Datawetenschap en machine learning automatiseren voor zakelijke inzichten

Datawetenschappers zijn cruciaal voor het succes van datawetenschapsprojecten. Maar ze kunnen het niet alleen. Ze hebben hulp nodig van andere vaardigheden, evenals automatiseringsoplossingen.

Gegevens, de olie  die de tandwielen van de moderne machine smeert. Maar er is een probleem. Organisaties hebben moeite om zakelijke inzichten te verkrijgen uit deze nieuwe kracht.

Niet leverbaar

In de markt proberen veel zakelijke klanten zeer big data science-teams op te bouwen. Sommigen proberen honderden in te huren om de explosie van gegevens het hoofd te bieden; met bronnen variërend van input van klanten tot IoT-apparaten — dit wordt het belangrijkste kanaal.

Maar makkelijk is het niet, er is een enorm tekort aan datawetenschappers.

Er zijn, zoals Gartner bedacht, datawetenschappers van burgers - iemand die modellen maakt of genereert die gebruikmaken van geavanceerde diagnostische analyses of voorspellende en prescriptieve mogelijkheden, maar wiens primaire functie buiten het gebied van statistiek en analyse ligt - maar zij vervullen een aanvullende rol bij deskundige datawetenschappers. Ze vervangen de experts niet, omdat ze niet over de specifieke, geavanceerde datawetenschapsexpertise beschikken om dit te doen.

Toch worstelen veel bedrijven met het opzetten van een burgerdatawetenschapsteam, laat staan ​​een datawetenschappersteam.

Datawetenschap

Datawetenschap wordt beschreven als een multidisciplinair vakgebied dat wetenschappelijke methoden, processen, algoritmen en systemen gebruikt om kennis en inzichten te extraheren uit data in verschillende vormen, zowel gestructureerd als ongestructureerd, vergelijkbaar met datamining.

Het heeft natuurlijk veel verschillende componenten. Een daarvan is machine learning, wat volgens Ryohei Fujimaki, CEO en oprichter van dotData, "het leukste onderdeel van datawetenschap" is.

Het echte pijnpunt van ondernemingen ligt aan de datakant:het bouwen van de datasets zodat ze rijp zijn om datawetenschap toe te passen. Gegevens zijn erg complex en wanneer ze in het bedrijfsleven worden verzameld, is dat niet   opgeslagen voor machine learning en data science doeleinden. Het wordt opgeslagen voor zakelijke doeleinden; bijvoorbeeld in grafieken.

Bedrijven moeten deze bedrijfsgegevens omzetten in het machine learning-formaat, dat 'feature learning' wordt genoemd, zegt Fujimaki. "En eigenlijk moeten we veel domeinkennis toepassen om de gegevens te beheren."

Dus in dit klimaat, waar talent schaars is, maar de data blijft stromen, is het noodzakelijk om het end-to-end proces van data science te automatiseren; inclusief gegevens in de functiepijplijn.

Inzichten verkrijgen en acties stimuleren

Machine learning kan nieuwe klanten voorspellen, voorspellen en identificeren, en bijvoorbeeld in de financiële dienstverlening wie het meeste risico loopt. Deze voorspelling* stuurt de automatisering van bedrijfsprocessen aan. De kernactiviteit is geïntegreerd met het bedrijfssysteem en activeert automatisch bepaalde bedrijfsacties. Op deze manier zijn er veel gebieden om een ​​bedrijf veel efficiënter te maken.

Een ander zeer belangrijk resultaat van het proces van machine learning en datawetenschap zijn zakelijke inzichten. Gegevens zijn erg complex - en branche-experts hebben domeinkennis en intuïtie - maar er zit veel verborgen kennis achter de enorme hoeveelheid gegevens die de onderneming binnenkomen. Machine learning of het data science-proces kan meestal iets onbekends of ongeziens of onverwachts aan het licht brengen, zelfs voor een expert.

Voorbeeld van dotData

dotData werkte samen met een bankklant die zijn platform gebruikte om te voorspellen wie de nieuwe klanten zijn die geïnteresseerd zouden zijn in een product van het type hypothecair krediet. Ze dachten eerst dat dit product jongere mensen zou aanspreken. Maar wat ze ontdekten was dat er een heel ander type klant in geïnteresseerd was, mensen die wat ouder waren. Het bleek dat deze demografie van de klant dit product meer kocht dan de voorspelde jongere demografie.

Dit soort nieuwe zakelijke inzichten betekende dat de klant een nieuwe promotiecampagne voor dit klantsegment kon opzetten en ontwerpen; of ze kunnen een nieuw product ontwerpen op basis van dit soort zakelijk inzicht.

Het automatiseren van de datawetenschap en het machine learning-proces leverde nieuwe zakelijke inzichten op uit de data.

Datawetenschappers alleen... zijn niet goed genoeg

Welk type vaardigheden hebben bedrijven nodig om datawetenschap zinvolle bedrijfsresultaten te laten behalen? Het eerste is wiskundige of statistische kennis, maar tegelijkertijd moeten deze bedrijven zeer grote, grootschalige, complexe gegevens downloaden - hiervoor hebben ze data-engineering nodig.

"Bovendien vereist het gebruik van dezelfde gegevens bij het oplossen van verschillende zakelijke problemen verschillende domeinexpertise", zegt Fujimaki.

Een goede datawetenschapper moet een sterke wiskundige en statistische vaardigheden hebben, maar vaak beschikken ze niet over zakelijke en data-engineeringvaardigheden.

Het tekort aan datawetenschappers is een hindernis voor elk succesvol datawetenschapsproject. Maar het probleem is:datawetenschappers alleen zijn niet goed genoeg om een ​​groot complex project te voltooien.

Voor succesvolle datawetenschapsprojecten zijn domeinexperts, ontwerpingenieurs en datawetenschappers nodig.

Een zeer groot deel van het datawetenschapsproject is voorspelling* — het moet worden geïntegreerd met het bedrijfssysteem en automatisch veel digitaal onderhoud aansturen. Dit betekent dat bedrijven een ingenieur nodig hebben die dit datawetenschapsproces begrijpt en dit datawetenschapsproces op de juiste manier integreert in bedrijfssystemen. Fujimaki noemt dit soort mensen 'data science-talenten'.

Een datawetenschapper is een integraal onderdeel, maar er zijn veel meer rollen nodig om een ​​datawetenschappelijk project te voltooien.

Oplossingen, zoals dotData, helpen dit probleem op te lossen en de inspanningen te delen en de hiaten te overbruggen door datawetenschap en machine learning te automatiseren.