Avec la création ou l'élargissement de sa stratégie analytique, il y a 12 malentendus sur l'analyse des données dans une attention supplémentaire.

Comprendre 1: L'analyse des données nécessite une grande quantité d'investissement aujourd'hui, il semble strict dans des investissements stricts dans chaque nouvelle technologie. Processus de dépistage des dépenses financières. "Combien ça coûte?" - comme l'un des problèmes que les responsables de l'entreprise et doivent prendre en compte la proposition de démarrer un projet ou de déployer de nouveaux outils.

Certaines personnes pensent que l'analyse des données est essentiellement un coût élevé, il est donc limité aux organisations commerciales ayant un grand nombre de budgets ou de ressources importantes. Mais ce n'est pas le cas. Il existe maintenant de nombreux outils open source et autres outils sur le marché pour aider à afficher des valeurs d'analyse des données; Et une grande architecture de données basée sur les systèmes de cloud seront beaucoup moins chères que les entrepôts de données traditionnels. Vous devez juste clarifier le stockage de données interneEt les problèmes seront résolus, vous pouvez facilement utiliser une analyse pour utiliser une analyse sur les questions commerciales.

De plus, une analyse des données est souvent utilisée pour mettre en œuvre trois résultats: améliorer l'efficacité du processus, reconnaître la croissance du revenu et la gestion des risques actifs, en général, en général, en général, en général, en général Général, en général, l'analyse des données est incluse dans toute entreprise. Efficacité importante.

COMPRENDRE 2: Vous devez "grandes données" pour effectuer une analyse


pour de nombreuses personnes, une grande récitation d'analyse de données et de concept est complétée, et les entreprises doivent collecter de grandes quantités de données avant d'effectuer une analyse, pour créer une compréhension commerciale, améliorer la prise de décision, etc.
Bien sûr, les avantages de l'analyse de données importante sont également clairs et les entreprises disposant de ces ressources utilisent un stockage de données important dans le cadre de la promotion du travail d'analyse et ont gagné un avantage concurrentiel important. Mais les grandes données ne sont pas une correspondance essentielle.

L'analyste a besoin d'une donnée spécifique, pas beaucoup plus de données. Pour mieux soutenir la prise de décision et l'amélioration des performances, les entreprises doivent envisager les utilisateurs d'entreprise, déterminer quelles données dont elles ont besoin, comment afficher les données, pas plus de données. Plus de 95% des utilisateurs trouveront des informations relatives à leur travail pour les aider à prendre des décisions. Les entreprises doivent donc leur fournir ces informations pour les aider à déterminer rapidement le poids des informations Quan.

Le procédé de système d'automatisation ne doit pas être sélectionné, mais la technologie construite par des êtres sensibles, Donc, tous les préjugés sont presque impossibles.
Certaines personnes pensent que l'analyse et l'apprentissage de la machine pour éliminer les préjugés humains, malheureusement, ce n'est pas une réalité. Algorithmes et analyses utilisant des "données de formation" pour ajuster et copieront toutes les caractéristiques des "données de formation"Dans certains cas, cela introduira des préjugés bénins au cours du processus d'analyse, mais peut également apporter plus de gravure. - Parce que "l'algorithme ne signifie pas que la réponse est juste ou utile.

Malentendu 4: Le meilleur algorithme signifie victoire absolue

L'événement a prouvé qu'il y avait suffisamment de données Parfois, l'algorithme n'a pas d'importance. Google Ingénieurs estiment que les données sont efficaces et efficaces, des modèles statistiques simples, ainsi que des données extrêmes doan et un "modèle remarquable intelligent" comprennent un grand nombre de fonctionnalités et de résumés pouvant exporter de meilleurs résultats. Par conséquent, dans certains cas, vous ne pouvez recevoir que vous pouvez obtenir le meilleur effet pour gérer une plus grande quantité de données.

MISSISTRECTION 5: L'algorithme est confidentiel

. Les gens têtus font confiance aux tissus statistiques et algorithmes et avec l'organisation de procédures analytiques, elles s'appuieront sur des modèles complexes à HDécisions de soutien. Cela peut être parce que les utilisateurs ne pensent pas qu'ils ont la capacité de contester les modèles, ils doivent donc croire en leur bâtiment "intelligent".

Par exemple, au cours des 50 à 60 dernières années, nous avons écouté à plusieurs reprises le discours «Intelligence artificielle de prendre en charge le travail des personnes dans les 20 ans», et certaines personnes ont encore une reconditionnement de cette vue. Il reste encore beaucoup de choses à faire avant de pouvoir croire complètement dans l'apprentissage de la machine et des résultats qu'ils commencent. Avant cela, nous devons défier ceux qui construisent des algorithmes et des modèles, laissez-les expliquer comment obtenir la réponse. Cela ne signifie pas que nous ne pouvons pas compter sur les résultats, mais nous avons besoin de transparence afin que nous puissions faire confiance et vérifier les résultats.

La science des données est un mystérieux "Art noir"

Ces dernières années, les données disciplinaires scientifiques ont beaucoup d'attention, parfois même produit avecAutres industries. Confus. Fondamentalement, la science des données implique d'utiliser tous les algorithmes en mode de recherche de données.

Les données scientifiques semblent être mystérieuses car ces algorithmes peuvent analyser davantage de variables et que les plus grandes données de données comprennent. Toutefois, avec l'expansion énergétique et le calcul de la mémoire au cours des dernières années, nous pouvons maintenant résoudre rapidement le problème que toute technologie peut résoudre il y a 10 ans, tout le monde a également compris que la science des données est le développement naturel de la technologie statistique médiocre. Mais une fois que vous comprenez les mathématiques, la science des données n'a pas de mystère.

Incompréonnage 7: Plus les scientifiques de données peuvent effectuer plus d'emplois scientifiques de données

Aujourd'hui, les scientifiques apprenant les données sont des majors techniques, les meilleures personnes. Mais s'ils repositionnent le travail, les organisations peuvent réduire le nombre de ces professionnels.

De nombreux scientifiquesC Données passe du temps aux opérations non à valeur ajoutée, telles que la recherche d'ensembles de données, l'envoi de données aux emplacements pouvant être traités, ainsi que la conversion et le nettoyage des données. Compte tenu de la difficulté de recruter des scientifiques, ces missions de faible valeur ne sont pas quelles entreprises veulent.

Les scientifiques de données doivent se concentrer sur les fonctionnalités de projet, l'extraction et l'analyse, au lieu de données autour des données, afin de pouvoir améliorer considérablement l'efficacité et la production de travail.

Incompréonnage 8: L'analyse prend beaucoup de temps

Aujourd'hui, complétant rapidement le travail - ou fournissant des services ou des services sur le marché, est toujours en rencontre avec la consultation. Les clients en temps réel, pour toute entreprise, qui est un facteur important qui affecte la compétitivité de base.

L'analyse semble être faite longtemps à exécuter, et c'est toujours un malentendu avec des objectifs de vitesseEt agile. Enfin, tout est lié au talent. Avec la combinaison de compétences appropriées et de méthodes rapides, de grandes questions peuvent également être répondues dans quelques jours ou quelques semaines, et pas quelques mois.

Malentendu 9: La technologie est la partie la plus difficile

, car la technologie peut être augmentée en permanence, la combinaison d'outils appropriés est déployée et intégrée et

Il est préférable d'obtenir Les résultats souhaités de l'équipe d'analyse

font toutefois une partie de l'intégration de la structure organisationnelle et du mode de fonctionnement, dans toute la teneur nécessaire pour prendre des ressources humaines, des processus et des vues techniques. Intégrer ensemble. Si vous pensez que seules les nouvelles technologies peuvent résoudre tout problème d'entreprise, l'architecture de données est établie sur la base de cette perception apportera à terme votre entreprise dans «WGS» ou que les informations ne sont pas compatibles avec personne.

La technologie ne peut résoudre le problème, le processus correct est: d'abord déterminer le problèmeBusiness, puis demander: "Quelles données dois-je résoudre ce problème?" Cela vous aidera à vous aider à déterminer la distance entre les données de contenu.
Compréhension 10: L'analyse des données doit être une partie distincte
dans certaines organisations, l'analyse des données est divisée en une zone distincte, tandis que d'autres ont une analyse de données profondément intégrée dans une croix -La groupe de formation.

Cependant, il a prouvé que des données dans tous les domaines d'activité, des vitesses explosives et des modifications ne fonctionnent pas lors de la création d'une analyse des données dans un département séparé. D'autre part, lorsque les entreprises deviennent plus centralisées, les analystes de données deviendront une unité commerciale. Ce noyau est indépendant du département indépendant avec le support de service.

De nombreux problèmes complexes auxquels sont confrontés les entreprises sont présents dans le service des affaires et nombre de ces problèmes sont cachés dans les données. Les scientifiques de données et les experts techniques travaillent en étroite collaboration avec leCe département d'affaires à utiliser de grands ensembles de données et d'intelligence artificielle deviendra la clé de l'incubation des produits, des services et de l'expérience client de l'incubation.

Incompréonnage 11: L'analyse de l'emploi n'est que pour le Dr
Je suis très heureux que nous ayons beaucoup de personnes bien éduquées dans le groupe analytique, mais ce n'est pas un analyse réussie. Conditions requises.
Les entreprises ont tendance à penser que si l'analyseur de données n'est pas un doctorat, ils ne pourront pas effectuer la meilleure analyse. Toutefois, l'analyse moderne nécessite de nombreuses compétences différentes - configurez une "cabane de la cupule" avec des compétences différentes, y compris des personnes dans des technologies émergentes et des logiciels open source, des architectes importantes données, des ingénieurs de données, des scientifiques de données, des professionnels de données visuelles, sont les plus importants.



Incompréonnage 12: L'intelligence artificielle détruira le travail et détruire l'économie

L'introduction de nouvelles technologies dans l'histoire perturbe de nombreux emplois et industries, les personnes sont également inquiets que la sagesse artificielle élimine les personnes nécessaires pour assumer certaines responsabilités. Bien que la solution de quiconque soit bien meilleure que de résoudre un certain nombre de problèmes, tels que quiconque pouvant lire plus vite, rappelez-vous de plus en plus de relations mathématiques mieux que le calcul de toute personne. Cependant, tout le monde ne peut pas traiter de nouveaux changements, c'est l'endroit pour l'humanité.

Assurez-vous que certains travaux ont disparu ou diminué en raison d'une augmentation de quiconque et cette tendance augmente encore. Malgré tout, nous comprenons et résolvons les avantages de "absolument imprévisibles" ne seront remplacés par aucune technologie AI actuelle. Dans un proche avenir, le moyen le plus efficace d'améliorer les capacités humaines via les systèmes d'AI, le remplacement de l'artisanat lourd. Bien que la sagesse artificielle mène à de nombreux emplois,Les gens deviendront une partie importante de cet écosystème commercial.