Automatisation de la science des données et de l'apprentissage automatique pour des informations commerciales

Les scientifiques des données sont essentiels au succès des projets de science des données. Mais, ils ne peuvent pas le faire seuls. Ils ont besoin de l'aide d'autres compétences, ainsi que de solutions d'automatisation.

Les données, le pétrole  qui graisse les rouages ​​de la machine moderne. Mais, il y a un problème. Les organisations ont du mal à obtenir des informations commerciales à partir de ce nouveau pouvoir.

En rupture de stock

Sur le marché, de nombreuses entreprises clientes essaient de constituer de très grandes équipes de science des données. Certains tentent d'en embaucher des centaines pour faire face à l'explosion des données; avec des sources allant des commentaires des clients aux appareils IoT – cela deviendra le canal principal.

Mais ce n'est pas très facile, il y a une énorme pénurie de data scientists.

Il existe, comme Gartner l'a inventé, des citoyens scientifiques des données – une personne qui crée ou génère des modèles qui utilisent des analyses de diagnostic avancées ou des capacités prédictives et prescriptives, mais dont la fonction principale est en dehors du domaine des statistiques et de l'analyse – mais ils jouent un rôle complémentaire pour scientifiques experts en données. Ils ne remplacent pas les experts, car ils ne disposent pas de l'expertise spécifique et avancée en science des données pour le faire.

Même avec cela, de nombreuses entreprises ont vraiment du mal à mettre en place une équipe de data science citoyenne, sans parler d'une équipe de data scientist.

Science des données

La science des données est décrite comme un domaine multidisciplinaire qui utilise des méthodes, des processus, des algorithmes et des systèmes scientifiques pour extraire des connaissances et des informations à partir de données sous diverses formes, à la fois structurées et non structurées, similaires à l'exploration de données.

Naturellement, il a de nombreux composants différents. L'un d'entre eux est l'apprentissage automatique, qui est "la partie la plus amusante de la science des données", selon Ryohei Fujimaki, PDG et fondateur de dotData.

La vraie douleur à laquelle sont confrontées les entreprises se situe du côté des données - la construction des ensembles de données afin qu'ils soient mûrs pour l'application de la science des données. Les données sont très complexes, et lorsqu'elles sont collectées en entreprise, elles ne le sont pas   stockées à des fins d'apprentissage automatique et de science des données. Elles sont stockées à des fins commerciales ; dans les graphiques, par exemple.

Les entreprises doivent transformer ces données commerciales dans le format d'apprentissage automatique, appelé "apprentissage des fonctionnalités", explique Fujimaki. "Et fondamentalement, nous devons appliquer beaucoup de connaissances du domaine pour gérer les données."

Ainsi, dans ce climat où les talents sont rares, mais où les données continuent de circuler, il est nécessaire d'automatiser le processus de bout en bout de la science des données ; y compris les données dans le pipeline de fonctionnalités.

Obtenir des informations et mener des actions

L'apprentissage automatique peut prévoir, prédire et identifier de nouveaux clients, et dans les services financiers, par exemple, qui présente le plus de risques. Cette prédiction* pilote l'automatisation des processus métier. L'activité principale est intégrée au système d'entreprise et déclenche automatiquement certaines actions commerciales. De cette façon, il existe de nombreux domaines pour rendre une entreprise beaucoup plus efficace.

Un autre résultat très important du processus d'apprentissage automatique et de science des données est la connaissance de l'entreprise. Les données sont très complexes - et les experts de l'industrie ont une connaissance du domaine et une intuition - mais il y a beaucoup de connaissances cachées derrière l'énorme quantité de données entrant dans l'entreprise. L'apprentissage automatique ou le processus de science des données peut généralement révéler quelque chose d'inconnu, d'invisible ou d'inattendu, même pour un expert.

Exemple de dotData

dotData a travaillé avec un client bancaire qui a appliqué sa plateforme pour prédire qui sont les nouveaux clients qui seraient intéressés par un produit de type prêt hypothécaire. Ils ont d'abord pensé que ce produit plairait aux plus jeunes. Mais, ce qu'ils ont découvert, c'est qu'un type de client très différent s'y intéressait, des personnes un peu plus âgées. Il s'est avéré que ce groupe démographique de clients achetait ce produit plus que le groupe démographique plus jeune prévu.

Ce type de nouvelles informations commerciales signifiait que le client pouvait créer et concevoir une nouvelle campagne promotionnelle pour ce segment de clientèle ; ou ils peuvent concevoir un nouveau produit basé sur ce type d'informations commerciales.

L'automatisation du processus de science des données et d'apprentissage automatique a produit de nouvelles informations commerciales à partir des données.

Les data scientists seuls… ne suffisent pas

De quel type de compétences les entreprises ont-elles besoin pour permettre à la science des données d'extraire des résultats commerciaux significatifs ? La première chose est la connaissance mathématique ou statistique, mais en même temps, ces entreprises doivent télécharger des données très volumineuses, à grande échelle et complexes ; elles ont besoin d'une ingénierie des données pour cela.

"En outre, l'utilisation des mêmes données pour résoudre différents problèmes commerciaux nécessite une expertise de domaine différente", déclare Fujimaki.

Un bon scientifique des données doit avoir de solides compétences en mathématiques et en statistiques, mais souvent, il ne possède pas de compétences en affaires et en ingénierie des données.

La pénurie de scientifiques des données est un obstacle à la réussite de tout projet de science des données. Mais le problème est le suivant :les scientifiques des données seuls ne sont pas assez bons pour mener à bien un grand projet complexe.

Les projets de science des données réussis nécessiteront des experts du domaine, des ingénieurs de conception et des scientifiques des données.

Une très grande partie du projet de science des données est la prédiction* - elle doit être intégrée au système de l'entreprise et entraîner automatiquement une grande partie de la maintenance numérique. Cela signifie que les entreprises ont besoin d'un ingénieur qui comprend ce processus de science des données et intègre de manière appropriée ce processus de science des données dans les systèmes d'entreprise. Fujimaki appelle ces types de personnes des "talents en science des données".

Un scientifique des données fait partie intégrante, mais il y a beaucoup plus de rôles requis pour mener à bien un projet de science des données.

Des solutions, telles que dotData, aident à résoudre ce problème, à partager les efforts et à combler les lacunes, en automatisant la science des données et l'apprentissage automatique.