Hvad er Business-Centric Data Science? - dummies

Inden for virksomhedens virksomhed tjener datalogi samme formål som business intelligence gør - at konvertere rå data til forretningsindsigt, som virksomhedsledere og ledere kan bruge til at træffe datainformerede beslutninger.

Hvis du har store sæt strukturerede og ustrukturerede datakilder, der måske eller ikke er komplette, og du vil konvertere disse kilder til værdifulde indsigter til beslutningstøtte på tværs af virksomheden, skal du ringe til en datalogiker. Business-centreret datalogi er tværfaglig og indeholder de følgende elementer:

• Kvantitativ analyse: Kan være i form af matematisk modellering, multivariat statistisk analyse, prognoser og / eller simuleringer.

  Udtrykket multivariate refererer til mere end en variabel. En multivariat statistisk analyse er en samtidig statistisk analyse af mere end én variabel ad gangen.

• Programmeringsfærdigheder: Du har brug for de nødvendige programmeringsfærdigheder til både at analysere rå data og gøre disse data tilgængelige for erhvervsbrugere.

• Erhvervskendskab: Du har brug for viden om forretningen og dets miljø, så du bedre kan forstå relevansen af ​​dine resultater.

Datavidenskab er en banebrydende disciplin. Datavidenskabsmænd anvender ofte den videnskabelige metode til dataudforskning, formodning af hypoteser og hypotesetestning (gennem simulering og statistisk modellering). Business-centreret datalogikere genererer værdifulde dataindblik, ofte ved at udforske mønstre og anomalier i forretningsdata. Datavidenskab i en erhvervskontekst består almindeligvis af

• Interne og eksterne datasæt: Datalogi er fleksibel. Du kan nemt oprette business data mash-ups fra interne og eksterne kilder til strukturerede og ustrukturerede data. (A data mash-up er en kombination af to eller flere datakilder, som derefter analyseres sammen for at give brugerne et mere fuldstændigt billede af situationen ved hånden.)

• Værktøjer, teknologier og skillsets: Eksempler her kan involvere brug af skybaserede platforme, statistisk og matematisk programmering, maskinindlæring, dataanalyse ved hjælp af Python og R, og avanceret datavisualisering.

Ligesom forretningsanalytikere producerer business-centreret datalogikere beslutningsstøtteprodukter til forretningsforvaltere og organisationsledere at bruge. Disse produkter omfatter analysepaneler og datavisualiseringer, men generelt ikke tabular data rapporter og tabeller.

Data, der er nyttige i business-centreret datalogi

Du kan bruge datalogi til at udlede forretningsindsigt fra standardstørrelser af strukturerede virksomhedsdata (ligesom BI) eller fra strukturerede, semistrukturerede og ustrukturerede sæt store data.Datavidenskabsløsninger er ikke begrænset til transaktionsdata, der sidder i en relationsdatabase; Du kan bruge datalogi til at skabe værdifulde indsigter fra alle tilgængelige datakilder. Disse datakilder indeholder

• Transaktionelle forretningsdata: En forsøgt og sand datakilde, transaktionsdata er den type struktureret data, der anvendes i traditionel BI, og omfatter ledelsesdata, kundeservicedata, salgs- og markedsføringsdata, operationelle data og medarbejderens præstationsdata.

• Sociale data relateret til mærke eller virksomhed: Et nyere fænomen omfatter de data, der er omfattet af denne rubrik, de ustrukturerede data, der genereres via e-mails, instant messaging og sociale netværk som Twitter, Facebook, LinkedIn, Pinterest, og Instagram.

• Maskindata fra forretningsdrift: Maskiner genererer automatisk disse ustrukturerede data, f.eks. SCADA-data, maskindata eller sensordata.

  Forkortelsen SCADA henviser til S upervisory C ontrol og D ata A cquisition. SCADA-systemer bruges til at styre fjernstyrede mekaniske systemer og udstyr. De genererer data, der bruges til at overvåge maskiner og udstyrs drift.

• Lyd-, video-, billed- og PDF-fildata: Disse veletablerede formater er alle kilder til ustrukturerede data.

Teknologier og færdigheder, der er nyttige i business-centreret datalogi

Da data-videnskaberne ofte genereres ud fra store data, er cloud-baserede dataplatformløsninger almindelige i området. Data, der bruges i datalogi, er ofte afledt af data-udviklede store dataløsninger, som Hadoop, MapReduce og Massively Parallel Processing.

Datavidenskabsmænd er innovative, fremtids-tænkere, som ofte skal tænke udenfor boksen for at kunne finde løsninger på de problemer, de løser. Mange dataforskere har tendens til at bruge open source-løsninger, når de er tilgængelige. Ud fra et omkostningsperspektiv er denne tilgang til gavn for de organisationer, der anvender disse forskere.

Business-centreret datavidenskabsfolk kan bruge maskinindlæringsteknikker til at finde mønstre i (og udlede indsigter fra) store datasæt, der er relateret til en forretningssted eller virksomheden som helhed. De er dygtige i matematik, statistik og programmering, og de bruger nogle gange disse færdigheder til at generere prædiktive modeller.

De ved generelt, hvordan man programmerer i Python eller R. De fleste af dem ved, hvordan man bruger SQL til at forespørge relevante data fra strukturerede databaser. De er sædvanligvis dygtige til at kommunikere dataindsigt til slutbrugere. I business-centreret datalogi er slutbrugere forretningsforvaltere og organisatoriske ledere. Datavidenskabsmænd skal være dygtige til at bruge verbale, mundtlige og visuelle midler til at kommunikere værdifulde dataindblikk.

Selvom business-centreret datavidenskabsfolk tjener en beslutningstagerrolle i virksomheden, adskiller de sig fra forretningsanalytikeren, idet de normalt har stærk faglig og faglig baggrund inden for matematik, videnskab, teknik eller alt ovenfor. Dette sagde, business-centreret datavidenskabsfolk har også en stærk materiel viden om virksomhedsledelse.