El valor de tutoría es extremadamente valioso para nuestra empresa; capitaliza nuestro mayor activo: nuestros empleados. ciencia de datos puede ser compleja y desafiante, pero también gratificante y satisfactoria. Nos exige crecer continuamente, innovar y ampliar los límites de la Ciencia de Datos para nuestro Negocio y para nuestros Clientes. Contar con un mentor experimentado y de renombre que pueda guiar, motivar e inspirar continuamente a nuestro equipo es importante para seguir siendo competitivos.

Es para nosotros un gran placer y un orgullo anunciar que tenemos Dr. Olav Laudy como Mentor oficial de la empresa y Asesor de Confianza para reforzar nuestros Servicios de Ciencia de Datos en la tutoría. Durante los últimos años, el Dr. Laudy ha estado trabajando con varios miembros de AT Data Science Services - formal e informalmente - como Asesor de Confianza en temas como Metodología y Educación en Ciencia de Datos. Con este anuncio, ahora llevamos nuestra colaboración al siguiente nivel.

Con sus más de 15 años de experiencia intersectorial en la implementación de grandes e innovadores proyectos de ciencia de datos en todos los continentes, el Dr. Laudy tiene el historial necesario para hacer crecer, reforzar y perfeccionar las capacidades de nuestro equipo de forma práctica. Sus conocimientos sobre modelos estadísticos, identificación de casos de uso y superación de los retos de implementación son legendarios. ha tenido un impacto en el negocio de varios millones de dólares.

El Dr. Laudy ha publicado numerosos artículos sobre Metodología de la ciencia de datos que garantiza el éxito de la ejecución de los proyectos analíticos guiando la creación del modelo analítico a través de un proceso de gestión cuidadosamente elaborado.

Damos la bienvenida al Dr. Laudy y esperamos con impaciencia su tutoría. Como extra, a continuación encontrará una entrevista con el Dr. Laudy sobre el éxito de Proyectos de ciencia de datos.

Cómo convertir tus proyectos de ciencia de datos en un éxito

Entrevista con el Dr. Olav Laudy, Científico Jefe de Datos de IBM Analytics

El Dr. Olav Laudy, con sus amplios conocimientos y su dilatada experiencia en innumerables proyectos de ciencia de datos en diversos sectores de todo el mundo, comparte una perspectiva única sobre lo que las empresas están haciendo mal y la mejor manera de sacar el máximo partido de la ciencia de datos.

P: Dentro de IBM, se sabe que ha creado más de cien modelos predictivos para empresas de todo el mundo. Puede compartir algunos ejemplos de proyectos en los que haya participado?

Dr OlavEl proyecto: Ayudé a un gran minorista a construir su modelo analítico de la cadena de suministroLas predicciones del modelo indicaban la probabilidad de venta de cada producto en cada tienda y las predicciones se utilizaban para determinar la priorización de productos en el almacén. Los 125.000 productos de 600 tiendas dieron lugar a 75 millones de predicciones mensuales. El modelo predictivo optimizó el surtido de recambios, lo que, en última instancia, redundó en una mayor satisfacción del cliente al garantizar que siempre estuvieran disponibles los productos adecuados en las tiendas adecuadas y mantener al mínimo el surtido en stock. El proyecto era muy interesante porque era una mezcla entre la modelización analítica y despliegue de la modelos predictivos en la empresa. Esto último es un reto habitual para las empresas.

P: Pero una vez que se ha construido un modelo predictivo, la puntuación es la parte sencilla. ¿Puede explicar ese reto?

Dr OlavUn modelo como producto final de un proyecto de Ciencia de Datos no está en absoluto listo para ser desplegado. Normalmente requiere racionalización y mucha gobernanza antes de que sea aceptable para la empresa. La racionalización gira en torno a la comprensión de qué predicciones se utilizan y qué predicciones se ignoran. Por ejemplo, si el minorista vendió más de 10 artículos de un producto en una tienda el año anterior, y el modelo indicaba que la demanda para el próximo año sería muy baja, la empresa decidió anular la predicción y asegurarse de que el artículo no se retirara del surtido. Se trata de un ejemplo muy sencillo, pero demuestra que no se puede tomar cualquier predicción y aplicarla al contexto empresarial sin más.

La gobernanza tiene que ver con la creación de procesos para la puntuación de modelos con datos nuevos, la auditoría de esas puntuaciones, la validación continua de modelos con nuevas observaciones y la creación de procedimientos para gestionar la escalada si los modelos no funcionan como se esperaba. Todos estos procesos deben elaborarse cuidadosamente para que un proyecto analítico tenga éxito. Un científico de datos puro puede estar orgulloso de la alta puntuación AUC o F1 de un modelo predictivo, pero eso es sólo el principio del proceso de despliegue analítico. Yo siempre lo digo: un modelo es tan sólido como su despliegue.

P: Ya veo. Pero, ¿no es eso "solo" gestión de proyectos normal?

Dr OlavLa gestión de proyectos "normal" no conoce las sutilezas del trabajo con modelos analíticos. A una empresa le cuesta bastante esfuerzo convertirse en mente analítica. Puede que haya un científico de datos que sepa qué hacer con los datos, pero es la empresa la que tiene que aprender a apreciar el trabajo con datos. resultados analíticos. Por ejemplo, una vez trabajé con una empresa B2B que intentaba crear un programa de retención analítica. Tenían un servicio de atención al cliente que gestionaba las llamadas de clientes enfadados por problemas con el servicio. El modelo que construí era capaz de identificar a los clientes que probablemente se marcharían, con una tasa de éxito bastante alta. Sin embargo, cuando el "save desk" empezó a ponerse en contacto con esos clientes, no les pareció que el modelo funcionara, porque esperaban clientes enfadados al teléfono. En cambio, el modelo identificaba los problemas antes de que el cliente estuviera en su punto de ebullición. El save desk tuvo que dar un giro para convertirse en un servicio de relación con el cliente y, una vez que lo consiguieron, los análisis empezaron a funcionar para ellos.

P: ¿Cree que la cuestión de la implantación es el mayor obstáculo para que las empresas logren el éxito de la analítica?

Dr OlavPara mí todo empieza con el identificación de casos de uso. No se trata simplemente de decir: "Quiero predecir X, por favor aplique algún método de aprendizaje profundo". Un caso de uso es algo que debe elaborarse cuidadosamente. También veo aquí muchas oportunidades para los científicos de datos. El mercado se orientará hacia autopredicciones. Hoy en día ya existen múltiples ofertas de software que evalúan un gran número de modelos predictivos, ajustan algunos hiperparámetros y eligen el mejor modelo. ¿Significa esto que ya no se necesitan Científicos de Datos? Creo que es al contrario: necesitamos muchos más científicos de datos. Personas que tengan una visión analítica del negocio y la capacidad de preparar cuidadosamente los datos para responder exactamente a la pregunta de negocio correcta.

A menudo explico la Ciencia de Datos como la cocina: cuanto mejor equipo de cocina tengas, más sofisticados serán tus platos. No he visto ninguna cocina que se cocine sola. Es el científico de datos el que, en lugar de asar en una hoguera, tiene que aprender a manejar un horno moderno con sensores de temperatura y tiempo. Entonces, la pregunta ahora es: ¿la calidad del asado mejora por el horno o por el cocinero que sabe manejar el horno? Pues la respuesta es la segunda: aunque es un placer trabajar con el horno, es el arte del cocinero el que hace que la comida sea inolvidable.

P: Me gusta la analogía. ¿Puede ser más concreta? ¿Cómo se identifica un caso de uso?

Dr OlavHacerse las preguntas adecuadas es un buen comienzo: pregúntense lo siguiente:

– ¿Qué vas a hacer con las predicciones? Hay que tenerlo muy claro. No basta con decir "vamos a hacer marketing con ellos", hay que explicar cómo se va a actuar exactamente sobre la predicción. Esto también le obliga a pensar en el momento de los datos (cuándo estarán disponibles) y la opción de despliegue (automatización, canalización de datos, puntuación en tiempo real o por lotes). Con esto viene la pregunta:

– Para que el modelo tenga éxito, ¿cuál es la precisión mínima requerida? La respuesta fácil (empresarial) es 90%, pero rara vez se piensa en ello. Es mejor comprender la eficiencia del proceso actual y entender cuánto debe mejorar un modelo para conseguir alguna mejora en la proceso empresarial. De ahí se deriva la siguiente pregunta:

– ¿Cree que los datos darán lugar a la precisión requerida? Si los datos sólo contienen características globales (por ejemplo, estatus profesional en 6 categorías), esta planitud también se reflejará en las predicciones. Otra pregunta sencilla es: ¿con qué frecuencia cambian los datos de una persona (siempre que prediga un comportamiento)? Si la respuesta es: "rara vez", las predicciones rara vez cambiarán (es decir, cada mes que se puntúa a un cliente, se le da la misma probabilidad; piense en lo que esto implica para su estrategia de marketing).

P: Gracias, son muy buenos consejos. Como pregunta final, ¿tiene algo que decir a todos los científicos de datos?

Dr Olav: Mind the IA (Inteligencia Artificial) bombo. Muchas empresas apenas han análisis predictivo. Veo que las empresas sueñan con la IA -especialmente a nivel ejecutivo- como la solución de oro para no tener que lidiar más con los datos. Basta con recopilar todos los datos internos en un lago de datos, añadir datos externos como Facebook, Twitter, entradas de blog, y la nueva IA dará sentido a todo automáticamente. La verdad no podría estar más lejos. Aunque los modelos más avanzados de hoy en día hacen cosas sorprendentes, todos tienen algo en común: se basan en datos cuidadosamente seleccionados y conservados - normalmente sólo de uno o dos tipos a la vez (imágenes, texto, etc.). Esto significa que para la mayoría de los proyectos de ciencia de datos en las empresas, el bombo de la IA está muy lejos.

Mi mejor recomendación es: no sueñes con que tus modelos resolverán tus problemas, sino asegúrate de que lo que estás haciendo tiene sentido desde el punto de vista comercial. Profundice en los datos y deje que sus hallazgos guíen sus siguientes pasos exploratorios. La mente curiosa llegará de repente al momento "¡Ajá!" y entonces utilizará sus conocimientos sobre modelos de Ciencia de Datos para plasmar sus hallazgos en una estructura procesable. Esta es la verdadera creatividad basada en los datos, que para mí es la Ciencia de Datos definitiva.

Sobre el Dr. Olav Laudy

El Dr. Olav Laudy es Científico Jefe de Datos para IBM Analytics, Asia-Pacífico. En su puesto actual, ayuda a los clientes de IBM a identificar y cuantificar las oportunidades analíticas. Le gusta articular conceptos analíticos complejos en términos sencillos, contextualizados para el negocio, y es conocido por su capacidad para acelerar los despliegues analíticos. En su puesto anterior como Líder Mundial de Soluciones de Análisis Predictivo, estuvo en el nacimiento de muchos proyectos analíticos en todas las geografías e industrias como Telco, Banca, Automoción, Retail y Seguros. Es un apasionado de la monetización de datos basada en la analítica y el aprendizaje profundo.