Интерпретируемые объяснения сложных тем аналитики за (примерно) 5 минут или меньше.

Сколько раз вы слышали, что проекты по науке о данных терпят неудачу из-за отсутствия связи между бизнес-командами и командами по обработке данных? Если это случалось в вашей компании, сколько раз вы видели, как компания делала следующий шаг, чтобы действительно повысить квалификацию своих сотрудников? Для тех, кто сделал этот шаг, был ли это однодневный семинар, который, как ожидалось, будет иметь резонанс (навсегда)? Длительный курс, посвященный объяснению содержания аналитики?

Многим компаниям нужны аналитики — не только специалисты по данным, но и владельцы продуктов, которые мыслят аналитически, или менеджеры по маркетингу, которые могут интерпретировать аналитику и действовать на ее основе. Однако они не всегда (1) предоставляют значимые возможности обучения аналитике и (2) адаптируют контент для нетехнических сотрудников.

Следующая волна демократизации аналитики — это не лучший специалист по данным, а более осведомленная в аналитике рабочая сила, не занимающаяся аналитикой.

По моему опыту, учебный контент по аналитике сегодня в основном ориентирован на обучение аналитика данных или специалиста по данным, а не на обучение кого-то, кто может извлечь выгоду из аналитики, но не исключительно использовать ее в своей работе. Итак, я решил попробовать что-то новое, серию статей под названием Making Analytics Easier. Наука о данных и аналитика — это сложно и пугающе. В этой серии будут рассмотрены темы аналитики и переведены в интерпретируемые объяснения для людей, которые не склонны к цифрам, но хотят (или должны) знать об аналитике.

Итак, являетесь ли вы рекрутером для аналитиков, менеджером по продажам, изучающим информационные панели, или руководителем, пытающимся понять, как аналитика может повлиять на ваш бизнес, это для вас!

Предпочитаете видео? Посмотрите это видео на YouTube с похожим содержанием.

Что такое машинное обучение?

Слова «машинное обучение» могут вызвать мысли о роботах или научной фантастике. Хотя для понимания бэкенда может потребоваться человек с докторской степенью по математике, есть одна простая связь, которую вы можете установить, чтобы демистифицировать эту тему. Когда вы слышите о машинном обучении, просто подумайте о распознавании образов. Алгоритмы машинного обучения эффективно принимают входные данные (данные), находят закономерности и генерируют выходные данные (прогноз).

Возьмем пример — летом в пятницу днем ​​вы направляетесь в дом у озера, чтобы расслабиться на выходных. Вы замечаете, что движение особенно интенсивное по сравнению со вторником зимой. Вы могли бы разумно соединить точки, что существует связь между временем суток (полдень), днем ​​недели (пятница) и сезоном (лето) — и количеством автомобилей на дороге.

Если кто-то сказал, что собирается «использовать машинное обучение для прогнозирования трафика», то, по сути, он имел в виду, что будет использовать известные входные данные (время суток, день недели и сезон) для прогнозирования выходных данных (количество автомобилей на дороге). Модель найдет взаимосвязи или закономерности, существующие на основе прошлых данных (например, больше автомобилей на дорогах летом и меньше автомобилей на дорогах в среду), и использует эту информацию для прогнозирования будущего.

В другом примере, скажем, прошлым летом вы были менеджером магазина мороженого. Каждый день вы записываете общий объем продаж. Приближается конец лета, и вы хотите иметь представление о том, сколько продукции вы можете продать, чтобы (1) не остаться со слишком большим избытком в конце года и (2) не потерять потенциальные продажи за счет дефицита запасов.

Вы ищете образцы в дни особенно высоких или низких продаж. Вы замечаете, что в выходные, как правило, продается больше, чем в будни, и что в более жаркие дни продажи выше. Вы также замечаете, что у вас меньше продаж в дни, когда идет дождь — это машинное обучение в действии. Вы находите закономерности, которые коррелируют с продажами, и используете их для информирования будущих ожиданий продаж.

Модель машинного обучения будет использовать эти входные данные (температура, день недели, осадки) для прогнозирования общего объема продаж. Он будет искать закономерности — подобные тем, которые вы наблюдали, — и преобразовывать их в выходные данные.

Машинное обучение является мощным инструментом, поскольку оно может находить эти шаблоны в масштабе и улавливать тенденции, которые мы можем упустить. Мы можем распознать тенденции за один день трафика или за один магазин, но не за сотни дней или тысячи магазинов. Кроме того, мы предвзято относимся к нашим собственным предположениям и убеждениям, в то время как модель более объективна в поиске закономерностей.

Люди будут (намеренно или нет) представлять машинное обучение большой, тернистой и сложной темой. Это не означает, что вы не можете знать, когда его можно применить или на высоком уровне, что они делают.

Машинное обучение может быть полезно в вашей роли, если вы считаете, что во входных данных есть шаблоны, которые могут влиять на выходные данные — подумайте о примерах, например, когда будет трафик или какие факторы приведут к продажам мороженого. Есть ли закономерность в новых или ушедших клиентах, которую нужно изучить? Тенденцию использования продукта предсказать? Возможность допродажи клиентов, которые также купили товар?

Машинное обучение не чуждо — оно уже повсюду вокруг вас. Распространенными приложениями в вашей жизни могут быть рекомендации Netflix на основе прошлых сериалов, которые вы смотрели (определение шаблона в ваших предпочтениях при просмотре), или Instagram, отбирающий контент, который, по их мнению, вам понравится, на вкладке поиска ( распознавать закономерности в типах контента, с которым вы взаимодействуете).

Машинное обучение может показаться пугающим, но вы уже регулярно взаимодействуете с его приложениями в своей жизни и, вероятно, уже создаете подобные «ментальные модели» в своей повседневной жизни («Похоже, пойдет дождь» → Распознавание шаблон предыдущих ливней и связь его с тем, что вы видите сейчас).

Машинное обучение сложно, но понимать, что это такое, необязательно. Оставайтесь с нами для будущих тем или не стесняйтесь оставлять отзывы о концепциях аналитики, которые вы хотели бы видеть объясненными.

Хотите подключиться или узнать больше? Отправьте мне сообщение в LinkedIn!