Geschäftseinblicke beschleunigen mit automatisierten Data Science & Machine Learning Lösungen

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

Daten – das Öl, das die Zahnräder der modernen Maschine schmiert. Aber es gibt ein Problem. Organisationen kämpfen darum, Business Insights aus dieser neuen Macht zu gewinnen.

Knappes Gut

Am Markt versuchen viele Enterprise-Kunden, sehr große Data-Science-Teams aufzubauen. Einige versuchen, Hunderte einzustellen, um mit der Datenexplosion umzugehen – mit Quellen von Customer Input bis IoT-Geräten – das wird der Hauptkanal.

Aber es ist nicht einfach – es gibt einen massiven Mangel an Data Scientists.

Es gibt, wie Gartner prägte, Citizen Data Scientists – Personen, die Modelle erstellen oder generieren, die advanced diagnostische Analytics oder predictive und prescriptive Capabilities nutzen, deren primäre Jobfunktion aber außerhalb von Statistik und Analytics liegt – sie bieten eine komplementäre Rolle zu Expert Data Scientists. Sie ersetzen die Experten nicht, da ihnen die spezifische, fortgeschrittene Data-Science-Expertise fehlt.

Selbst damit kämpfen viele Enterprises wirklich, ein Citizen-Data-Science-Team aufzubauen, geschweige denn ein Data-Scientist-Team.

Data Science

Data Science wird als multidisziplinäres Feld beschrieben, das wissenschaftliche Methoden, Prozesse, Algorithmen und Systeme nutzt, um Wissen und Insights aus Daten in verschiedenen Formen – sowohl strukturiert als auch unstrukturiert – zu extrahieren, ähnlich wie Data Mining.

Natürlich hat es viele Komponenten. Eine davon ist Machine Learning – „der spaßigste Teil von Data Science“, laut Ryohei Fujimaki, CEO und Founder bei dotData.

Der echte Schmerz, den Enterprises haben, liegt auf der Datenseite – das Bauen der Datensets, damit sie reif für Data Science sind. Daten sind sehr komplex, und wenn sie im Enterprise gesammelt werden, sind sie nicht für Machine Learning und Data Science Zwecke gespeichert. Sie sind für Business-Zwecke gespeichert – in Charts zum Beispiel.

Businesses müssen diese Business-Daten in das Machine-Learning-Format transformieren, was „Feature Learning“ genannt wird, sagt Fujimaki. „Und im Grunde müssen wir viel Domain-Wissen anwenden, um die Daten laufen zu lassen.“

In diesem Klima, wo Talent knapp ist, aber Daten fließen, ist es notwendig, den End-to-End-Prozess von Data Science zu automatisieren – inklusive Daten in der Feature-Pipeline.

Insights gewinnen und Actions treiben

Machine Learning kann vorhersagen, neue Kunden identifizieren und im Finanzsektor z. B. bestimmen, wer das höchste Risiko hat. Diese Prediction* treibt Business Process Automation an. Der Kern-Business ist mit dem Business-System integriert und triggert automatisch Business-Actions. So gibt es viele Bereiche, ein Business viel effizienter zu machen.

Ein weiteres sehr wichtiges Outcome aus ML- und Data-Science-Prozess sind Business Insights. Daten sind sehr komplex – und Industry Experts haben Domain-Wissen und Intuition – aber es gibt viel verborgenes Wissen hinter der riesigen Datenmenge, die ins Enterprise strömt. Machine Learning oder der Data Science Prozess deckt meist etwas Unbekanntes, Ungesehenes oder Unerwartetes auf – selbst für Experten.

Beispiel von dotData

dotData arbeitete mit einem Banking-Kunden, der die Plattform anwandte, vorherzusagen, welche Neukunden an einem Hypothekenprodukt interessiert wären. Zuerst dachten sie, dieses Produkt würde jüngere Leute ansprechen. Aber was sie fanden: Ein sehr anderer Kundentyp war interessiert – Menschen, die etwas älter waren. Es stellte sich heraus, dass diese Demografie das Produkt mehr kaufte als die vorhergesagte jüngere Demografie.

Diese Art neuer Business Insight bedeutete, der Kunde konnte eine neue Promo-Kampagne für dieses Kundensegment bauen und designen; oder ein neues Produkt basierend auf diesem Business Insight designen.

Automatisierung des Data Science und Machine Learning Prozesses produzierte neue Business Insights aus den Daten.

Data Scientists allein … reichen nicht

Welche Skillsets brauchen Businesses, damit Data Science bedeutende Business Outcomes extrahieren kann? Erstes: mathematisches oder statistisches Wissen – aber gleichzeitig müssen diese Businesses sehr große, großskalige, komplexe Daten herunterladen – sie brauchen Data Engineering dafür.

„Auch die Nutzung derselben Daten für unterschiedliche Business-Probleme braucht unterschiedliche Domain-Expertise“, sagt Fujimaki.

Ein guter Data Scientist braucht starke mathematische und statistische Skills – aber oft besitzen sie keine Business- und Data-Engineering-Skills.

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

Erfolgreiche Data-Science-Projekte brauchen Domain-Experten, Design Engineers und Data Scientists.

Ein sehr großer Teil von Data-Science-Projekten ist Prediction* – es muss mit dem Business-System integriert werden und automatisch viel digitales Maintenance antreiben. Das heißt, Businesses brauchen einen Engineer, der diesen Data-Science-Prozess versteht und ihn angemessen in Business-Systeme integriert. Fujimaki nennt diese Typen „Data Science Talents“.

Ein Data Scientist ist integral, aber es gibt viele weitere Rollen, die nötig sind, um ein Data-Science-Projekt abzuschließen.

Lösungen wie dotData helfen, dieses Problem zu lösen und Aufwand zu teilen und Lücken zu überbrücken, indem sie Data Science und Machine Learning automatisieren.