डेटा स्कूल: गणित और व्यवसाय को कैसे मिलाएं

क्या गणित और व्यवसाय को सफलतापूर्वक संयोजित करने से रोकता है?

यह पाठ व्यावसायिक लाभ के लिए बड़े डेटा टूल को सही तरीके से कैसे एकीकृत किया जाए, इस पर लेखों की एक श्रृंखला है।

लिटिल स्पॉइलर: सब कुछ बाहर काम करेगा, यदि आप व्यवसाय के बारे में खुद याद रखें।

यहां तक ​​कि 5 साल पहले, बड़ी कंपनियां एक नए-फंसे बिगडेट को पेश करना चाहती थीं। लेकिन कुछ वास्तविक प्रयोगकर्ता थे। अपवाद वे थे जिनके पास निश्चित रूप से डेटा का एक समूह था: दूरसंचार, बैंकिंग, इंटरनेट कंपनियां। और 2018 में, व्यवसाय खुद बड़े डेटा में विशेषज्ञता के लिए आते हैं, और सबसे अप्रत्याशित क्षेत्रों से: धातु विज्ञान, बीमा, विमान उद्योग।

मॉडल कहां से शुरू होता है?

बड़ा डेटा एक जादुई मंत्र बन गया है (अब ब्लॉकचेन इस मुकुट को पहनता है)। लेकिन जब तक वह मुख्य मिथक से छुटकारा नहीं पाती:

"अधिक या कम पर्याप्त गणितज्ञ एक मॉडल को कागज के टुकड़े पर स्केच कर सकता है, वे जल्दी से इसे लागू करेंगे, और उसके बाद आप एक कॉकटेल घूंट सकते हैं और बिक्री में वृद्धि देख सकते हैं।"

मैं अतिशयोक्ति करता हूं, लेकिन बहुत ज्यादा नहीं। मैं हमारे अभ्यास से एक उदाहरण दूंगा।

ईंटों के निर्माण का एक निर्माता है। छोटे, अनुभव और स्थापित बिक्री के साथ। ऐसे क्षणों में, कंपनियां अक्सर खुद से सवाल पूछती हैं: हम लागत को कम कैसे करेंगे और मुनाफे में वृद्धि करेंगे?

सुधार के लिए उम्मीदवार रसद था। ईंट वितरण में बहुत अराजकता थी, अग्रिम में ग्राहक की मांग का अनुमान लगाना मुश्किल था, इसलिए ईंधन और स्नेहक और वाहनों के मूल्यह्रास की लागत अनावश्यक थी। बड़े डेटा के बारे में जानने के बाद, कंपनी ने फैसला किया: हम भविष्यवाणी करेंगे कि जब ग्राहक निर्माण स्थलों पर ईंट चलाता है, तो जल्दी से इसे वहां भेजें। हमने पिछले आंकड़ों का विश्लेषण किया, एक मॉडल बनाया जिसने अनुकूलन के दिलचस्प प्रतिशत का वादा किया।

सभी खुशी ने सामान्य क्रम को तोड़ दिया। सबसे पहले, शीघ्र वितरण के लिए मशीनों को खोजना और मार्गों के माध्यम से सोचना आवश्यक था। दूसरे, ये मशीनें केवल कड़ाई से परिभाषित समय स्लॉट में लोड करने के लिए गोदाम में गिर सकती हैं, क्योंकि क्लाइंट मशीनों के आगमन का शेड्यूल कई हफ्तों पहले ही तैयार हो गया था। ग्राहकों को स्थानांतरित करना असंभव था। इसलिए, दक्षता राख थी।

यह पता चला कि हमने सामान्य "चलो भविष्यवाणी" के साथ शुरुआत की, और व्यापार प्रक्रिया को बदलना समाप्त कर दिया।

बड़ी डेटा समस्या में दो सेटिंग्स हैं: व्यापार और गणित। और उनका आदेश बस इतना ही है। एक मॉडल के निर्माण के लिए एक विश्लेषक लगाने से पहले, आपको तीन चरणों से गुजरना होगा।

1. कार्य को व्यवसाय के दृष्टिकोण से परिभाषित करें।

मान लें कि हम ग्राहकों के बहिर्वाह से लड़ना चाहते हैं। और उन्होंने भविष्यवाणी करने का फैसला किया कि खरीदारों का एक निश्चित समूह एक प्रतियोगी के पास जाने के करीब है। उनके लिए, हम रखने के लिए सभी प्रकार के बन्स बनाएंगे।

पहली नज़र में कार्य तुच्छ है। विश्लेषक ऐतिहासिक डेटा - दिवंगत और नियमित ग्राहकों - दोनों के संकेतों को प्राप्त करने के लिए मॉडल का निर्माण करता है। उदाहरण के लिए, मोबाइल ऑपरेटर के एक वास्तविक मामले में, अनाम ग्राहक का बहिर्वाह = ग्राहक संचार का उपयोग करना बंद कर दिया है। लेकिन कितना समय - एक सप्ताह, एक महीना, एक वर्ष - इसे "लीक" में दर्ज किए जाने के लिए चालू नहीं होना चाहिए?

इस कार्य को परिभाषित करने के कई तरीके हैं। यह एक तैयार किए गए व्यावसायिक टेम्पलेट के अनुसार संभव है। या ऐतिहासिक आंकड़ों के अनुसार - कितनी बार सब्सक्राइबर जिन्होंने एक महीने के लिए कनेक्शन रिटर्न का उपयोग नहीं किया है? और अगर ऐसा है - जितना 10%? उदाहरण के लिए, सब्सक्राइबर एक लंबी व्यावसायिक यात्रा पर था या दूसरे ऑपरेटर के सीमित हिस्से के लिए नेतृत्व किया गया था।

यह यहां महत्वपूर्ण है: जिसे "सम्मान" के रूप में माना जाना चाहिए - पूरी तरह से व्यावसायिक निर्णय।

किसी भी बड़ी डेटा इकाई की आवश्यक न्यूनतम 2 भूमिकाएँ हैं। पहला एक डेटा वैज्ञानिक है, जिस पर गणित और मॉडल का निर्माण होता है। दूसरे को अलग-अलग टीम से टीम के रूप में संदर्भित किया जाता है - उत्पाद के मालिक, उत्पाद प्रबंधक, व्यवसाय विश्लेषक। इस व्यक्ति का विवेक समस्या का सही कथन है। उनका मिशन ग्राहक के व्यवसाय की पेचीदगियों में तल्लीन करना है और उनके लिए आवश्यक उपकरणों का चयन करना है। इसके अलावा, सभी पक्षों के साथ सक्रिय संचार करने के लिए।

2. व्यापार के मामले की जाँच करें।

ठीक है, हम मॉडल पर फैसला करेंगे। लेकिन अनुकूलन हमें कितना खर्च करेगा?

एक ही बहिर्वाह लें। संभावित ग्राहकों को छोड़ने के लिए, आप सही संदेश के साथ कॉल या बीकन कर सकते हैं। या, यदि कोई संसाधन है, तो एक बोनस प्रदान करें। आप ग्राहक को उसके खर्चों का विश्लेषण करके अधिक आर्थिक रूप से दिलचस्प टैरिफ बता सकते हैं।

लेकिन जब से हम बोनस के बारे में सोच रहे हैं, तो यह हमारे ऐसे ग्राहकों पर खर्च है। और ठीक है, हम यह सुनिश्चित करने के लिए जानते हैं कि अगर कुछ नहीं किया गया था तो यह ग्राहक छोड़ देगा। लेकिन मॉडल उनकी भविष्यवाणियों में आदर्श नहीं हैं। हम किसी को सही पकड़ लेंगे। और, उदाहरण के लिए, वास्तव में संभावित "चिपर्स" का 20% ऐसा नहीं होगा। इस मामले में, हम उन्हें बोनस प्रदान करेंगे। इस पर कितना पैसा खर्च किया जाएगा, क्या यह हमारे मामले में अनुमन्य है? आपको ग्राहक आधार की मात्रा, बहिर्वाह के पैमाने को देखने और निरपेक्ष संख्याओं पर विचार करने की आवश्यकता है।

इसे पहली और दूसरी तरह की त्रुटियां कहा जाता है। हमें यह समझना चाहिए कि मॉडल के कार्यान्वयन के परिणाम दूर ले जाने से अधिक देंगे। और यह हमारे लिए स्वीकार्य अंतर होना चाहिए। इसके निर्माण से पहले मॉडल के लिए आवश्यकताएं बनती हैं। शायद वे इस तरह से सामने आएंगे कि एक वैज्ञानिक के रूप में समय बिताने की कोई जरूरत नहीं है।

3. योजना बनाएं कि परिणामों का उपयोग कैसे किया जाएगा।

"अर्थव्यवस्था का अभिसरण हो गया है," व्यवसाय का मामला हमें बताता है। "क्या हम अंत में मॉडल का निर्माण कर सकते हैं?"

जल्दी है। हमें यह सोचने की जरूरत है कि नतीजों का क्या होगा।

यहां हमें 200,000 लोगों का एक मॉडल मिलेगा जो हर महीने "सम्मान" में बदल सकते हैं। और हम उन्हें कॉल करने का निर्णय लेंगे। क्या हमारे पास सब से गुजरने का समय है? आखिरकार, संपर्क केंद्र रबर नहीं है।

एक और बिंदु - आपको यह समझने की आवश्यकता है कि ग्राहक के छोड़ने और वास्तविक प्रस्थान की भविष्यवाणी के बीच क्या समय अंतराल होगा। अगर भविष्य में ग्राहक "सूज" जाए तो हमें भविष्यवाणी की आवश्यकता क्यों है? आखिरकार, हमारे पास उनसे संपर्क करने का समय नहीं हो सकता है। लेकिन जिस क्षण से हम छोड़ते हैं, हम उत्तर देते हैं, भविष्यवाणी की सटीकता कम होती है। यहां फिर से, आपको प्लसस और जोखिमों के बीच इष्टतम की गणना करनी होगी।

और तीसरा बिंदु - हम अपनी व्यावसायिक प्रक्रियाओं में नवाचारों को कितनी जल्दी लागू कर सकते हैं? ईंट निर्माता के उदाहरण के साथ काम करने के लिए नहीं।

निष्कर्ष में

डेटा साइंटिस्ट के लिए एक स्पष्ट कार्य का रास्ता अपने आप में एक कार्य है।

यदि हमने सभी तीन बिंदुओं की जांच की, तो सब कुछ बदल गया और एक मॉडल दिखाई दिया, हम अगले मजेदार चरण - एकीकरण की प्रतीक्षा कर रहे हैं। मॉडल निर्माण और संबंधित गणित में आमतौर पर लगभग 20% समय लगता है। शेष 80% (और कभी-कभी बहुत अधिक, कंपनी के लचीलेपन के आधार पर) - उत्पादक में कार्यान्वयन। कई महीनों तक।

एक मॉडल सिर्फ एक एमवीपी है। हर कोई उन्हें बनाने के लिए प्यार करता है, क्योंकि हर कोई काल्पनिक परिणाम पसंद करता है। और फिर उन्हें वास्तविक व्यावसायिक प्रक्रियाओं में शुरू करने से ज्यादातर कंपनियों में स्टॉल लग जाते हैं। आखिरकार, सबसे मुश्किल काम डिबग किए गए आदेशों को बदलना है।

इसलिए, किसी भी बड़े डेटा प्रोजेक्ट में, एक डेटा वैज्ञानिक होना चाहिए, जिस पर गणित, व्यवसाय के लिए जिम्मेदार उत्पाद प्रबंधक, और परियोजना टीम के साथ एक परियोजना प्रबंधक। उत्तरार्द्ध को व्यवसाय प्रक्रिया को लागू करना और हिला देना होगा। कभी-कभी यह दर्दनाक और कठोर होता है। लेकिन केवल इस कॉन्फ़िगरेशन में, बड़े डेटा के साथ काम करना फायदेमंद हो सकता है।

हम विश्लेषकों और प्रबंधकों के लिए पाठ्यक्रमों में हमारे स्कूल ऑफ़ डेटा में व्यवसाय में डेटा एनालिटिक्स के अनुप्रयोग की इन और अन्य विशेषताओं को सिखाते हैं।

पोस्ट स्कूल ऑफ बिजनेस द्वारा संस्थापक के प्रकाशन के आधार पर तैयार किया गया था।