哪怕没有数据科学家你也能撑起一家公司!

原标题:还在为人才短缺头疼?你的公司也许并不需要数据科学家

要解决企业数据应用过程中的挑战,一方面要制定全局的数据战略;另一方面,要选择一款适合于自己的工具。对此,IBM Analyze通过引入大量Watson AI服务,大大降低了企业数据应用门槛,哪怕没有数据科学家,管理者和业务人员也能直观地了解企业管理和运营状态。

技术能够赋予企业前所未有的运营效率和创新的巨大空间,而企业要获得敏锐嗅觉和洞察能力,数据则是基础。它们是“慧眼”,能赋予管理者洞察;它们是“航海舵”,能把控企业的航向;它们也是“灯塔”,能照亮企业前行的道路。所以,未来企业的成功,将取决于其对数据的应用程度和效率。

根据对数据应用程度的不同,企业数字化可以大体划分为四个阶段:第一,借助电子表格和基础的BI工具进行报表分析,它回答的是“发生了什么”的问题;第二,创建企业的数据仓库,为企业决策制定、业务流程改进、成本控制、质量监测等提供所有类型数据支持,它回答的是“为什么会发生”的问题;第三,利用机器学习、深度学习模型进行业务“演练”和预测,它回答的是“会发生什么”的问题;第四,通过“数据+算力+算法”的AI平台将预测的结果反馈回系统中形成闭环信息流,对业务模式进行干预和优化,它回答的是“最好发生什么”的问题。

尽管近几年来数据量出现了暴增,但令人意外的是,当下大多数企业对数据的应用还停留在第一和第二阶段。据福布斯调查显示,在受访的企业中,有23%仍将电子表格作为数据分析的主要方式。虽然有41%的受访者表示正在使用预测模型进行更高级的预测分析,但其中19%的受访者使用的仍然是基础数据模型和回归模型等简单的数据分析方式。

造成这一结果的原因有很多,最重要的是数据应用过程中存在的一系列挑战。比如,数据质量和准确性难以衡量、数据科学人才不足、数据分析工具有限等等。而由于数据质量和数据分析能力的缺失,使得很多企业难以从有效分析中获得业务效益,因此投入产出比不明显,也进一步导致企业对于数据应用的投资更加“畏首畏尾”。

也就是说,要挖掘数据的价值,企业首当其冲要解决的就是数据质量和数据人才的问题。

构建数据分析闭环

数据科学人才的短缺是当下最令企业头疼的问题之一。由于数据科学是集统计学、计算机科学、机器学习和商业于一体的交叉学科,因此,从事数据科学分析工作的人通常也被要求是以上这些能力的综合体,这就为人才的获取和培养筑起了一个高门槛。

根据LinkedIn公司在去年8月发布的美国劳动力报告中提到:“具有数据科学技能的人才短缺问题几乎存在于美国的所有大城市。在全美国范围内,共缺少151717名具有数据科学技能的人,其中纽约市(34032人)、旧金山湾区(31798人)和洛杉矶(12251人)的人才短缺尤为严重。”而放眼全球市场,这样的人才短缺问题则更为严重。

当然,巧妇难为无米之炊,即便企业拥有最*的数据科学家,他们又拥有“万花筒”般的数据分析方法,如果数据质量无法保证,那么分析得到的结果一点用都没有。对此,企业必须根据业务的情况弄清楚数据的实际意义是什么,梳理出可用数据,剔除无用的垃圾数据和干扰的偏见数据,从“输入”端扼杀“输出”结果出错的可能性。

对此,在IBM看来,企业必须从全局出发制定数据战略,通过具有“智能”功能的分析解决方案,进行规划分析、描述性分析、诊断分析、预测分析和规范分析,帮助企业确定计划是什么、发生了什么、为什么发生以及接下来将发生什么。这才是一个完整的数据分析闭环。

哪怕没有数据科学家你也能撑起一家公司!

其中,要解决上述的数据质量识别问题,IBM认为首先就要利用相关的技术管理数据的盲点,在数据梳理过程中确定是否缺少数据、是否有数据不正确、是否有任何误导信息等等,唯有如此,才能为数字化转型的高楼打好数据的地基。而在此基础上,企业还必须明确数据与业务成果的相关性和因果关系,了解背后的驱动力,进而找出某一业务场景的关联数据,并以可视化的方式呈现给决策者。

另一方面,针对数据分析,IBM也认为,企业不应该满足于使用基础数据模型,而应该引入机器学习和其它更高级的分析模型组合,通过跨统计分析进行预测建模,才能最大程度挖掘数据价值,形成更完整的洞察,为管理者的全盘决策提供可信的参考。

灵活选择所需工具

那么,技术有没有可能弥补人才方面的不足?答案是肯定的。

据了解, IBM正在从数据收集、组织到分析、AI应用,为企业打造通往数字化的人工智能阶梯。其中,集成了大量数据科学工具和Watson AI服务的IBM Analyze,帮助企业解决的就是数据分析及AI应用阶段的问题。通过一站式解决方案,IBM Analyze能够使用机器学习为分析人员、数据专家和业务用户提供所需工具,帮助他们理解和分析数据、可视化信息、预测业务成果和实现自动化。

IBM Analyze由一系列丰富且功能强大的工具组成,一方面包括IBM Planning Analytics、IBM Cognos Analytics、IBM SPSS Modeler,以及IBM Cognos Controller、IBM SPSS Statistics、IBM ILOG CPLEX Optimization Studio等建模和分析工具;另一方面,还包括Watson Knowledge Catalog、Watson Studio、 Watson ML、Watson Openscale、Watson Assistant等Watson AI服务。

Watson的引入,大大降低了企业数据应用门槛,哪怕没有数据科学家,管理者和业务人员也能直观地了解企业管理和运营状态。举例来说,Watson Knowledge Catalog 可以帮助业务用户快速发现、管理分类,共享数据资产、数据集、分析模型及其与组织中其他成员的关系;Watson Studio可以支持用户在一体化环境中构建并训练 AI 模型,同时准备并分析数据;Watson Machine Learning 能够帮助用户在大规模生产环境中部署自主学习模型,并将 AI 集成到应用程序中;Watson Assistant可以帮助用户轻松构建智能客服,进而管理客户和员工的日常服务查询。

作为新加坡最大的人寿保险独家代理机构,新加坡保诚集团利用Watson Discovery 和Watson Assistant开发了业内首个聊天机器人askPRU,帮助其内部超过4600位理财顾问加快了解答产品和政策问题,改善了客户体验。通过实时解答问题,askPRU能够促进客户与理财顾问进行顺畅互动,显著减轻了呼 叫中心顾问的工作量,将呼叫中心平均等待时间缩短将近一半。同时,它还支持理财顾问更迅速地查找有关复杂客户问题的建议。

而为了给企业提供更灵活的选择,IBM Analyze还支持用户随时购买需要的服务和产品,通过灵活许可模式,企业可以根据需求的变化和增长来交换、混合、匹配和添加产品。

在这方面,母婴童行业零售领军品牌孩子王就选择基于Cognos Analytics、 Planning Analytics 和 SPSS Modeler三大组件构建了整合的营销分析支撑 平台,实现了向数据驱动型零售商的战略转型。该平台能够收集企业全景信息,通过全角度分析,建立有数据支撑的战略决策和行动转化机制、并对行动进行高效的监控和分析。同时通过建立报表、分析、行动三层管理机制,实现了从预测、计划/预算到监控分析、营销方案制定,到精准营销及模型再调优的完整闭环。最终,成为孩子王进行会员分类分级和精准营销的重要基础,使其投资回报率提升了30%。

总结来说,要解决数据应用过程中的挑战,企业一方面要制定全局的数据战略,构建数据分析闭环;另一方面,企业也不能吝于在技术方面的投入,更重要的是要选择一款适合于自己的工具,快速地抓住数据中蕴藏的机遇。

原文发布时间:2019-11-18
本文作者:高玉娴【原创】
本文来自云栖社区合作伙伴“至顶网”,了解相关信息可以关注“至顶网

上一篇:Hyperledger Fabric 2.x 动态更新智能合约


下一篇:​ 70%事故由轮胎引起,我们还依赖人工检测? ​