Το Tableau ανακοινώνει το Business Science: A Data Science Tool

Το νέο εργαλείο του Tableau, Business Science, «βοηθά τους ειδικούς του τομέα να κατανοήσουν τους βασικούς οδηγούς ενός μοντέλου χωρίς να χρειάζεται να μάθουν παραδοσιακά εργαλεία επιστήμης δεδομένων».

Αυτή η ανακοίνωση ακολουθεί μια αυξανόμενη τάση στην ανάλυση δεδομένων — για να καταστήσει τα δεδομένα και τις πληροφορίες πιο προσιτά στους επιχειρηματίες. Πολλές εταιρείες αναγνωρίζουν πλέον την αξία της επιστήμης δεδομένων σε αυτήν την προσπάθεια και προσπαθούν να θέσουν προηγμένες δεξιότητες ανάλυσης στα χέρια των επιχειρηματιών.

Δεδομένου ότι η επιστήμη δεδομένων και η επιτυχής ανάπτυξή της είναι κάτι που γνωρίζουμε πολύ καλά στο AnswerRocket, θέλουμε να μπούμε στη συζήτηση.

Η Επιστήμη των Επιχειρήσεων του Tableau πυροδότησε μια συζήτηση για την Επιστήμη των Δεδομένων—Τι πρέπει να λάβουν υπόψη οι επιχειρήσεις;

Με την αβεβαιότητα από τον COVID-19, οι επιχειρήσεις πρέπει να πλοηγηθούν σε πρωτοφανή σενάρια με συντριπτική ποσότητα θορύβου στα δεδομένα τους.

Πολλές επιχειρήσεις πυροβολούν όλους τους κυλίνδρους για να αναλύσουν απλώς ιστορικά δεδομένα, πόσο μάλλον να κεφαλαιοποιήσουν τις τρέχουσες ή μελλοντικές ευκαιρίες ανάπτυξης.

Η επιστήμη δεδομένων παρέχει τις διαγνωστικές και προγνωστικές δυνατότητες που επιτρέπουν στις επιχειρήσεις να λαμβάνουν προληπτικές αποφάσεις με επαρκή ακρίβεια, ταχύτητα και πλαίσιο.

Ωστόσο, οι ομάδες της επιστήμης δεδομένων είναι αδύνατες, επιφορτισμένες με τη διαχείριση των μοντέλων τους μέσω της επιχείρησης και την πώληση των ευρημάτων τους στους υπεύθυνους λήψης αποφάσεων. Εν τω μεταξύ, οι επιχειρηματικές ομάδες δεν διαθέτουν το τεχνικό πλαίσιο για να κάνουν χρήση των αποτελεσμάτων των μοντέλων και να αναλάβουν δράση.

Υπάρχει ένα χάσμα μεταξύ του τι μπορεί να κάνει η επιστήμη των δεδομένων και του τρόπου με τον οποίο οι επιχειρήσεις μπορούν να αποκτήσουν αξία. Μια προσέγγιση για την επίλυση αυτού του προβλήματος είναι να τεθεί η τεχνητή νοημοσύνη χωρίς κώδικα μπροστά στους επιχειρηματίες, καθοδηγώντας τους να προσαρμόσουν τα μοντέλα με βάση την κατανόησή τους για τα δεδομένα.

Θεωρητικά, αυτό επιτρέπει στους επιστήμονες δεδομένων να επικεντρωθούν σε ανάλυση υψηλότερου επιπέδου, ενώ επιτρέπει στους επιχειρηματίες να απαντούν σε καθημερινές ερωτήσεις με δεξιότητες επιστήμης δεδομένων.

Ωστόσο, υπάρχουν δύο πιθανά κενά σε αυτή την προσέγγιση:

• Οι επιστήμονες δεδομένων εξακολουθούν να μην έχουν την εξουσία να «πουλήσουν» ανάλυση υψηλού επιπέδου σε επιχειρηματίες
• Οι επιχειρηματίες δεν είναι απαραιτήτως ξεκάθαροι σχετικά με τις περιπτώσεις χρήσης που απαιτούν την επιστήμη δεδομένων, πράγμα που σημαίνει ότι οι επιστήμονες δεδομένων πρέπει να αναλάβουν σημαντική εργασία διαχείρισης αλλαγών

Και στις δύο περιπτώσεις, οι ομάδες επιστήμης δεδομένων πρέπει να εκτελούν εργασία που είναι καλύτερα να αφεθεί στη σφαίρα του μονόκερου της επιστήμης δεδομένων — ενός ειδικού αφηγητή και μοντελιστή που είναι πολύ σπάνιο για να βασιστείς.

Το έργο της επιστήμης δεδομένων δεν είναι το ίδιο έργο σχεδιασμού αποτελεσμάτων που έχουν νόημα για τους επιχειρησιακούς χρήστες και βοηθώντας τους υπεύθυνους λήψης αποφάσεων να αναλάβουν δράση. Ούτε είναι το ίδιο έργο να πείσουμε τους επιχειρησιακούς χρήστες να υιοθετήσουν ένα νέο εργαλείο μοντελοποίησης, ανεξάρτητα από το πόσο φιλικό προς τον χρήστη.

Έχοντας αυτό υπόψη, ποιες άλλες προσεγγίσεις μπορούν να ακολουθήσουν οι επιχειρήσεις για να ενσωματώσουν τα δυνατά σημεία της επιστήμης δεδομένων στους οργανισμούς τους;

Προσέγγιση της Επιστήμης Δεδομένων για καλύτερα αποτελέσματα

Ας δούμε πώς οι επιχειρησιακοί χρήστες και οι επιστήμονες δεδομένων μπορούν να λύσουν προβλήματα χωρίς να απαιτούν να βελτιώσουν τις δεξιότητές τους σε τομείς εκτός του πεδίου εφαρμογής τους.

1. Η επιστήμη των δεδομένων ως υπηρεσία — Αυτή η προσέγγιση φέρνει μια ομάδα επιστημόνων δεδομένων στην επιχείρησή σας για να κάνουν τη σκληρή δουλειά της δημιουργίας και της ανάπτυξης μοντέλων στους τελικούς χρήστες. Η επιστήμη των δεδομένων ως υπηρεσία προσελκύει σπάνια ταλέντα στον οργανισμό σας χωρίς μακρά διαδικασία πρόσληψης.
2. Λειτουργία μοντέλων επιστήμης δεδομένων — Η επιστήμη δεδομένων υψηλού επιπέδου μπορεί να ενσωματωθεί στην ανάλυση αυτοεξυπηρέτησης και να αυτοματοποιηθεί για επιχειρηματίες. Αυτή η προσέγγιση δίνει τη δυνατότητα στους ειδικούς του τομέα να αξιολογήσουν τα αποτελέσματα και να βελτιώσουν την ανάλυση, διατηρώντας παράλληλα μια ενιαία πηγή αλήθειας για κάθε τελικό χρήστη. Οι επιστήμονες δεδομένων μπορούν να αξιοποιήσουν την τεχνογνωσία τους για να βελτιώσουν το μοντέλο, ενώ οι επιχειρηματίες μπορούν να λάβουν οπτικοποιήσεις και πληροφορίες φυσικής γλώσσας που μιλούν στη γλώσσα τους.
3. Αποκτήστε πρόσβαση σε προκατασκευασμένες δεξιότητες μηχανικής μάθησης — Τα μοντέλα που έχουν ήδη τελειοποιηθεί και συσκευαστεί για περιπτώσεις κρίσιμης χρήσης μπορούν να επιταχύνουν τις δεξιότητες επιστήμης δεδομένων χωρίς να αναθεωρήσουν τη διαδικασία τους.

Σε κάθε μία από αυτές τις προσεγγίσεις, οι επιστήμονες δεδομένων μπορούν να κλίνουν στις δεξιότητές τους στην επιστήμη των δεδομένων και οι επιχειρηματίες μπορούν να κλίνουν στις επιχειρηματικές τους δεξιότητες.

Για να μάθετε περισσότερα σχετικά με αυτές τις στρατηγικές, ανατρέξτε στο RocketScience, τις υπηρεσίες επιστήμης δεδομένων της AnswerRocket.