Percepat Wawasan Bisnis dengan Solusi Ilmu Data & Mesin Pembelajaran Otomatis

Ilmuwan data krusial dalam keberhasilan proyek ilmu data. Namun, mereka tidak dapat melakukannya sendiri. Mereka membutuhkan bantuan dari keterampilan lain, serta solusi otomatisasi.

Data, minyak modern

Data, minyak yang melumasi roda gigi mesin modern. Namun, ada masalah. Organisasi kesulitan mendapatkan wawasan bisnis dari kekuatan baru ini.

Keterbatasan pasokan

Di pasar, banyak pelanggan enterprise mencoba membangun tim ilmu data yang sangat besar. Beberapa mencoba merekrut ratusan untuk menghadapi peledakan data; dengan sumber yang berkisar dari input pelanggan hingga perangkat IoT — ini akan menjadi saluran utama.

Namun ini tidak mudah, ada kekurangan besar ilmuwan data.

Ada, sebagaimana Gartner sebut, ilmuwan data warga — seseorang yang menciptakan atau menghasilkan model yang menggunakan analitik diagnostik canggih atau kemampuan prediktif dan preskriptif, tetapi fungsi pekerjaan utamanya berada di luar bidang statistik dan analitik — tetapi mereka memberikan peran komplementer kepada ilmuwan data ahli. Mereka tidak menggantikan para ahli, karena mereka tidak memiliki keterampilan ilmu data canggih spesifik untuk melakukannya.

Meski begitu, banyak enterprise benar-benar kesulitan untuk mendirikan tim ilmu data warga, aside from tim ilmuwan data.

Ilmu data

Ilmu data digambarkan sebagai bidang multi-disiplin yang menggunakan metode ilmiah, proses, algoritma, dan sistem 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 berbeda. Salah satunya adalah pembelajaran mesin, yang adalah “bagian paling menyenangkan dari ilmu data”, menurut Ryohei Fujimaki, CEO dan pendiri dotData.

Nyeri nyata yang dihadapi enterprise ada di sisi data — membangun kumpulan data sehingga siap untuk diterapkan ilmu data. Data sangat kompleks, dan ketika dikumpulkan di enterprise, data tidak disimpan untuk tujuan pembelajaran mesin dan ilmu data. Data disimpan untuk tujuan bisnis; dalam grafik, misalnya.

Bisnis harus mentransformasikan data bisnis ini menjadi 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 terbatas, namun data terus mengalir, perlu untuk mengotomatisasi proses ujung-ke-ujung ilmu data; termasuk data dalam saluran fitur.

Mendapatkan wawasan dan mendorong tindakan

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

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

Contoh dari dotData

dotData bekerja dengan pelanggan perbankan yang menerapkan platformnya untuk memprediksi siapa pelanggan baru yang tertarik pada produk jenis pinjaman perumahan. Mereka pertama kali pikir produk ini akan menarik orang muda. Namun, apa yang mereka temukan adalah bahwa jenis pelanggan yang sangat berbeda tertarik padanya, orang yang sedikit lebih tua usianya. Ternyata, demografi pelanggan ini membeli produk ini lebih banyak dari pada demografi muda yang diprediksi.

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.

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

Ilmuwan data sendirian… tidak cukup baik

Jenis keterampilan apa yang diperlukan bisnis untuk memungkinkan ilmu data mengekstrak hasil bisnis yang bermakna? Hal pertama adalah pengetahuan matematika atau statistik, tetapi pada saat yang sama bisnis ini harus mengunduh data yang sangat besar, skala besar, kompleks — mereka membutuhkan rekayasa data untuk ini.

“Selain itu, menggunakan data yang sama untuk menyelesaikan berbagai masalah bisnis, membutuhkan keahlian domain yang berbeda,” kata Fujimaki.

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

Kekurangan ilmuwan data adalah hambatan untuk setiap proyek ilmu data yang berhasil. Namun, masalahnya adalah: ilmuwan data sendirian tidak cukup baik untuk menyelesaikan proyek kompleks yang besar.

Proyek ilmu data yang berhasil akan membutuhkan ahli domain, insinyur desain, dan ilmuwan data.

Sebagian besar dari proyek ilmu data adalah prediksi* — ini perlu diintegrasikan dengan sistem bisnis dan secara otomatis mendorong banyak pemeliharaan digital. Ini berarti bisnis membutuhkan insinyur yang memahami proses ilmu data dan secara tepat mengintegrasikan proses ilmu data ini ke dalam sistem bisnis. Fujimaki menyebut jenis orang ini “talenta ilmu data”.

Seorang ilmuwan data sangat penting, tetapi ada banyak peran lain yang diperlukan untuk menyelesaikan proyek ilmu data.

Solusi, seperti dotData, membantu menyelesaikan masalah ini dan membagi usaha serta menjembatani kesenjangan, dengan mengotomatisasi ilmu data dan pembelajaran mesin.