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

Cirkulární graf co rozbil twitter | Mňamka #279

Cirkulární graf co rozbil twitter | Mňamka #279

V této mňamce se podíváme na trochu vizualizačního masakru, co udělal velký rozruch na Twitteru. Jde o graf, který vytvořili v New York Times a někteří ho už sedmí den roku 2022 nazvali nejhorší vizualizací tohoto roku. Jakožto každá trochu kontroverzní věc má i tento graf svoje obhájce. Co myslíte? Je to super způsob, jak ukázat timeline dat anebo to vypadá otřesně a někomu by měli sebrat licenci k vizuálním nástrojům?

Co je to Data Security? | Mňamka #278

Co je to Data Security? | Mňamka #278

V tomto článku se podíváme na základy toho, co je Data security neboli datová bezpečnost. V bizztreatu nám na security záleží, a myslíme si, že toto bude jedno z „hot“ témat roku 2022. Pojďme is tedy připomenout co se pod tímto výrazem skrývá. Pod odkazem se skrývá článek z dataversity, který vás navede na velké množství zdrojů o datové bezpečnosti například od MIT. Tak se pojďte podívat co je v bezpečnosti nového a proč je to tak důležité.

Ze života datového detektiva 4: Designér, architekt a konzultant #277

Ze života datového detektiva 4: Designér, architekt a konzultant #277

Je to tady, další článek ze seriálu „Ze života datového detektiva“, tentokrát se budeme bavit o tom co dělá architekt, designér a konzultant v Bizztreatu. Naše Verča vám to pěkně sepsala a je to fakt zajímavý čtení s hromadou prokliků na další zajímavý kontent od nás. Zajímá vás, jak to v bizztreatu s architekturou děláme? Jaký je postup pro architekta samotného? Nebo jak na architekturu navazuje datová kvalita a data governance? Pokud jste na jednu z těchto otázek odpověděli „ano“ tak šup na link a pusťte se do toho.