Beeline Data School, für Manager



    Hallo habr

    Also starteten wir das dritte Jahr der Beeline Data School . Einen ausführlichen Unterrichtsbericht eines Teilnehmers finden Sie hier .

    Wir werden auch Berichte über die Arbeit der Schule auf der offiziellen Facebook-Seite der Schule veröffentlichen . Dort beantworten wir Fragen, die auch an dataschool@beeline.digital gesendet werden können.

    Wir sammeln den 4. Kurs, der am 4. April beginnt. Wie immer auf der Schulseite aufzeichnen .

    In diesem Beitrag geht es jedoch nicht nur darum. Bisher haben wir Analysten an der School of Data unterrichtet, wie man maschinelles Lernen einsetzt, um praktische Probleme zu lösen. Fast jede praktische Aufgabe beginnt jedoch mit einem Geschäftsbedürfnis und einem Geschäftsumfeld.

    Wir werden jetzt nicht darüber sprechen, dass zu Beginn von Big Data die wichtigsten Erkenntnisse und Anwendungen der Analytik eher von Daten ausgehen. Das gibt es sicherlich, aber in unserer Praxis geschieht dies im Verhältnis von 80 zu 20, wobei 80 Prozent aller Aufgaben für den Analysten oder noch mehr aus dem Geschäft stammen.

    Wie generiert ein Unternehmen diese Aufgaben, wenn es als Unternehmen die Datenanalyse nicht versteht? Ja, sehr einfach. In unserem Unternehmen haben wir einige Zeit damit verbracht, dem Unternehmen die Funktionen der Datenanalyse zu erläutern. Jetzt füllen uns verschiedene Abteilungen mit Aufträgen und entwickeln neue Anwendungen für diese Tools.

    Auf der anderen Seite dringen Daten und ihre Analysen, die einst das Vorrecht außergewöhnlich großer Unternehmen waren, heute überall ein, und selbst in Start-ups überlegen sie sich oft, wie sie mit diesen Daten umgehen sollen.

    Wie man Daten verwendet, um Angebote zu personalisieren und ein individuelles Produkt zu erstellen, wie man mit Abflüssen umgeht oder Zahlungsausfallrisiken minimiert, wie man mithilfe von Analysen den richtigen Standort für ein Geschäft auswählt, wie man Mitarbeiter segmentiert, um Motivationsschemata auszuwählen oder Entlassungen vorherzusagen, wie man Produkte effektiv empfiehlt, wie Profil Kunden, wie man mit programmatischer Werbung arbeitet.

    All diese Themen werden in zunehmendem Maße in verschiedenen Geschäftsbereichen zusammen mit anderen angesprochen. Beispielsweise hat ein Unternehmen viele Daten, weil es mit Daten von Telematikgeräten arbeitet: Was tun mit diesen Daten, wie kann man damit Geld verdienen? Oder wie macht man ein datengetriebenes Unternehmen, damit alle Entscheidungen auf Daten basieren: Wo soll man anfangen?

    Bisher war jeder den Fällen auf der Spur: dem erfolgreichen Einsatz von Analysen zur Lösung von Geschäftsproblemen. Fakt ist aber, dass jedes Geschäft ziemlich einzigartig ist und was für einige funktioniert, vielleicht nicht für andere, aber auf der anderen Seite liegt der Erfolg auf jeden Fall in den Details, aber niemand wird Ihnen diese Details und auch hiervon erzählen Business to Business nur diese Details können erheblich variieren.

    Daher müssen Sie alle erfolgreichen Anwendungen der Analytik in Ihrem Unternehmen selbst erfinden. Und um dies erfolgreich zu tun, müssen Sie die Möglichkeiten und Grenzen dieser Analyse kennen und sich als Geschäftsinhaber und Mitarbeiter Ihrer Abteilungen auskennen, da die meisten Anwendungen von diesen so nah wie möglich an den Geschäftsaufgaben generiert werden.

    Gleichzeitig ist es wichtig, nicht nur die Anwendungen der Analytik zu verstehen, sondern auch die Funktionsweise dieser Analytik sowie die Angabe des Problems. Wie lange dauert die Erstellung eines Modells, welche Daten werden benötigt, welche Genauigkeit ist erreichbar, welche Genauigkeit ist unter Berücksichtigung des Geschäftssinns erforderlich?

    Betrachten Sie dieses einfache Beispiel: Sie prognostizieren einen Anruf bei einem Callcenter, einen Betrug oder ein anderes seltenes Ereignis. Nehmen wir an, Sie müssen einmal täglich eine Kandidatenliste für diese Veranstaltung erhalten, wenn Sie frühzeitig mit Ihren Kunden Kontakt aufnehmen möchten oder wenn Sie Betrugsdelikte begehen, um diese zu unterdrücken.

    Angenommen, Ihre Analysten haben Sie zu einem Modell mit einer falsch positiven Klassifizierungsbewertung eines Anrufs oder Betrugs von 10% gemacht. Dies bedeutet, dass mit einer Wahrscheinlichkeit von 10% ein Kunde, der das Callcenter nicht anrufen wollte, als abgeholt eingestuft wird und ein Kunde, der keinen Betrug begangen hat, als Betrug eingestuft wird.

    Nehmen wir gleichzeitig an, dass die Wahrscheinlichkeit der korrekten Klassifizierung derjenigen, die das Callcenter anrufen oder einen Betrug begehen, 87% beträgt.

    Auf den ersten Blick ist das Modell nicht schlecht. Sie sparen viel Geld, indem Sie in 87% der Fälle die Anzahl der Anrufe beim Callcenter oder den Betrug reduzieren. Gleichzeitig klassifizieren Sie fälschlicherweise nur in 10% der Fälle diejenigen, die nicht anrufen oder betrügen wollten.

    Wir können uns jedoch daran erinnern, dass ein Anruf beim Callcenter pro Tag im Vergleich zum gesamten Kundenstamm relativ selten vorkommt, jedoch wie Betrug in einer normalen Situation. Angenommen, diese Aktionen betreffen auf die eine oder andere Weise 1% aller Kunden, was der Wahrheit ziemlich nahe kommt.

    In der Zwischenzeit muss unser Fehler von 10% auf 99% des gesamten Kundenstamms angewendet werden. Angenommen, Sie haben 1 Million Kunden. Dann stellt sich heraus, dass Sie sich an einen Tag wenden, um einen Anruf beim Callcenter zu verhindern oder den Service aufgrund eines Betrugsverdachts abzulehnen. 1 Million * 99% * 10% = 99.000 Kunden. Und wenn Ihre Basis 10 Millionen Kunden sind? Und wenn 100?

    Es stellt sich heraus, dass eine solche Genauigkeit überhaupt nicht zu Ihnen passt und Sie es vorziehen, die Genauigkeit zu opfern, mit der Sie diejenigen erraten, die wirklich anrufen, um die Fehler einer falschen Einbeziehung in die Prognose derjenigen zu unterschätzen, die nicht so viel wie möglich anrufen würden. Weil diese beiden Werte miteinander verbunden sind.

    Betrachten Sie ein anderes Beispiel. Sie möchten, dass Analysten Ihnen ein Abflussmodell erstellen. Zunächst muss vereinbart werden, was als Abfluss betrachtet wird. In den meisten Fällen teilen Kunden dem Unternehmen nicht ausdrücklich mit, dass sie das Unternehmen verlassen haben, sondern hören einfach auf, die Dienste zu nutzen. Handelt es sich dementsprechend um einen Abfluss, wenn sie Ihre Dienste 2 Wochen lang nicht genutzt haben? Was ist mit einem Monat? Was ist mit zwei? Dies muss im Voraus besprochen werden, denn was Sie als Zielvariable definieren, wird Ihr Modell vorhersagen.

    Und an welchem ​​Punkt sollte das Modell den Abgang in den Abfluss vorhersagen? Zu dem Zeitpunkt, zu dem der Kunde den Dienst seit einem Monat nicht mehr nutzt? Oder zu Beginn dieses Zeitraums oder vielleicht im Voraus, damit Sie Zeit haben, sich mit dem Kunden in Verbindung zu setzen und ihn zu behalten?

    Diese und viele andere Feinheiten bestimmen den Erfolg oder Misserfolg der Anwendung der Datenanalyse in jedem Fall.

    Es gibt noch globalere Fragen: Wo in der Organisationsstruktur des Unternehmens sollte sich eine Abteilung für die Arbeit mit Analysen befinden, ob es sich um eine Abteilung handelt oder ob sie auf verschiedene Funktionen verteilt werden kann, wie sollte die Organisationsstruktur der Abteilung sein, damit sie am effektivsten ist, welche Prozesse benötigt werden, welche Rollen .

    Um Ihnen all diese und ähnliche Fragen zu beantworten, haben wir Data-MBA , einen Kurs zur Datenanalyse für Manager, durchgeführt .

    In diesem Kurs werden alle grundlegenden Tools für die Datenanalyse sowie deren Anwendung in verschiedenen Geschäftsbereichen anhand von Beispielen, den damit verbundenen Feinheiten, den Möglichkeiten und Einschränkungen, den Prozessen, Technologien und vielem mehr, die für den Erfolg erforderlich sind, besprochen Verwenden von Datenanalysen zur Lösung von Geschäftsproblemen.

    Die erste Lektion ist der 16. Februar und dauert bis zum 12. Februar. Es ist keine spezielle Vorschulung erforderlich, wir erklären Ihnen alles im Klassenzimmer. Sie können melden Sie sich hier .

    Jetzt auch beliebt: