U svom prethodnom postu poku\u0161ala sam da objasnim evolutivni proces Data Science-a. Budu\u0107i da je re\u010d o \u0161irokoj disciplini, s obzirom na kontekst definisanog problema, Data Science mo\u017ee da obuhvati nekoliko oblasti, od statistike i ma\u0161inskog u\u010denja, do marketinga i modelovanja poslovnih procesa.<\/p>\n\n\n\n
Generalno, Data Science je multidisciplinarna oblast koja uklju\u010duje kombinovanje domena (biznisa) sa statistikom i razvojem softvera. \u0160ta to zna\u010di? U poslovnom svetu, osnovna uloga primene Data Science-a jeste izvla\u010denje poslovne vrednosti. Mogu\u0107nosti su beskrajne. Kori\u0161\u0107enje prediktivne analitike za razvoj scenarija i u svrhe dono\u0161enja odluka postalo je su\u0161tina strate\u0161kog planiranja. S druge strane, napredna analitika je presudna za optimizaciju operativnih delova u organizaciji. Ali, kako se sve to realizuje?<\/p>\n\n\n\n
Prvi korak u nauci o podacima je definisanje poslovnog problema koji treba re\u0161iti. Na primer, poslovni problem mo\u017ee se definisati preko nekih merljivih klju\u010dnih pokazatelja poslovanja – KPI-eva. KPI, na primer, mo\u017ee biti niska stopa konverzije, velika stopa churn-a ili visoki operativni tro\u0161kovi. Postoje metodologije koje obja\u0161njavaju \u0161ta zna\u010di definisati poslovni problem, ali ukratko – osim identifikacije samog problema, ovaj korak uklju\u010duje i \u0161iru definiciju – u smislu svih izvora podataka i KPI-eva koji opisuju problem i treba ih uklju\u010diti u analizu. Va\u017eno je odgovoriti i na glavna pitanja – za\u0161to taj problem treba re\u0161iti i koji su glavni benefiti? Jedna od naj\u010de\u0161\u0107ih gre\u0161aka koju menad\u017eeri \u010dine je da uhvate neku modernu re\u010d o kojoj svi pri\u010daju (i koju u ve\u0107ini slu\u010dajeva ne razumeju u potpunosti) i veruju da je to \u010darobni \u0161tapi\u0107 koji bi mogao da re\u0161i svaki problem. Ono \u0161to je va\u017eno jeste da se spre\u010di \u201el\u2019art pour l\u2019art\u201c na\u010din objektifikacije.<\/p>\n\n\n\n
Re\u0161enje poslovnog problema krije se me\u0111u podacima. \u010cesto se ka\u017ee – podaci pri\u010daju pri\u010du. Treba samo kopati dovoljno duboko, a odgovori \u0107e biti otkriveni. Me\u0111utim, u stvarnosti – to nije uvek slu\u010daj. Podaci samo odra\u017eavaju istoriju. Ona je u ve\u0107ini slu\u010dajeva vo\u0111ena nekim prethodnim akcijama i reakcijama, koje defini\u0161u odre\u0111eni skup okolnosti pod kojima se posmatra definisani problem. Statistika je tu da nam pomogne da osiguramo da imamo reprezentativan skup podataka i razumemo glavne zavisnosti izme\u0111u KPI-eva. Pomo\u0107u statisti\u010dke analize mo\u017eemo utvrditi prediktivnu mo\u0107 skupa podataka i razumeti njegova ograni\u010denja. \u0160tavi\u0161e, statistika je srce ma\u0161inskog u\u010denja i klju\u010dni deo napredne analitike, putem koje mo\u017eemo analizirati paterne unutar podataka, modelovati istorijsko pona\u0161anje i dobiti projekcije budu\u0107nosti.<\/p>\n\n\n\n
Razvoj softvera igra va\u017enu ulogu u Data Science-u. Menad\u017eeri \u010desto \u017eele re\u0161enja koja su pouzdana, skalabilna i automatizovana – \u0161to zahteva uklju\u010divanje razvoja softvera u proces analitike. To zna\u010di da bi svi algoritmi trebalo da budu sme\u0161teni u skripte, upakovane u fancy kontejnere, i da se pozivajupreko nekih API servisa. Tu se pojavljuje jedan od najve\u0107ih problema primene Data Science-a u poslovanju – menad\u017eeri smatraju da je za Data Science dovoljan samo jedan \u010dovek, dok bi to trebalo da bude zadatak \u010ditavog tima, uklju\u010duju\u0107i pojedince sa razli\u010ditim setom komplementarnih ve\u0161tina, od poslovnih i soft ve\u0161tina, preko programiranja i informatike, do matematike i statistike. Drugo pitanje je \u0161to mnogo organizacija pati od nedostatka tzv. \u201cdata literacy\u201d, bez definisane strategije podataka i procene i lo\u0161eg (ili bez ikakvog) iskustva sa digitalizacijom i transformacijom poslovanja. Ovo su glavni preduslovi uspe\u0161ne primene Data Science-a u poslovanju.<\/p>\n\n\n\n
Kada se radi ispravno, primene napredne analitike u poslovnom kontekstu su mnogobrojne. Od prediktivne analitike, pa sve do \u201c\u0161ta-ako\u201d scenarija i procesa data mining-a i optimizacije. Od maloprodaje, bankarstva, osiguranja, do nafte i gasa, vazduhoplovstva, telekomunikacija, …<\/p>\n\n\n\n
Sve \u0161to mo\u017eete da mislite – mo\u017ee biti plodno tlo za naprednu analitiku. Ideja je jednostavna – podaci pri\u010daju pri\u010du. Pri\u010da koja mo\u017ee dati odgovore na pitanja poput:<\/p>\n\n\n\n
Ova lista je samo kratak pregled pitanja koje menad\u017eeri \u010desto postavljaju. Me\u0111utim, napredna analitika i postoje\u0107e metode nisu svemogu\u0107e, a ne mo\u017ee se na svako pitanje odgovoriti samo pukom analizom uzoraka podataka, ali jedno je sigurno – \u201esvi su modeli pogre\u0161ni, neki su samo korisni\u201c, i to je ono \u0161to u ovoj beskona\u010dnoj igri opstanka u biznisu va\u017eno – da tra\u017eite korisne modele i primenite ih, kako biste podstakli rast i unapredili svoje poslovanje.<\/p>\n\n\n\n
U slede\u0107em postu govori\u0107emo o ma\u0161inskom u\u010denju i njegovim aplikacijama, kao i njegovoj povezanosti sa naukom o podacima i ve\u0161ta\u010dkom inteligencijom. Pratite nas i dalje!<\/p>\n","protected":false},"excerpt":{"rendered":"