Was ist Business-Centric Data Science? - Dummies

Innerhalb des Geschäftsbetriebs dient Data Science dem gleichen Zweck wie Business Intelligence. rohe Daten in Business-Insights, die Führungskräfte und Manager verwenden können, um datenbasierte Entscheidungen zu treffen.

Wenn Sie große Mengen strukturierter und unstrukturierter Datenquellen haben, die möglicherweise nicht vollständig sind und Sie diese Quellen in wertvolle Erkenntnisse für die Entscheidungsunterstützung im gesamten Unternehmen umwandeln möchten, wenden Sie sich an einen Datenwissenschaftler. Business-centric Data Science ist multidisziplinär und beinhaltet die folgenden Elemente:

• Quantitative Analyse: Kann in Form von mathematischer Modellierung, multivariater statistischer Analyse, Prognose und / oder Simulationen erfolgen.

  Der Begriff multivariat bezieht sich auf mehr als eine Variable. Eine multivariate statistische Analyse ist eine gleichzeitige statistische Analyse von mehr als einer Variablen gleichzeitig.

• Programmierkenntnisse: Sie benötigen die notwendigen Programmierkenntnisse, um sowohl Rohdaten zu analysieren als auch diese Daten für Geschäftsbenutzer zugänglich zu machen.

• Betriebswissen: Sie benötigen Kenntnisse des Unternehmens und seiner Umgebung, damit Sie die Relevanz Ihrer Ergebnisse besser verstehen können.

Data Science ist eine Pionierdisziplin. Datenwissenschaftler verwenden häufig die wissenschaftliche Methode zur Datenexploration, Hypothesenbildung und Hypothesentests (durch Simulation und statistische Modellierung). Geschäftsorientierte Datenwissenschaftler generieren wertvolle Datenerkenntnisse, oft durch die Untersuchung von Mustern und Anomalien in Geschäftsdaten. Data Science in einem geschäftlichen Kontext besteht üblicherweise aus

• Interne und externe Datensätze: Data Science ist flexibel. Sie können Geschäftsdaten-Mashups aus internen und externen Quellen von strukturierten und unstrukturierten Daten relativ einfach erstellen. (A Data Mash-up ist eine Kombination aus zwei oder mehr Datenquellen, die dann gemeinsam analysiert werden, um den Benutzern eine umfassendere Sicht auf die vorliegende Situation zu bieten.)

• Tools, Technologien und Skillsets: Beispiele hierfür sind Cloud-basierte Plattformen, statistische und mathematische Programmierung, maschinelles Lernen, Datenanalyse mit Python und R sowie erweiterte Datenvisualisierung.

Wie Geschäftsanalysten produzieren auch geschäftsorientierte Datenwissenschaftler Entscheidungsunterstützungsprodukte für Führungskräfte und Führungskräfte. Diese Produkte umfassen Analytics-Dashboards und Datenvisualisierungen, im Allgemeinen jedoch keine tabellarischen Datenberichte und Tabellen.

Daten für geschäftsorientierte Datenwissenschaft

Sie können Data Science nutzen, um betriebswirtschaftliche Erkenntnisse aus standardisierten Mengen strukturierter Geschäftsdaten (wie BI) oder aus strukturierten, halbstrukturierten und unstrukturierten Mengen großer Datenmengen abzuleiten. Daten.Data Science-Lösungen sind nicht auf Transaktionsdaten beschränkt, die in einer relationalen Datenbank gespeichert sind. Mit Data Science können Sie wertvolle Erkenntnisse aus allen verfügbaren Datenquellen gewinnen. Zu diesen Datenquellen gehören

• Transaktionsdaten: Eine bewährte Datenquelle. Transaktionsdaten sind die im herkömmlichen BI verwendeten strukturierten Daten und umfassen Verwaltungsdaten, Kundendienstdaten sowie Vertriebs- und Marketingdaten. Betriebsdaten und Mitarbeiterleistungsdaten.

• Soziale Daten im Zusammenhang mit der Marke oder dem Unternehmen: Ein jüngeres Phänomen sind die unstrukturierten Daten, die durch E-Mails, Instant Messaging und soziale Netzwerke wie Twitter, Facebook, LinkedIn, Pinterest, und Instagram.

• Maschinendaten aus dem Geschäftsbetrieb: Maschinen generieren automatisch diese unstrukturierten Daten wie SCADA-Daten, Maschinendaten oder Sensordaten.

  Das Akronym SCADA bezieht sich auf die S Überwachung C Steuerung und D auf eine A Erfassung. SCADA-Systeme werden zur Steuerung von ferngesteuerten mechanischen Systemen und Ausrüstungen eingesetzt. Sie generieren Daten, mit denen der Betrieb von Maschinen und Anlagen überwacht wird.

• Audio-, Video-, Bild- und PDF-Dateidaten: Diese gut etablierten Formate sind alle Quellen für unstrukturierte Daten.

Technologien und Skillsets, die in der unternehmenszentrierten Datenwissenschaft nützlich sind

Da die Produkte von Data Science häufig aus Big Data generiert werden, sind Cloud-basierte Datenplattformlösungen in diesem Bereich üblich. Daten, die in der Datenwissenschaft verwendet werden, stammen häufig von datengesteuerten Big-Data-Lösungen wie Hadoop, MapReduce und Massive Parallel Processing.

Data Scientists sind innovative Vordenker, die oft außerhalb der Box denken müssen, um Lösungen für die Probleme zu finden, die sie lösen. Viele Datenwissenschaftler tendieren zu Open-Source-Lösungen, wenn sie verfügbar sind. Aus Kostengesichtspunkten kommt dieser Ansatz den Organisationen zugute, die diese Wissenschaftler beschäftigen.

Business-centric-Data-Scientists können Techniken des maschinellen Lernens verwenden, um Muster in riesigen Datensätzen zu finden (und daraus Erkenntnisse abzuleiten), die sich auf eine Branche oder das Geschäft als Ganzes beziehen. Sie beherrschen Mathematik, Statistik und Programmierung und nutzen diese Fähigkeiten manchmal, um Vorhersagemodelle zu erstellen.

Sie können im Allgemeinen in Python oder R programmieren. Die meisten von ihnen wissen, wie sie SQL verwenden, um relevante Daten aus strukturierten Datenbanken abzufragen. Sie sind in der Regel geschickt darin, Daten zu den Endbenutzern zu kommunizieren - in der geschäftszentrierten Datenwissenschaft sind Endanwender Unternehmensleiter und Führungskräfte in der Organisation. Datenwissenschaftler müssen geschickt mit verbalen, mündlichen und visuellen Mitteln kommunizieren, um wertvolle Datenerkenntnisse zu vermitteln.

Obwohl geschäftsorientierte Datenwissenschaftler eine Entscheidungsunterstützungsfunktion im Unternehmen ausüben, unterscheiden sie sich von den Geschäftsanalysten insofern, als sie in der Regel starke akademische und berufliche Hintergründe in Mathematik, Naturwissenschaften, Ingenieurwesen oder allen oben genannten Bereichen haben. Dies bedeutet, dass geschäftsorientierte Datenwissenschaftler auch über fundierte Kenntnisse der Unternehmensführung verfügen.