-timeline.Crgeo1A-_2rbino.webp)

_Hver blå søyle er én dag med innloggingsforsøk på kontoen. Loggen dekker bare mai til november 2022, så årene imellom er tomme fordi det ikke finnes data, ikke fordi ingen logget inn._

Kontoene ble rett og slett aldri slått av. Anbefalingen min var å låse en konto automatisk på den ansattes siste arbeidsdag, og å sende et varsel når noen som har sluttet, prøver å logge inn.

**Noen prøvde inngangsdøren.** Det var 1 277 forsøk på å logge inn som «Admin», et brukernavn som ikke tilhører noen i GEAR. Hvert eneste ett mislyktes. De kom fra hele verden:

**Figur: Forsøk på å logge inn som «Admin», etter land**

Data: [bike-maker-data-admin.csv](https://nordicproductions.no/_astro/bike-maker-data-admin.DV-aXcgQ.csv)

Å prøve vanlige brukernavn som «Admin» om og om igjen er et klassisk tegn på at noen prøver å gjette seg inn. Her fungerte det ikke, men det er verdt å blokkere og følge med på de adressene.

## Hva jeg tar med meg

-   **Dra i tråden som er rød overalt.** Det ene målet som alle markedene bommet på, ledet rett til det største problemet i virksomheten.
-   **Vurder beslutninger i penger, ikke i hvor ofte du har rett.** Målt i dollar viste tilfeldige kontroller seg å være verre enn å ikke gjøre noe.
-   **Det største sikkerhetshullet kan være kjedelig.** Ingen hacker kom inn som «Admin». Den egentlige risikoen var kontoer ingen husket å slå av.

## Om oppgaven

Dette bygger på hjemmeeksamen min på 48 timer i Data Driven Management Accounting (EBA3630) på Handelshøyskolen BI, mai 2025. GEAR og alle dataene er et oppdiktet case fra faget, og jeg har latt være å ta med navnene på de ansatte. Jeg løste eksamen i Python, og du kan lese hele eksamen, med koden, med knappen ved siden av denne artikkelen.

Til denne artikkelen regnet jeg også ut to ting eksamen ikke spurte om: fortjenesten ved å ikke gjøre noe, og hvor mange av innloggingene etter at folk hadde sluttet, som faktisk lyktes.