Machine learning, modelování, predikce... jsou na ně vaše data připravena? | Mňamka #192

Machine learning, deep learning, umělá inteligence - málokdo přesně ví, co se za těmito pojmy skrývá, ale zhruba každý člověk tuší, že budoucnost se bez nich neobejde. Machine learning neboli strojové učení proniká i do business sféry, kde pomáhá získat podnikům konkurenční výhodu - a kdo by ji nechtěl? Spousta firem je ochotna vynaložit nemalé prostředky na sestavení ML modelu, ale jen zlomek těchto modelů je nakonec úspěšně použit. Proč? Pojďme to vzít od začátku…

Dvě základní otázky

Pokud za námi přijdete s poptávkou na model, zeptáme se vás na dvě základní otázky: 1) jaká máte data a 2) jaký model potřebujete. Obě otázky jsou naprosto klíčové a úzce spolu souvisejí. Zaměřme se na tu první. Odpověď, kterou slýcháme často zní: “Jasně, máme X oddělení, každé sbírá data už řadu let, a když náhodou vypadnou systémy, tak to tam nasypem ručně”. To nám ale mnoho neřekne. 

Data

Pro model (a obecně pro jakoukoliv smysluplnou analýzu) potřebujeme, aby data byla kvalitní a byl jich dostatek. Model se na nich bude totiž trénovat. Sami si můžete představit, co je snazší - učit se z jasně strukturovaných poznámek, nebo z mnoha zdrojů, které jsou mezi sebou špatně provázané, označují totéž různými jmény, velké množství informací v nich úplně chybí a nejste se schopni v nich vyznat? Po očištění a “uklizení” dat se pak může ukázat, že použitelná je jen část. Jak velká ta část musí být, aby se na ni dal postavit model, nám napoví druhá otázka.

Model

Modelů existuje celá řada. Někdo chce předvídat odchod zákazníka, jiný chce rozsegmentovat uživatele podle jejich chování, aby na ně mohl lépe cílit reklamu. Modely, které jsou vázány na nějakou časovou proměnnou, mají obecně daleko striktnější požadavky na data. Například pokud chceme předpovídat sezónní chování, musíme mít dostatek dat za několik sezón dozadu, pravděpodobně nám nebudou stačit poslední dva roky. U segmentace by dva roky mohly stačit bohatě. 

Tady si dovolím udělat malou odbočku. Připomeňme si, co bývá hlavním cílem modelu - navýšit revenue nebo zvýšit efektivitu nějakého procesu. Proto by měl být typ modelu vybrán tak, ať jeho implementace má co největší dopad. Jenže jak víme, že právě např. model segmenující uživatele je to, co firmu posune nejdál? Bez znalosti dat a předchozích analýz nijak. Proto není dobré se bezhlavě vrhat do modelování, pokud svá data neznám. 

Use case

Definování tzv. use case je základní stavební kámen odpovědi na druhou otázku, kterou jsme zmiňovali na začátku - vím, proč model chceme, co od něj očekáváme, co s jeho výsledky budeme dělat a kam nás to může posunout. Tady nesmí být žádná neznámá.

Osobně si myslím, že aby měl model co největší efekt, měl by být spíše třešničkou na dortu než první nástroj, po kterém sáhneme. Možná se najde někdo, kdo slíbí vytvoření modelu, aniž by vaše data viděl, ale jak říká náš Jirka “nevěřte šamanům”. Je spousta bubáků, kteří se během modelování mohou ukázat a zajistí, že se úspěšnost modelu bude rovnat tahání karet z klobouku (v poslední době to může být typicky odlišné chování zákazníků během pandemie). Předchozí analýza (tzv. feasibility study) odhalí největší rizika a ukáže, zda je rozumné se do modelu pouštět, jaké může mít limity, a nebo, že je potřeba prostě počkat a sesbírat více dat.

Myslíte si, že jste ve fázi, kdy má smysl nad modelem uvažovat? Znáte svá data, víte, jak by vám mohl model pomoci? Nebo jste zatím ve fázi, kdy byste rádi koukli na svá data a zjistili, co se s nima dá dělat a jak je na budoucí modelování připravit? Neváhejte se nám ozvat, rádi to s vámi probereme :)

Máte k článku nějaké otázky nebo připomínky? Klidně mi napište, ráda to s Vámi proberu :-)

Barbora Kacerovská
datový detektiv
LinkedIn

Jak na pavučinové grafy | Mňamka #437

Jak na pavučinové grafy | Mňamka #437

Pavučinové (neboli paprskové) grafy patří k nejimpozantnějším grafům, se kterými se v moderních byznysových vizualizacích můžete setkat. Hodí se např. k porovnání dvou produktů na základě široké škály různých ukazatelů. Nebo jsou hojně využívány ve sportovní analytice ke komparativnímu srovnání výkonů jednotlivých hráčů. Pro nezasvěcené publikum ale mohou být jen obtížně stravitelné. Dnes si proto ukážeme, jakých zásad se při vytváření pavučinových grafů držet a jak se v nich co nejlépe orientovat!

5 mýtů o cloudu | Mňamka #436

5 mýtů o cloudu | Mňamka #436

Řešit data v cloudu dává smysl čím dál většímu počtu firem. A není se čemu divit, cloud totiž nabízí neuvěřitelnou flexibilitu a jednoduchost použití. Přesto se ale stále najde spousta firem, které jedou kompletně on-premise a s přechodem na cloud váhají. Někdy má takové rozhodnutí objektivní důvody, často ale bývá spíše výsledkem mylných představ, které o cloudových datových skladech panují. A právě na to si posvítíme v této mňamce. Pojďte se se spolu s námi podívat na 5 nejčastějších mýtů o cloudu!

Pandas – k čemu slouží, k čemu jej raději nepoužijeme a jeho alternativy | Mňamka #435

Pandas – k čemu slouží, k čemu jej raději nepoužijeme a jeho alternativy | Mňamka #435

Pandas je jednou z nejpoužívanějších knihoven pro zpracování dat v jazyce Python. Jeho největší předností je zejména jednoduchá a intuitivní syntaxe a také rychlost, se kterou můžete zpracovávat velké datové soubory. V BizzTreatu ho proto často využíváme např. pro ad hoc analýzy dat, kdy potřebujeme rychle prozkoumat, jak data vlastně vypadají a jaká je jejich kvalita. V dnešní mňamce od Báry si ukážeme, kde všude lze Pandas použít a jak si stojí v porovnání s ostatními knihovnami!