Accélérez les insights métier avec des solutions automatisées de Data Science et Machine Learning

Les data scientists sont cruciaux dans le succès des projets de data science. Mais, ils ne peuvent pas le faire seuls. Ils ont besoin d'aide d'autres compétences, ainsi que de solutions d'automatisation.

Les données, l'huile qui graisse les engrenages de la machine moderne. Mais, il y a un problème. Les organisations luttent pour obtenir des insights métier de cette nouvelle puissance.

En pénurie

Sur le marché, de nombreux clients entreprise essaient de construire de très grandes équipes de data science. Certains essaient d'en embaucher des centaines pour faire face à l'explosion des données ; avec des sources allant de l'input client aux dispositifs IoT — cela deviendra le canal principal.

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

Il y a, comme Gartner l'a nommé, des citizen data scientists — une personne qui crée ou génère des modèles qui utilisent des analyses diagnostiques avancées ou des capacités prédictives et prescriptives, mais dont la fonction principale est en dehors du domaine des statistiques et de l'analytique — mais ils fournissent un rôle complémentaire aux data scientists experts. Ils ne remplacent pas les experts, car ils n'ont pas l'expertise spécifique avancée en data science pour le faire.

Même avec cela, de nombreuses entreprises luttent vraiment pour établir une équipe de citizen data science, sans parler d'une équipe de data scientists.

Data science

La data science est décrite comme un domaine multi-disciplinaire qui utilise des méthodes scientifiques, processus, algorithmes et systèmes pour extraire connaissances et insights de données sous diverses formes, tant structurées que non structurées, similaire au data mining.

Naturellement, elle a de nombreux composants différents. L'un d'eux est le machine learning, qui est « la partie la plus fun de la data science », selon Ryohei Fujimaki, PDG et fondateur de dotData.

La vraie douleur que les entreprises rencontrent est du côté données — construire les jeux de données pour qu'ils soient mûrs pour l'application de la data science. Les données sont très complexes, et quand elles sont collectées en entreprise, elles ne sont pas stockées pour des fins de machine learning et data science. Elles sont stockées pour des fins métier ; dans des graphiques, par exemple.

Les entreprises doivent transformer ces données métier en format machine learning, ce qu'on appelle « feature learning », dit Fujimaki. « Et fondamentalement nous devons appliquer beaucoup de connaissance domaine pour faire tourner les données. »

Donc, dans ce climat, où le talent est en pénurie, mais les données continuent d'affluer, il est nécessaire d'automatiser le processus de bout en bout de la data science ; y compris les données dans le pipeline de features.

Obtenir des insights et piloter des actions

Le machine learning peut prévoir, prédire et identifier de nouveaux clients, et dans les services financiers, par exemple, qui a le plus de risque. Cette prédiction* pilote l'automatisation des processus métier. Le cœur métier est intégré avec le système métier et déclenche automatiquement une action métier. De cette façon, il y a beaucoup de domaines pour rendre une entreprise bien plus efficace.

Un autre résultat très important du processus de machine learning et data science est les insights métier. Les données sont très complexes — et les experts du domaine ont la connaissance domaine et l'intuition — mais il y a beaucoup de connaissances cachées derrière l'énorme quantité de données entrant dans l'entreprise. Le machine learning ou le processus data science peut généralement découvrir 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 quels sont les nouveaux clients qui seraient intéressés par un produit de prêt hypothécaire. Ils pensaient d'abord que ce produit attirerait les jeunes. Mais, ce qu'ils ont trouvé, c'est qu'un type de client très différent était intéressé, des gens un peu plus âgés. Il s'est avéré que ce segment démographique de client achetait ce produit plus que le segment jeune prédit.

Ce type de nouvel insight métier a permis au client de construire et designer une nouvelle campagne promotionnelle pour ce segment client ; ou ils peuvent designer un nouveau produit basé sur ce type d'insight métier.

L'automatisation du processus data science et machine learning a produit de nouveaux insights métier à partir des données.

Les data scientists seuls... ne suffisent pas

Quels types de compétences les entreprises ont-elles besoin pour permettre à la data science d'extraire des résultats métier significatifs ? La première chose est la connaissance mathématique ou statistique, mais en même temps ces entreprises doivent télécharger des données très grandes, à grande échelle, complexes — elles ont besoin de data engineering pour cela.

« Aussi, utiliser les mêmes données pour résoudre différents problèmes métier, a besoin de différentes expertises domaine », dit Fujimaki.

Un bon data scientist a besoin d'avoir un solide ensemble de compétences mathématiques et statistiques, mais souvent, ils ne possèdent pas les compétences métier et data engineering.

La pénurie de data scientists est un obstacle pour tout projet de data science réussi. Mais, le problème est : les data scientists seuls ne sont pas assez bons pour compléter un grand projet complexe.

Les projets de data science réussis auront besoin d'experts domaine, d'ingénieurs design et de data scientists.

Une très grande partie du projet data science est la prédiction* — elle a besoin d'être intégrée avec le système métier et de piloter automatiquement beaucoup de maintenance digitale. Cela signifie que les entreprises ont besoin d'un ingénieur qui comprend ce processus data science et l'intègre appropriément dans les systèmes métier. Fujimaki appelle ces types de personnes « data science talents ».

Un data scientist est intégral, mais il y a beaucoup plus de rôles requis pour compléter un projet data science.

Des solutions, telles que dotData, aident à résoudre ce problème et partagent l'effort et comblent les gaps, en automatisant la data science et le machine learning.