Automatisierung von Data Science und maschinellem Lernen für geschäftliche Erkenntnisse

Data Scientists sind entscheidend für den Erfolg von Data-Science-Projekten. Aber sie können es nicht alleine schaffen. Sie brauchen Hilfe von anderen Fähigkeiten sowie Automatisierungslösungen.

Daten, das Öl  das schmiert die Zahnräder der modernen Maschinerie. Aber es gibt ein Problem. Unternehmen tun sich schwer damit, aus dieser neuen Macht geschäftliche Erkenntnisse zu gewinnen.

Knappheit

Auf dem Markt versuchen viele Unternehmenskunden, sehr große Data-Science-Teams aufzubauen. Einige versuchen, Hunderte einzustellen, um mit der Datenexplosion fertig zu werden; mit Quellen, die von Kundeneingaben bis hin zu IoT-Geräten reichen – dies wird zum Hauptkanal.

Aber es ist nicht ganz einfach, es gibt einen riesigen Mangel an Data Scientists.

Es gibt, wie Gartner prägte, Citizen Data Scientists – eine Person, die Modelle erstellt oder generiert, die fortschrittliche diagnostische Analysen oder prädiktive und präskriptive Fähigkeiten verwenden, deren Hauptaufgabe jedoch außerhalb des Bereichs Statistik und Analytik liegt – aber sie erfüllen eine ergänzende Rolle erfahrene Datenwissenschaftler. Sie ersetzen nicht die Experten, da sie nicht über das spezifische, fortgeschrittene Data-Science-Know-how dafür verfügen.

Trotzdem haben viele Unternehmen wirklich Mühe, ein Citizen Data Science-Team aufzubauen, geschweige denn ein Data Scientist-Team.

Datenwissenschaft

Data Science wird als ein multidisziplinäres Gebiet beschrieben, das wissenschaftliche Methoden, Prozesse, Algorithmen und Systeme verwendet, um Wissen und Erkenntnisse aus Daten in verschiedenen Formen zu extrahieren, sowohl strukturiert als auch unstrukturiert, ähnlich wie Data Mining.

Natürlich hat es viele verschiedene Komponenten. Eines davon ist maschinelles Lernen, das laut Ryohei Fujimaki, CEO und Gründer von dotData, „der unterhaltsamste Teil der Datenwissenschaft“ ist.

Der eigentliche Schmerz, mit dem Unternehmen konfrontiert sind, liegt auf der Datenseite – der Aufbau der Datensätze, damit sie für die Anwendung von Data Science reif sind. Daten sind sehr komplex, und wenn sie im Unternehmen erfasst werden, ist dies nicht der Fall   für maschinelles Lernen und datenwissenschaftliche Zwecke gespeichert. Es wird für geschäftliche Zwecke gespeichert; in Diagrammen, zum Beispiel.

Unternehmen müssen diese Geschäftsdaten in das maschinelle Lernformat umwandeln, das als „Feature Learning“ bezeichnet wird, sagt Fujimaki. „Und im Grunde müssen wir viel Domänenwissen anwenden, um die Daten auszuführen.“

In diesem Klima, in dem Talente knapp sind, aber die Daten weiter fließen, ist es notwendig, den End-to-End-Prozess der Datenwissenschaft zu automatisieren; einschließlich Daten in der Feature-Pipeline.

Einblicke gewinnen und Maßnahmen vorantreiben

Maschinelles Lernen kann neue Kunden prognostizieren, vorhersagen und identifizieren, und beispielsweise bei Finanzdienstleistungen, wer das größte Risiko trägt. Diese Vorhersage* treibt die Geschäftsprozessautomatisierung voran. Das Kerngeschäft ist in das Geschäftssystem integriert und löst einige Geschäftsaktionen automatisch aus. Auf diese Weise gibt es viele Bereiche, um ein Unternehmen viel effizienter zu machen.

Ein weiteres sehr wichtiges Ergebnis des maschinellen Lernens und des Data-Science-Prozesses sind Geschäftseinblicke. Daten sind sehr komplex – und Branchenexperten verfügen über Fachkenntnisse und Intuition –, aber hinter der riesigen Datenmenge, die in das Unternehmen eindringt, steckt viel verborgenes Wissen. Maschinelles Lernen oder der Data-Science-Prozess können normalerweise etwas Unbekanntes, Unsichtbares oder Unerwartetes aufdecken, selbst für einen Experten.

Beispiel aus dotData

dotData arbeitete mit einem Bankkunden zusammen, der seine Plattform einsetzte, um vorherzusagen, wer die neuen Kunden sind, die an einem Hypothekendarlehensprodukt interessiert wären. Sie dachten zuerst, dass dieses Produkt jüngere Leute ansprechen würde. Aber sie fanden heraus, dass sich ein ganz anderer Kundentyp dafür interessierte, Leute, die etwas älter waren. Es stellte sich heraus, dass diese Kundengruppe dieses Produkt häufiger kaufte als die vorhergesagte jüngere Gruppe.

Diese Art von neuen Geschäftseinblicken bedeutete, dass der Kunde eine neue Werbekampagne für dieses Kundensegment aufbauen und gestalten konnte; oder sie können basierend auf dieser Art von Geschäftseinblick ein neues Produkt entwickeln.

Durch die Automatisierung des Prozesses der Datenwissenschaft und des maschinellen Lernens wurden neue geschäftliche Erkenntnisse aus den Daten gewonnen.

Data Scientists allein … sind nicht gut genug

Welche Art von Fähigkeiten benötigen Unternehmen, damit Data Science aussagekräftige Geschäftsergebnisse gewinnen kann? Das erste ist mathematisches oder statistisches Wissen, aber gleichzeitig müssen diese Unternehmen sehr große, umfangreiche und komplexe Daten herunterladen – dafür brauchen sie Data Engineering.

„Außerdem erfordert die Verwendung derselben Daten zur Lösung unterschiedlicher Geschäftsprobleme unterschiedliche Fachkenntnisse“, sagt Fujimaki.

Ein guter Datenwissenschaftler muss über starke mathematische und statistische Fähigkeiten verfügen, verfügt jedoch häufig nicht über geschäftliche und datentechnische Fähigkeiten.

Der Mangel an Data Scientists ist eine Hürde für jedes erfolgreiche Data-Science-Projekt. Aber das Problem ist:Data Scientists allein sind nicht gut genug, um ein großes, komplexes Projekt abzuschließen.

Erfolgreiche Data-Science-Projekte benötigen Fachexperten, Designingenieure und Data Scientists.

Ein sehr großer Teil des Data-Science-Projekts ist die Vorhersage* – sie muss in das Geschäftssystem integriert werden und einen Großteil der digitalen Wartung automatisch steuern. Das bedeutet, dass Unternehmen einen Ingenieur benötigen, der diesen Data-Science-Prozess versteht und diesen Data-Science-Prozess angemessen in Geschäftssysteme integriert. Fujimaki nennt diese Art von Menschen „Data-Science-Talente“.

Ein Data Scientist ist ein integraler Bestandteil, aber es sind viel mehr Rollen erforderlich, um ein Data-Science-Projekt abzuschließen.

Lösungen wie dotData helfen, dieses Problem zu lösen, den Aufwand zu teilen und Lücken zu schließen, indem sie Data Science und maschinelles Lernen automatisieren.