Ускорьте бизнес-инсайты с автоматизированными Data Science и Machine Learning решениями

Data scientists критичны для успеха data science проектов. Но они не могут сделать это одни. Им нужна помощь от других наборов навыков, так же как автоматизированные решения.

Данные, масло, смазывающее шестерёнки современной машины. Но есть проблема. Организации борются за получение бизнес-инсайтов от этой новой силы.

В дефиците

На рынке многие энтерпрайз-клиенты пытаются построить очень большие data science команды. Некоторые пытаются нанять сотни для работы со взрывом данных; с источниками от клиентского ввода до IoT устройств — это станет главным каналом.

Но это не очень легко, есть огромный дефицит data scientists.

Есть, как Gartner нариковал, citizen data scientists — человек, создающий или генерирующий модели, использующие продвинутую диагностическую аналитику или предиктивные и прескриптивные возможности, но чья первичная работа вне области статистики и аналитики — но они предоставляют комплементарную роль экспертным data scientists. Они не заменяют экспертов, так как у них нет специфической продвинутой data science экспертизы для этого.

Даже с этим, многие предприятия действительно борются установить citizen data science команду, не то что data scientist команду.

Data science

Data science описывается как мультидисциплинарная область, использующая научные методы, процессы, алгоритмы и системы для извлечения знаний и инсайтов из данных в различных формах, как структурированных, так и неструктурированных, похоже на data mining.

Естественно, у неё много разных компонентов. Один из которых — машинное обучение, которое «самая весёлая часть data science», согласно Рёхей Фудзимаки, CEO и основатель dotData.

Настоящая боль предприятий на стороне данных — построение датасетов так, чтобы они были спелыми для применения data science. Данные очень сложны, и когда они собираются в энтерпрайзе они не хранятся для машинного обучения и data science целей. Они хранятся для бизнес-целей; в графиках, например.

Бизнесам нужно трансформировать эти бизнес-данные в формат машинного обучения, который называется «feature learning», говорит Фудзимаки. «И по сути нам нужно применить много доменного знания для запуска данных».

Так, в этом климате, где талант в дефиците, но данные продолжают течь, необходимо автоматизировать end-to-end процесс data science; включая данные в feature pipeline.

Получение инсайтов и драйвинг действий

Машинное обучение может прогнозировать, предсказывать и идентифицировать новых клиентов, и в финансовых услугах, например, у кого самый риск. Это предсказание* драйвит бизнес-процесс автоматизацию. Ядро бизнеса интегрировано с бизнес-системой и триггерит некоторые бизнес-действия автоматически. Таким образом, есть много областей, чтобы сделать бизнес намного более эффективным.

Другой очень важный исход из машинного обучения и data science процесса — бизнес-инсайты. Данные очень сложны — и эксперты индустрии имеют доменное знание и интуицию — но есть много скрытого знания за огромным объёмом данных, входящих в энтерпрайз. Машинное обучение или data science процесс обычно может раскрыть что-то неизвестное или невидимое или неожиданное, даже для эксперта.

Пример от dotData

dotData работало с банковским клиентом, применившим свою платформу для предсказания, кто новые клиенты, заинтересованные в ипотечном кредите. Сначала они думали, что этот продукт апеллирует к молодым людям. Но что они нашли — что очень другой тип клиента был заинтересован в нём, люди, которые были немного старше в возрасте. Оказалось, что эта демография клиентов покупала этот продукт больше, чем предсказанная молодая демография.

Этот тип нового бизнес-инсайта означал, что клиент мог построить и спроектировать новую промо-кампанию к этому клиентскому сегменту; или они могут спроектировать новый продукт на основе этого типа бизнес-инсайта.

Автоматизация data science и machine learning процесса произвела новые бизнес-инсайты из данных.

Data scientists в одиночку… не достаточно хороши

Какие типы наборов навыков бизнесу нужно, чтобы data science извлекал значимые бизнес-исходы? Первая вещь — математическая или статистическая знание, но в то же время эти бизнесы должны скачивать очень большие, крупномасштабные, сложные данные — им нужна data engineering для этого.

«Также использование тех же данных для решения разных бизнес-проблем, нуждается в разной доменной экспертизе», говорит Фудзимаки.

Хороший data scientist должен иметь сильные математические и статистические наборы навыков, но часто они не обладают бизнес и data engineering навыками.

Дефицит data scientists — препятствие для любого успешного data science проекта. Но проблема в том: data scientists в одиночку не достаточно хороши для завершения большого сложного проекта.

Успешные data science проекты будут нуждаться в домен-экспертах, дизайн-инженерах и data scientists.

Очень большая часть data science проекта — предсказание* — оно нужно интегрировать с бизнес-системой и автоматически драйвить много цифрового обслуживания. Это значит, что бизнесу нужен инженер, понимающий этот data science процесс и адекватно интегрирующий этот data science процесс в бизнес-системы. Фудзимаки называет таких людей «data science talents».

Data scientist интегрален, но есть много больше ролей, требуемых для завершения data science проекта.

Решения, такие как dotData, помогают решить эту проблему и делят усилие и замостят пробелы, автоматизируя data science и machine learning.