비즈니스 통찰력을 위한 데이터 과학 및 머신 러닝 자동화

데이터 과학자는 데이터 과학 프로젝트의 성공에 매우 중요합니다. 하지만, 그들은 혼자 할 수 없습니다. 그들은 다른 기술과 자동화 솔루션의 도움이 필요합니다.

데이터, 기름  그것은 현대 기계의 톱니에 기름을 바르는 것입니다. 하지만 문제가 있습니다. 조직은 이 새로운 힘에서 비즈니스 통찰력을 얻기 위해 고군분투하고 있습니다.

공급 부족

시장에서 많은 기업 고객이 매우 큰 데이터 과학 팀을 구축하려고 합니다. 일부는 폭발적인 데이터를 처리하기 위해 수백 명을 고용하려고 합니다. 고객 입력에서 IoT 장치에 이르는 다양한 소스와 함께 — 이것이 메인 채널이 될 것입니다.

하지만 쉽지 않습니다. 데이터 과학자가 엄청나게 부족합니다.

Gartner가 만든 것처럼 시민 데이터 과학자(고급 진단 분석 또는 예측 및 처방 기능을 사용하지만 주요 업무 기능이 통계 및 분석 분야가 아닌 모델을 생성하거나 생성하는 사람)가 있지만 이들은 다음과 같은 보완적인 역할을 제공합니다. 전문 데이터 과학자. 특정 고급 데이터 과학 전문 지식이 없기 때문에 전문가를 대체하지 않습니다.

그럼에도 불구하고 많은 기업이 데이터 과학자 팀은 물론이고 시민 데이터 과학 팀을 구성하는 데 어려움을 겪고 있습니다.

데이터 과학

데이터 과학은 과학적 방법, 프로세스, 알고리즘 및 시스템을 사용하여 데이터 마이닝과 유사한 구조적 및 비구조적 다양한 형태의 데이터에서 지식과 통찰력을 추출하는 다학문 분야로 설명됩니다.

당연히 다양한 구성 요소가 있습니다. dotData의 CEO이자 설립자인 Ryohei Fujimaki에 따르면 그 중 하나는 "데이터 과학의 가장 재미있는 부분"인 기계 학습입니다.

기업이 직면한 진정한 고통은 데이터 측면에 있습니다. 즉, 데이터 과학을 적용할 수 있도록 데이터 세트를 구축하는 것입니다. 데이터는 매우 복잡하며 기업에서 수집할 때는 그렇지 않습니다.   기계 학습 및 데이터 과학 목적으로 저장됩니다. 비즈니스 목적으로 저장됩니다. 예를 들어 차트에서.

기업은 이 비즈니스 데이터를 "기능 학습"이라고 하는 기계 학습 형식으로 변환해야 한다고 Fujimaki는 말합니다. "기본적으로 데이터를 실행하려면 많은 도메인 지식을 적용해야 합니다."

따라서 인재는 부족하지만 데이터가 계속 흐르는 이러한 환경에서는 데이터 과학의 종단 간 프로세스를 자동화해야 합니다. 기능 파이프라인에 데이터를 포함합니다.

통찰력 확보 및 행동 유도

기계 학습은 예를 들어 금융 서비스에서 가장 위험이 큰 고객을 예측, 예측 및 식별할 수 있습니다. 이 예측*은 비즈니스 프로세스 자동화를 주도합니다. 핵심 비즈니스는 비즈니스 시스템과 통합되고 일부 비즈니스 작업을 자동으로 트리거합니다. 이러한 방식으로 비즈니스를 훨씬 더 효율적으로 만들 수 있는 영역이 많이 있습니다.

기계 학습 및 데이터 과학 프로세스의 또 다른 매우 중요한 결과는 비즈니스 통찰력입니다. 데이터는 매우 복잡하고 업계 전문가들은 도메인 지식과 직관력을 갖추고 있지만 기업에 유입되는 엄청난 양의 데이터 이면에는 숨겨진 지식이 많이 있습니다. 기계 학습 또는 데이터 과학 프로세스는 일반적으로 전문가에게도 알려지지 않거나 보이지 않거나 예상치 못한 것을 발견할 수 있습니다.

dotData의 예

dotData는 모기지론 유형 상품에 관심을 가질 신규 고객을 예측하기 위해 플랫폼을 적용한 은행 고객과 협력했습니다. 그들은 처음에 이 제품이 젊은 사람들에게 어필할 것이라고 생각했습니다. 그러나 그들이 발견한 것은 매우 다른 유형의 고객이 관심을 갖고 있다는 것입니다. 나이가 조금 더 많은 사람들이었습니다. 이 고객 인구 통계가 예측된 젊은 인구 통계보다 이 제품을 더 많이 구매하고 있는 것으로 나타났습니다.

이러한 유형의 새로운 비즈니스 통찰력은 고객이 이 고객 세그먼트에 대한 새로운 프로모션 캠페인을 구축하고 설계할 수 있음을 의미했습니다. 또는 이러한 유형의 비즈니스 통찰력을 기반으로 신제품을 설계할 수 있습니다.

데이터 과학 및 기계 학습 프로세스를 자동화하여 데이터에서 새로운 비즈니스 통찰력을 얻었습니다.

데이터 과학자만으로는… 충분하지 않습니다.

데이터 과학이 의미 있는 비즈니스 결과를 추출할 수 있도록 하려면 기업에서 어떤 유형의 기술이 필요합니까? 첫 번째는 수학적 또는 통계적 지식이지만 동시에 이러한 기업은 매우 크고 대규모의 복잡한 데이터를 다운로드해야 합니다. 이를 위해서는 데이터 엔지니어링이 필요합니다.

Fujimaki는 "또한 동일한 데이터를 사용하여 다양한 비즈니스 문제를 해결하려면 서로 다른 도메인 전문 지식이 필요합니다."라고 말합니다.

우수한 데이터 과학자는 강력한 수학적 및 통계적 기술이 필요하지만 비즈니스 및 데이터 엔지니어링 기술이 없는 경우가 많습니다.

데이터 과학자의 부족은 성공적인 데이터 과학 프로젝트의 장애물입니다. 하지만 문제는 데이터 과학자만으로는 크고 복잡한 프로젝트를 완료하기에 충분하지 않다는 것입니다.

성공적인 데이터 과학 프로젝트에는 도메인 전문가, 설계 엔지니어 및 데이터 과학자가 필요합니다.

데이터 과학 프로젝트의 가장 큰 부분은 예측*입니다. 비즈니스 시스템과 통합되어야 하며 많은 디지털 유지 관리를 자동으로 추진해야 합니다. 즉, 기업에는 이 데이터 과학 프로세스를 이해하고 이 데이터 과학 프로세스를 비즈니스 시스템에 적절하게 통합하는 엔지니어가 필요합니다. Fujimaki는 이러한 유형의 사람들을 "데이터 과학 인재"라고 부릅니다.

데이터 과학자는 필수적이지만 데이터 과학 프로젝트를 완료하는 데 더 많은 역할이 필요합니다.

dotData와 같은 솔루션은 데이터 과학 및 기계 학습을 자동화하여 이 문제를 해결하고 노력을 공유하고 격차를 해소하는 데 도움이 됩니다.