Vad är Business-Centric Data Science? - dummies

Inom affärsverksamheten tjänar datavetenskap samma syfte som affärsintelligens gör - för att konvertera råa data till affärsinsikt som företagsledare och chefer kan använda för att fatta datainformerade beslut.

Om du har stora uppsättningar strukturerade och ostrukturerade datakällor som kanske inte är fullständiga och du vill konvertera dessa källor till värdefulla insikter för beslutsstöd över företaget, ring en datavetenskapare. Business-centrerad datavetenskap är multidisciplinär och innehåller de följande elementen:

• Kvantitativ analys: Kan vara i form av matematisk modellering, multivariat statistisk analys, prognoser och / eller simuleringar.

  Termen multivariate avser mer än en variabel. En multivariat statistisk analys är en samtidig statistisk analys av mer än en variabel åt gången.

• Programmeringsförmåga: Du behöver nödvändiga programmeringsförmåga för att både analysera rådata och göra dessa data tillgängliga för företagsanvändare.

• Företagskunskap: Du behöver kunskap om verksamheten och dess miljö så att du bättre kan förstå relevansen av dina resultat.

Datavetenskap är en banbrytande disciplin. Datavetenskapare använder ofta den vetenskapliga metoden för datautforskning, hypotesbildning och hypotesprovning (genom simulering och statistisk modellering). Affärscentrerade datavetenskapare genererar värdefulla datainsatser, ofta genom att utforska mönster och anomalier i företagsdata. Datavetenskap i ett företagskontext består vanligtvis av

• Interna och externa dataset: Datavetenskap är flexibel. Du kan skapa företagsdata mash-ups från interna och externa källor av strukturerad och ostrukturerad data ganska enkelt. (A data mash-up är en kombination av två eller flera datakällor som sedan analyseras tillsammans för att ge användarna en mer fullständig bild av situationen vid handen.)

• Verktyg, teknik och skillsets: Exempel här kan innebära att använda molnbaserade plattformar, statistisk och matematisk programmering, maskininlärning, dataanalys med hjälp av Python och R, och avancerad datavisualisering.

Som företagsanalytiker producerar företagscentrerade datavetenskapare beslutsfattande produkter för företagsledare och organisationsledare att använda. Dessa produkter innehåller analyspaneler och datavisualiseringar, men i allmänhet inte tabellrapporter och tabeller.

Data som är användbara i företagscentrerad datalogi

Du kan använda datavetenskap för att härleda företagsinsikt från standardiserade uppsättningar av strukturerad företagsinformation (precis som BI) eller från strukturerad, halvstrukturerad och ostrukturerad uppsättning stora data.Datavetenskapslösningar är inte begränsade till transaktionsdata som sitter i en relationsdatabas; du kan använda datavetenskap för att skapa värdefulla insikter från alla tillgängliga datakällor. Dessa datakällor inkluderar

• Transaktionsaffärsdata: En prövad och sann datakälla är transaktionsaffärsdata den typ av strukturerad data som används i traditionell BI och innehåller hanteringsdata, kundservicedata, försäljnings- och marknadsföringsdata, operativa data och uppgifter om anställdas prestanda.

• Sociala data relaterade till varumärke eller verksamhet: En senare fenomen innehåller de data som omfattas av denna rubrik de ostrukturerade data som genereras via e-post, snabbmeddelanden och sociala nätverk som Twitter, Facebook, LinkedIn, Pinterest, och Instagram.

• Maskindata från affärsverksamheten: Maskiner genererar automatiskt dessa ostrukturerade data, som SCADA-data, maskindata eller sensordata.

  Akronymet SCADA hänvisar till S övervaknings C ontrol och D ata A förfarande. SCADA-system används för att styra fjärrstyrda mekaniska system och utrustning. De genererar data som används för att övervaka driften av maskiner och utrustning.

• Ljud, video, bild och PDF-fildata: Dessa väletablerade format är alla källor till ostrukturerad data.

Teknologier och färdigheter som är användbara i företagscentrerad datavetenskap

Eftersom datavetenskapens produkter ofta genereras av stora data är molnbaserade dataplatformlösningar vanliga inom fältet. Data som används i datavetenskap härrör ofta från data-engineered stora datalösningar, som Hadoop, MapReduce och Massively Parallel Processing.

Datavetenskapare är nyskapande, framtänkare som ofta måste tänka utanför boxen för att kunna lösa de problem de löser. Många datavetenskapare tenderar att använda öppen källkodslösningar när de är tillgängliga. Ur ett kostnadsperspektiv är detta tillvägagångssätt för de organisationer som anställer dessa forskare.

Business-centrerade datavetenskapare kan använda maskininlärningstekniker för att hitta mönster i (och härleda insikter från) stora dataset som är relaterade till en affärsverksamhet eller verksamheten som helhet. De är skickliga i matte, statistik och programmering, och de använder ibland dessa färdigheter för att generera prediktiva modeller.

De vet vanligtvis hur man programmerar i Python eller R. De flesta vet hur man använder SQL för att söka relevant data från strukturerad databaser. De är vanligtvis skickliga för att kommunicera datainsikten till slutanvändare. I affärsmässig datavetenskap är slutanvändare affärsförvaltare och organisatoriska ledare. Datavetenskapare måste vara skickliga på att använda verbala, muntliga och visuella medel för att kommunicera värdefulla datainsatser.

Även om affärscentrerade datavetenskapare tjänar en beslutsstödsroll i företaget, skiljer de sig från affärsanalysen eftersom de vanligtvis har stark akademisk och professionell bakgrund i matematik, vetenskap, teknik eller allt ovanstående. Detta sagt, affärscentrerade datavetenskapare har också en stark materiell kunskap om företagsledning.