Versnel zakelijke inzichten met geautomatiseerde Data Science & Machine Learning oplossingen

Data scientists zijn cruciaal in het succes van data science-projecten. Maar, ze kunnen het niet alleen. Ze hebben hulp nodig van andere skillsets, alsook automatiseringsoplossingen.

Data, de olie die de kogels van de moderne machine gesmeerd houdt. Maar, er is een probleem. Organisaties worstelen om zakelijke inzichten te verkrijgen uit deze nieuwe kracht.

In korte voorraad

In de markt proberen veel enterprise-klanten heel grote data science-teams te bouwen. Sommige, proberen honderden aan te stellen om te dealen met de explosie van data; met bronnen variërend van klantinvoer tot IoT-apparaten – dit zal het hoofdkanaal worden.

Maar het is niet erg makkelijk, er is een enorme tekortkoming aan data scientists.

Er zijn, zoals Gartner noemde, citizen data scientists – een persoon die modellen creëert of genereert die geavanceerde diagnostische analytics of predictieve en voorschrijvende capaciteiten gebruiken, maar wiens primaire jobfunctie buiten het veld van statistiek en analytics valt – maar ze bieden een complementaire rol aan expert data scientists. Ze vervangen de experts niet, aangezien ze niet de specifieke, geavanceerde data science-expertise hebben om dat te doen.

Zelfs met dit, worstelen veel enterprises echt om een citizen data science-team te vestigen, laat staan een data scientist-team.

Data science

Data science wordt beschreven als een multi-disciplinair veld dat wetenschappelijke methoden, processen, algoritmes en systemen gebruikt om kennis en inzichten te extraheren uit data in verschillende vormen, zowel gestructureerd als ongestructureerd, vergelijkbaar met data mining.

Natuurlijk heeft het veel verschillende componenten. Een daarvan is machine learning, wat "het leukste deel van data science" is, volgens Ryohei Fujimaki, CEO en oprichter bij dotData.

De echte pijn die enterprises ervaren zit aan de data-kant – het bouwen van de datasets zodat ze rijp zijn voor data science om toegepast te worden. Data is heel complex, en wanneer het in enterprise verzameld wordt, is het niet opgeslagen voor machine learning en data science-doeleinden. Het is opgeslagen voor zakelijke doeleinden; in grafieken, bijvoorbeeld.

Bedrijven moeten deze zakelijke data transformeren in het machine learning-formaat, wat "feature learning" heet, zegt Fujimaki. "En eigenlijk moeten we veel domeinkennis toepassen om de data te laten lopen."

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 data in de feature-pijplijn.

Inzichten verkrijgen en acties drijven

Machine learning kan voorspellen, prediciëren en nieuwe klanten identificeren, en in financiële diensten, bijvoorbeeld, wie het meeste risico heeft. Deze voorspelling* drijft de zakelijke procesautomatisering. De kernbusiness is geïntegreerd met het zakelijke systeem en triggert sommige zakelijke acties automatisch. Op deze manier zijn er veel gebieden om een bedrijf veel efficiënter te maken.

Een ander heel belangrijk resultaat uit het machine learning- en data science-proces is zakelijke inzichten. Data is heel complex – en industrie-experts hebben domeinkennis en intuïtie – maar er is veel verborgen kennis achter de enorme hoeveelheid data die het enterprise binnengaat. Machine learning of het data science-proces kan meestal iets onbekends, onzichts of onverwachts ontdekken, zelfs voor een expert.

Voorbeeld van dotData

dotData werkte met een bankklant die zijn platform toepaste om te voorspellen wie de nieuwe klanten zijn die geïnteresseerd zouden zijn in een hypotheekleningstype product. Ze dachten eerst dat dit product zou appelleren aan jongere mensen. Maar, wat ze vonden was dat een heel ander type klant geïnteresseerd was in het, mensen die wat meer senior in leeftijd waren. Het bleek, dat deze demografische klantengroep dit product meer aankocht dan de voorspelde jongere demografische groep.

Dit type nieuw zakelijk inzicht betekende dat de klant een nieuwe promotiecampagne voor dit klantsegment kon bouwen en ontwerpen; of ze een nieuw product konden ontwerpen gebaseerd op dit type zakelijk inzicht.

Het automatiseren van het data science- en machine learning-proces produceerde nieuwe zakelijke inzichten uit de data.

Data scientists alleen... zijn niet goed genoeg

Wat voor soort skillsets hebben bedrijven nodig om data science toe te laten betekenisvolle zakelijke resultaten te extraheren? Het eerste ding is wiskundige of statistische kennis, maar tegelijkertijd moeten deze bedrijven heel grote, grote-schaal, complexe data downloaden – ze hebben data engineering hiervoor nodig.

"Ook, het gebruik van dezelfde data bij het oplossen van verschillende zakelijke problemen, vereist andere domeinexpertise," zegt Fujimaki.

Een goede data scientist moet een sterke wiskundige en statistische skillset hebben, maar vaak bezitten ze geen zakelijke en data engineering-skills.

De tekortkoming aan data scientists is een struikelblok voor elk succesvol data science-project. Maar, het probleem is: data scientists alleen zijn niet goed genoeg om een groot complex project te voltooien.

Succesvolle data science-projecten hebben domeinexperts, design engineers en data scientists nodig.

Een heel groot deel van data science-project is voorspelling* – het moet geïntegreerd zijn met het zakelijke systeem en automatisch veel digitale onderhoud drijven. Dit betekent dat bedrijven een engineer nodig hebben die dit data science-proces begrijpt en dit data science-proces op de juiste manier integreert in zakelijke systemen. Fujimaki noemt deze typen mensen "data science talents".

Een data scientist is integraal, maar er zijn veel meer rollen vereist om een data science-project te voltooien.

Oplossingen, zoals dotData, helpen dit probleem oplossen en de inspanning delen en de gaten overbruggen, door data science en machine learning te automatiseren.