Роман с Data Science. Как монетизировать большие данные. Роман Зыков

использующие свои данные. Вот рекомендации Патила, которые следуют из этого принципа:

      • Собирайте все данные, какие только возможно. Вне зависимости от того, строите ли вы просто отчетную систему или продукт.

      • Продумывайте заранее и делайте вовремя измерение метрик проектов.

      • Позвольте как можно большему количеству сотрудников знакомиться с данными. Множество глаз поможет быстрее выявить очевидную проблему.

      • Стимулируйте интерес сотрудников задавать вопросы относительно данных и искать на них ответы.

      Эти мысли я еще озвучу в главе про данные. А теперь самое время поговорить о том, что мы получаем на выходе анализа данных.

      Артефакты анализа данных

      Здесь и далее под артефактами я буду понимать осязаемый результат, физический или виртуальный объект.

      Рис. 2.1. Артефакты аналитики

      Их можно разделить на три вида (рис. 2.1):

      • артефакты бизнес-анализа данных (business intelligence);

      • артефакты машинного обучения (machine learning);

      • артефакты инженерии данных (data engineering).

      Поговорим о них подробнее.

      Бизнес-анализ данных

      Бизнес-анализ данных (Business Intelligence, BI) – термин уже устоявшийся. Вот какое определение дает Википедия:

      «Business Intelligence – это обозначение компьютерных методов и инструментов для организаций, обеспечивающих перевод транзакционной деловой информации в человекочитаемую форму, пригодную для бизнес-анализа, а также средства для работы с такой обработанной информацией».

      Под бизнес-анализом я подразумеваю объединение контекста бизнеса и данных, когда становится возможным бизнесу задавать вопросы к данным и искать ответы Первыми артефактами являются так называемые инсайты и гипотезы, вторыми – отчеты или дашборды, метрики и ключевые показатели (Key Performance Indicator). Поговорим подробнее об инсайтах и гипотезах.

      Гипотезы и инсайты

      Инсайт (insight) в переводе с английского – понимание причин. Именно за этим обращаются к аналитикам. В поиске инсайтов помогают аналитика и статистика:

      • Цель аналитики заключается [10] в помощи формулирования гипотезы.

      • Цель статистики [10] в том, чтобы эту гипотезу проверить и подтвердить.

      Это требует пояснений. В бизнесе, да и в жизни тоже, мы ищем причину проблемы, задавая вопрос «почему?». Не зная причины, мы не можем принять решение. В игру вступает аналитика – мы формулируем список возможных причин: это и есть гипотезы. Чтобы это сделать, нужно задать несколько вопросов:

      • Не происходило ли что-нибудь подобное раньше? Если да, то какие тому были причины? Тогда у нас будет самая первая и самая вероятная гипотеза.

      • Обращаемся к бизнес-контексту: не происходило ли каких-либо неординарных событий? Часто как раз параллельные события влияют на возникновение проблемы. Еще плюс пара гипотез.

      • Описательный анализ данных (exploratory data analysis): смотрим данные в аналитической системе (например, кубах OLAP), не видно ли каких-либо аномалий на глаз? Например,