Mengotomatiskan ilmu data dan pembelajaran mesin untuk wawasan bisnis

Ilmuwan data sangat penting dalam keberhasilan proyek ilmu data. Tapi, mereka tidak bisa melakukannya sendiri. Mereka membutuhkan bantuan dari keahlian lain, serta solusi otomatisasi.

Data, minyak  yang melumasi roda penggerak mesin modern. Tapi, ada masalah. Organisasi berjuang untuk mendapatkan wawasan bisnis dari kekuatan baru ini.

Suplai terbatas

Di pasar, banyak pelanggan perusahaan mencoba membangun tim ilmu data yang sangat besar. Beberapa, mencoba untuk menyewa ratusan untuk menangani ledakan data; dengan sumber mulai dari masukan pelanggan hingga perangkat IoT — ini akan menjadi saluran utama.

Tapi itu tidak mudah, ada kekurangan besar ilmuwan data.

Ada, seperti yang diciptakan Gartner, ilmuwan data warga — seseorang yang membuat atau menghasilkan model yang menggunakan analitik diagnostik tingkat lanjut atau kemampuan prediktif dan preskriptif, tetapi fungsi pekerjaan utamanya berada di luar bidang statistik dan analitik — tetapi mereka memberikan peran pelengkap untuk ilmuwan data ahli. Mereka tidak menggantikan para ahli, karena mereka tidak memiliki keahlian ilmu data yang spesifik dan canggih untuk melakukannya.

Bahkan dengan ini, banyak perusahaan benar-benar berjuang untuk membentuk tim ilmu data warga, apalagi tim ilmuwan data.

Ilmu data

Ilmu data digambarkan sebagai bidang multi-disiplin yang menggunakan metode, proses, algoritme, dan sistem ilmiah untuk mengekstrak pengetahuan dan wawasan dari data dalam berbagai bentuk, baik terstruktur maupun tidak terstruktur, mirip dengan penambangan data.

Secara alami, ia memiliki banyak komponen yang berbeda. Salah satunya adalah pembelajaran mesin, yang merupakan “bagian paling menyenangkan dari ilmu data”, menurut Ryohei Fujimaki, CEO dan pendiri dotData.

Tantangan nyata yang dihadapi perusahaan adalah pada sisi data — membangun kumpulan data sehingga siap untuk diterapkan pada ilmu data. Data sangat kompleks, dan jika dikumpulkan di perusahaan, data tersebut tidak   disimpan untuk pembelajaran mesin dan tujuan ilmu data. Itu disimpan untuk tujuan bisnis; dalam bagan, misalnya.

Bisnis harus mengubah data bisnis ini ke dalam format pembelajaran mesin, yang disebut "pembelajaran fitur", kata Fujimaki. “Dan pada dasarnya kita harus menerapkan banyak pengetahuan domain untuk menjalankan data.”

Jadi, dalam iklim ini, di mana talenta tidak mencukupi, tetapi data terus mengalir, perlu untuk mengotomatisasi proses ilmu data ujung ke ujung; termasuk data dalam saluran fitur.

Mendapatkan wawasan dan mendorong tindakan

Pembelajaran mesin dapat memperkirakan, memprediksi, dan mengidentifikasi pelanggan baru, dan dalam layanan keuangan, misalnya, siapa yang memiliki risiko paling besar. Prediksi ini* mendorong otomatisasi proses bisnis. Bisnis inti terintegrasi dengan sistem bisnis dan memicu beberapa tindakan bisnis secara otomatis. Dengan cara ini, ada banyak area untuk membuat bisnis jauh lebih efisien.

Hasil lain yang sangat penting dari proses pembelajaran mesin dan ilmu data adalah wawasan bisnis. Data sangat kompleks — dan pakar industri memiliki pengetahuan dan intuisi domain — tetapi ada banyak pengetahuan tersembunyi di balik sejumlah besar data yang masuk ke perusahaan. Pembelajaran mesin atau proses ilmu data biasanya dapat mengungkap sesuatu yang tidak diketahui atau tidak terlihat atau tidak terduga, bahkan bagi seorang ahli.

Contoh dari dotData

dotData bekerja sama dengan nasabah perbankan yang menerapkan platformnya untuk memprediksi siapa nasabah baru yang akan tertarik dengan produk jenis pinjaman hipotek. Mereka pertama kali mengira bahwa produk ini akan menarik bagi kaum muda. Tapi, apa yang mereka temukan adalah bahwa tipe pelanggan yang sangat berbeda tertarik padanya, orang-orang yang usianya sedikit lebih senior. Ternyata, demografi pelanggan ini membeli produk ini lebih banyak dari perkiraan demografis yang lebih muda.

Jenis wawasan bisnis baru ini berarti pelanggan dapat membangun dan merancang kampanye promosi baru untuk segmen pelanggan ini; atau mereka dapat merancang produk baru berdasarkan jenis wawasan bisnis ini.

Mengotomatiskan ilmu data dan proses pembelajaran mesin menghasilkan wawasan bisnis baru dari data.

Ilmuwan data saja… tidak cukup baik

Jenis keahlian apa yang dibutuhkan bisnis untuk memungkinkan ilmu data mengekstrak hasil bisnis yang berarti? Hal pertama adalah pengetahuan matematika atau statistik, tetapi pada saat yang sama bisnis ini harus mengunduh data yang sangat besar, berskala besar, dan kompleks — mereka memerlukan rekayasa data untuk ini.

“Juga, menggunakan data yang sama dalam memecahkan masalah bisnis yang berbeda, membutuhkan keahlian domain yang berbeda,” kata Fujimaki.

Seorang ilmuwan data yang baik perlu memiliki keahlian matematika dan statistik yang kuat, tetapi seringkali, mereka tidak memiliki keterampilan bisnis dan rekayasa data.

Kekurangan ilmuwan data merupakan rintangan bagi setiap proyek ilmu data yang sukses. Namun, masalahnya adalah:ilmuwan data saja tidak cukup baik untuk menyelesaikan proyek besar yang kompleks.

Proyek ilmu data yang sukses akan membutuhkan pakar domain, insinyur desain, dan ilmuwan data.

Bagian yang sangat besar dari proyek ilmu data adalah prediksi* — ini perlu diintegrasikan dengan sistem bisnis dan secara otomatis mendorong banyak pemeliharaan digital. Ini berarti bahwa bisnis membutuhkan seorang insinyur yang memahami proses ilmu data ini dan secara tepat mengintegrasikan proses ilmu data ini ke dalam sistem bisnis. Fujimaki menyebut orang-orang seperti ini sebagai “bakat ilmu data”.

Seorang ilmuwan data merupakan bagian integral, tetapi ada lebih banyak peran yang diperlukan untuk menyelesaikan proyek ilmu data.

Solusi, seperti dotData, membantu memecahkan masalah ini dan berbagi upaya serta menjembatani kesenjangan, dengan mengotomatiskan ilmu data dan pembelajaran mesin.