ビジネスインサイトのためのデータサイエンスと機械学習の自動化

データサイエンティストは、データサイエンスプロジェクトの成功に不可欠です。しかし、彼らはそれを一人で行うことはできません。自動化ソリューションだけでなく、他のスキルセットからの支援も必要です。

データ、オイル それは現代の機械の歯車にグリースを塗ります。しかし、問題があります。組織は、この新しい力からビジネスの洞察を得るのに苦労しています。

供給不足

市場では、多くの企業顧客が非常に大きなデータサイエンスチームを構築しようとしています。データの爆発的な増加に対処するために数百人を雇おうとしている人もいます。顧客の入力からIoTデバイスに至るまでのソースで—これがメインチャネルになります。

しかし、それは非常に簡単なことではありません。データサイエンティストが非常に不足しています。

ガートナーの造語として、高度な診断分析または予測および処方機能を使用するモデルを作成または生成するが、その主な職務は統計および分析の分野外である市民データサイエンティストがいますが、彼らは専門家のデータサイエンティスト。彼らは専門家に取って代わるものではありません。彼らにはそうするための特定の高度なデータサイエンスの専門知識がないからです。

それでも、多くの企業は、データサイエンティストチームは言うまでもなく、市民データサイエンスチームの設立に本当に苦労しています。

データサイエンス

データサイエンスは、科学的な方法、プロセス、アルゴリズム、システムを使用して、データマイニングと同様に、構造化と非構造化の両方のさまざまな形式でデータから知識と洞察を抽出する学際的な分野として説明されています。

当然、さまざまなコンポーネントがあります。 dotDataのCEO兼創設者である藤巻遼平氏によると、その1つが「データサイエンスの最も楽しい部分」である機械学習です。

真の苦痛はデータ側にあります—データサイエンスを適用するために熟しているようにデータセットを構築します。データは非常に複雑であり、企業で収集される場合はそうではありません 機械学習とデータサイエンスの目的で保存されます。ビジネス目的で保存されます。たとえば、チャートで。

企業はこのビジネスデータを「特徴学習」と呼ばれる機械学習形式に変換する必要があります、と藤巻氏は言います。 「そして基本的に、データを実行するには多くのドメイン知識を適用する必要があります。」

したがって、人材が不足しているがデータが流れ続けるこの気候では、データサイエンスのエンドツーエンドのプロセスを自動化する必要があります。機能パイプラインにデータを含める。

洞察の獲得と行動の促進

機械学習は、新しい顧客を予測、予測、特定することができます。たとえば、金融サービスでは、誰が最もリスクが高いかを予測できます。この予測*は、ビジネスプロセスの自動化を推進します。コアビジネスはビジネスシステムと統合されており、いくつかのビジネスアクションを自動的にトリガーします。このように、ビジネスをより効率的にするための多くの分野があります。

機械学習とデータサイエンスのプロセスから得られるもう1つの非常に重要な成果は、ビジネスの洞察です。データは非常に複雑であり、業界の専門家はドメインの知識と直感を持っていますが、企業に入る膨大な量のデータの背後には多くの隠された知識があります。機械学習やデータサイエンスのプロセスでは、専門家であっても、通常、未知の、目に見えない、または予期しない何かを発見できます。

dotDataの例

dotDataは、プラットフォームを適用した銀行の顧客と協力して、住宅ローンタイプの商品に関心を持つ新規顧客を予測しました。彼らは最初、この製品が若い人たちにアピールするだろうと考えました。しかし、彼らが見つけたのは、非常に異なるタイプの顧客、つまりもう少し年配の人々がそれに興味を持っていたということでした。この顧客の人口統計は、予測された若い人口統計よりも多くこの製品を購入していたことが判明しました。

このタイプの新しいビジネス洞察は、顧客がこの顧客セグメントに対する新しいプロモーションキャンペーンを構築および設計できることを意味しました。または、このタイプのビジネス洞察に基づいて新製品を設計することもできます。

データサイエンスと機械学習のプロセスを自動化することで、データから新しいビジネスの洞察が生まれました。

データサイエンティストだけでは…十分ではありません

データサイエンスが意味のあるビジネス成果を引き出すために、企業はどのような種類のスキルセットを必要としますか？まず、数学または統計の知識ですが、同時に、これらの企業は非常に大規模で複雑なデータをダウンロードする必要があります。そのためにはデータエンジニアリングが必要です。

「また、さまざまなビジネス上の問題を解決するために同じデータを使用するには、さまざまなドメインの専門知識が必要です」と藤巻氏は言います。

優れたデータサイエンティストは、強力な数学的および統計的スキルセットを持っている必要がありますが、多くの場合、ビジネスおよびデータエンジニアリングのスキルを持っていません。

データサイエンティストの不足は、データサイエンスプロジェクトを成功させるためのハードルです。しかし、問題は次のとおりです。データサイエンティストだけでは、大規模で複雑なプロジェクトを完了するのに十分ではありません。

データサイエンスプロジェクトを成功させるには、ドメインの専門家、設計エンジニア、データサイエンティストが必要です。

データサイエンスプロジェクトの非常に大きな部分は予測*です。これはビジネスシステムと統合され、多くのデジタルメンテナンスを自動的に推進する必要があります。つまり、企業には、このデータサイエンスプロセスを理解し、このデータサイエンスプロセスをビジネスシステムに適切に統合するエンジニアが必要です。藤巻はこのよ​​うな人々を「データサイエンスの才能」と呼んでいます。

データサイエンティストは不可欠ですが、データサイエンスプロジェクトを完了するには、さらに多くの役割が必要です。

dotDataなどのソリューションは、データサイエンスと機械学習を自動化することで、この問題を解決し、取り組みを共有し、ギャップを埋めるのに役立ちます。