Hva er Business-Centric Data Science? - dummies

Inne i virksomheten tjener datavitenskap samme formål som forretningsmessig intelligens gjør - for å konvertere Rå data i forretningsinnsikt som bedriftsledere og ledere kan bruke til å ta dataopplysningene.

Hvis du har store sett med strukturerte og ustrukturerte datakilder som kanskje ikke er fullført, og du vil konvertere disse kildene til verdifull innsikt for beslutningsstøtte på tvers av bedriften, kan du ringe til datavitenskapsmann. Business-sentrert datavitenskap er multidisiplin og inkorporerer følgende elementer:

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

  Begrepet multivariate refererer til mer enn én variabel. En multivariat statistisk analyse er en samtidig statistisk analyse av mer enn én variabel av gangen.

• Programmeringsferdigheter: Du trenger de nødvendige programmeringsevner for både å analysere rådata og gjøre disse dataene tilgjengelige for bedriftsbrukere.

• Forretningskunnskap: Du trenger kunnskap om virksomheten og miljøet slik at du bedre kan forstå relevansen av funnene dine.

Datavitenskap er en banebrytende disiplin. Datavitenskapsmenn bruker ofte den vitenskapelige metoden for datautforskning, hypotesestasjon og hypotesetesting (gjennom simulering og statistisk modellering). Business-sentriske datavitenskapere genererer verdifull datainblikk, ofte ved å utforske mønstre og anomalier i forretningsdata. Datavitenskap i en forretningskontekst består vanligvis av

• Intern og ekstern datasett: Datavitenskap er fleksibel. Du kan opprette forretningsdata mash-ups fra interne og eksterne kilder til strukturert og ustrukturert data ganske enkelt. (A data mash-up er en kombinasjon av to eller flere datakilder som deretter analyseres sammen for å gi brukerne en mer fullstendig oversikt over situasjonen ved hånden.)

• Verktøy, teknologier og skillsets: Eksempler her kan innebære bruk av skybaserte plattformer, statistisk og matematisk programmering, maskinlæring, dataanalyse ved hjelp av Python og R, og avansert datavisualisering.

Som forretningsanalytikere produserer forretningsmessige datavitenskapelige beslutningstakerprodukter for bedriftsledere og organisatoriske ledere å bruke. Disse produktene inkluderer analysepaneler og datavisualiseringer, men generelt ikke tabelldatarapporter og -tabeller.

Data som er nyttige i forretningsmessig datavitenskap

Du kan bruke datalogi til å utlede forretningsinnsikt fra standardstørrelser av strukturerte forretningsdata (akkurat som BI) eller fra strukturerte, halvstrukturerte og ustrukturerte sett med store data.Datavitenskapsløsninger er ikke begrenset til transaksjonsdata som sitter i en relasjonsdatabase; Du kan bruke datavitenskap for å skape verdifull innsikt fra alle tilgjengelige datakilder. Disse datakildene inkluderer

• Transaksjonsvirksomhetsdata: En korrekt og sann datakilde, transaksjonsvirksomhetsdata er typen strukturert data som brukes i tradisjonell BI, og inkluderer administrasjonsdata, kundeservicedata, salgs- og markedsføringsdata, operasjonelle data og ansattes ytelsesdata.

• Sosiale data relatert til merkevaren eller virksomheten: Et nyere fenomen inkluderer dataene som omfattes av denne rubrikken, de ustrukturerte dataene som genereres via e-post, direktemeldinger og sosiale nettverk som Twitter, Facebook, LinkedIn, Pinterest, og Instagram.

• Maskindata fra virksomheten: Maskiner genererer automatisk disse ustrukturerte data, som SCADA-data, maskindata eller sensordata.

  Akronymet SCADA refererer til S oppervisory C ontrol og D ata A oppkjøp. SCADA-systemer brukes til å styre fjernstyrte mekaniske systemer og utstyr. De genererer data som brukes til å overvåke driften av maskiner og utstyr.

• Lyd-, video-, bilde- og PDF-fildata: Disse veletablerte formatene er alle kilder til ustrukturerte data.

Teknologier og ferdigheter som er nyttige i forretningsmessig datavitenskap

Siden datavitenskapsproduktene ofte genereres av store data, er cloud-baserte dataplatformløsninger vanlige i feltet. Data som brukes i datavitenskap er ofte avledet av data-utviklede store dataløsninger, som Hadoop, MapReduce og Massively Parallel Processing.

Datavitenskapere er nyskapende, fremtids-tenkere som ofte må tenke utenfor boksen for å kunne finne løsninger på problemene de løser. Mange datavitenskapere har en tendens til åpen kildekode løsninger når de er tilgjengelige. Fra et kostnadsperspektiv, tilnærmer denne tilnærmingen organisasjonene som ansetter disse forskerne.

Business-sentriske datavitenskapsmenn kan bruke maskininnlæringsteknikker for å finne mønstre i (og utlede innsikt fra) store datasett som er relatert til en bransje eller forretningen som helhet. De er dyktige i matte, statistikk og programmering, og de bruker noen ganger disse ferdighetene til å generere prediktive modeller.

De vet generelt hvordan man programmerer i Python eller R. De fleste av dem vet hvordan man bruker SQL for å spørre relevante data fra strukturerte databaser. De er vanligvis dyktige til å kommunisere datainnsikt til sluttbrukere. I forretningsmessig datavitenskap er sluttbrukere forretningsledere og organisatoriske ledere. Datavitenskapsmenn må være dyktige på å bruke verbale, muntlige og visuelle midler for å kommunisere verdifulle datainnsikter.

Selv om forretningsmessige datavitenskapsmenn tjener en beslutningsstøttende rolle i bedriften, er de forskjellige fra forretningsanalytikeren ved at de vanligvis har sterk faglig og faglig bakgrunn i matte, vitenskap, engineering eller alt ovenfor. Dette sa, forretningsmessige datavitenskapsmenn har også en sterk substantiv kunnskap om bedriftsledelse.