Acelere insights de negocio con soluciones automatizadas de Data Science y Machine Learning

Los científicos de datos son cruciales en el éxito de proyectos de data science. Pero no pueden hacerlo solos. Necesitan ayuda de otros conjuntos de habilidades, así como soluciones de automatización.

Los datos, el petróleo que engrasa los engranajes de la máquina moderna. Pero hay un problema. Las organizaciones luchan por obtener insights de negocio de este nuevo poder.

En escasez

En el mercado, muchos clientes empresariales intentan construir equipos de data science muy grandes. Algunos intentan contratar cientos para lidiar con la explosión de datos; con fuentes que van desde entrada de clientes a dispositivos IoT —esto se convertirá en el canal principal.

Pero no es muy fácil, hay una enorme escasez de científicos de datos.

Están, como acuñó Gartner, los citizen data scientists —una persona que crea o genera modelos que usan analítica diagnóstica avanzada o capacidades predictivas y prescriptivas, pero cuya función principal está fuera del campo de la estadística y la analítica— pero proporcionan un papel complementario a los científicos de datos expertos. No reemplazan a los expertos, ya que no tienen la experiencia específica avanzada en data science para hacerlo.

Incluso con esto, muchas empresas realmente luchan por establecer un equipo de citizen data science, y mucho menos un equipo de científicos de datos.

Data science

La ciencia de datos se describe como un campo multidisciplinario que usa métodos científicos, procesos, algoritmos y sistemas para extraer conocimiento e insights de datos en varias formas, tanto estructurados como no estructurados, similar a la minería de datos.

Naturalmente, tiene muchos componentes diferentes. Uno de los cuales es machine learning, que es "la parte más divertida de la data science", según Ryohei Fujimaki, CEO y fundador en dotData.

El verdadero dolor que enfrentan las empresas está en el lado de los datos —construir los conjuntos de datos para que estén maduros para que se les aplique data science. Los datos son muy complejos, y cuando se recopilan en la empresa no se almacenan para propósitos de machine learning y data science. Se almacenan para propósitos de negocio; en gráficos, por ejemplo.

Las empresas tienen que transformar estos datos de negocio al formato de machine learning, lo que se llama "feature learning", dice Fujimaki. "Y básicamente tenemos que aplicar mucho conocimiento de dominio para ejecutar los datos".

Así que, en este clima, donde el talento escasea pero los datos siguen fluyendo, es necesario automatizar el proceso de extremo a extremo de data science; incluyendo los datos en el pipeline de features.

Obteniendo insights y impulsando acciones

El machine learning puede predecir, pronosticar e identificar nuevos clientes, y en servicios financieros, por ejemplo, quién tiene más riesgo. Esta predicción* impulsa la automatización de procesos de negocio. El negocio central se integra con el sistema de negocio y dispara alguna acción de negocio automáticamente. De esta manera, hay muchas áreas para hacer un negocio mucho más eficiente.

Otro resultado muy importante del proceso de machine learning y data science son los insights de negocio. Los datos son muy complejos —y los expertos de la industria tienen conocimiento de dominio e intuición— pero hay mucho conocimiento oculto detrás de la enorme cantidad de datos que entran en la empresa. El machine learning o el proceso de data science normalmente puede descubrir algo desconocido, no visto o inesperado, incluso para un experto.

Ejemplo de dotData

dotData trabajó con un cliente bancario que aplicó su plataforma para predecir quiénes son los nuevos clientes que estarían interesados en un producto tipo préstamo hipotecario. Primero pensaron que este producto atraería a gente más joven. Pero, lo que encontraron fue que un tipo de cliente muy diferente estaba interesado, personas que eran un poco mayores en edad. Resultó que este segmento demográfico de cliente compraba este producto más que el demográfico joven predicho.

Este tipo de nuevo insight de negocio significó que el cliente pudo construir y diseñar una nueva campaña promocional para este segmento de cliente; o pueden diseñar un nuevo producto basado en este tipo de insight de negocio.

Automatizar el proceso de data science y machine learning produjo nuevos insights de negocio de los datos.

Los científicos de datos solos... no son suficientes

¿Qué tipo de conjuntos de habilidades necesitan las empresas para permitir que la data science extraiga resultados de negocio significativos? Lo primero es conocimiento matemático o estadístico, pero al mismo tiempo estas empresas tienen que descargar datos muy grandes, a gran escala, complejos —necesitan data engineering para esto.

"También, usar los mismos datos para resolver diferentes problemas de negocio, necesita diferente experiencia de dominio", dice Fujimaki.

Un buen científico de datos necesita tener un conjunto de habilidades matemáticas y estadísticas fuerte, pero a menudo no poseen habilidades de negocio e ingeniería de datos.

La escasez de científicos de datos es un obstáculo para cualquier proyecto de data science exitoso. Pero el problema es: los científicos de datos solos no son suficientes para completar un proyecto grande y complejo.

Los proyectos de data science exitosos necesitarán expertos de dominio, ingenieros de diseño y científicos de datos.

Una parte muy grande del proyecto de data science es la predicción* —necesita integrarse con el sistema de negocio y automáticamente impulsar mucho mantenimiento digital. Esto significa que las empresas necesitan un ingeniero que entienda este proceso de data science e integre apropiadamente este proceso de data science en sistemas de negocio. Fujimaki llama a este tipo de personas "talentos de data science".

Un científico de datos es integral, pero hay muchos más roles requeridos para completar un proyecto de data science.

Soluciones, como dotData, ayudan a resolver este problema y compartir el esfuerzo y salvar las brechas, automatizando data science y machine learning.