Saat para pemimpin bisnis berusaha untuk mendapatkan hasil maksimal dari investasi analitik mereka, ilmu data yang demokratis sering kali tampaknya menawarkan solusi yang sempurna. Menggunakan perangkat lunak analitik dengan alat tanpa kode dan kode rendah dapat menempatkan teknik ilmu data ke tangan siapa pun secara virtual. Dalam skenario terbaik, hal ini mengarah pada pengambilan keputusan yang lebih baik dan kemandirian serta swalayan yang lebih besar dalam analisis data — terutama karena permintaan akan ilmuwan data jauh melebihi pasokan mereka. Tambahkan ke pengurangan biaya bakat (dengan lebih sedikit ilmuwan data berbiaya tinggi) dan lebih banyak penyesuaian yang dapat diskalakan untuk menyesuaikan analisis dengan kebutuhan dan konteks bisnis tertentu.
Namun, di tengah semua diskusi seputar apakah dan bagaimana mendemokratisasi ilmu data dan analitik, ada satu hal penting yang terlewatkan. Percakapan perlu ditentukan Kapan untuk mendemokratisasi data dan analitik, bahkan sampai mendefinisikan ulang apa arti demokratisasi.
Ilmu data dan analitik yang sepenuhnya didemokratisasi menghadirkan banyak risiko. Seperti yang ditulis Reid Blackman dan Tamara Sipes dalam artikel baru-baru ini, ilmu data itu sulit dan “ahli” yang tidak terlatih tidak dapat serta merta menyelesaikan masalah yang sulit, bahkan dengan perangkat lunak yang bagus. Kemudahan mengklik tombol yang menghasilkan hasil tidak memberikan jaminan bahwa jawabannya bagus — faktanya, jawabannya bisa sangat cacat dan hanya ilmuwan data terlatih yang akan mengetahuinya.
Itu hanya masalah waktu saja
Bahkan dengan reservasi ini, bagaimanapun, demokratisasi ilmu data akan tetap ada, sebagaimana dibuktikan oleh proliferasi perangkat lunak dan alat analitik. Thomas Redman dan Thomas Davenport adalah di antara mereka yang mengadvokasi pengembangan “ilmuwan data warga”, bahkan menyaring keterampilan dan bakat ilmu data dasar di setiap posisi yang disewa.
Demokratisasi ilmu data, bagaimanapun, tidak boleh dilakukan secara ekstrim. Analitik tidak harus ada di ujung jari setiap orang agar organisasi dapat berkembang. Berapa banyak orang yang sangat berbakat yang tidak akan dipekerjakan hanya karena mereka tidak memiliki “keterampilan ilmu data dasar?” Ini tidak realistis dan terlalu membatasi.
Saat para pemimpin bisnis ingin mendemokratisasi data dan analisis dalam organisasi mereka, pertanyaan sebenarnya yang harus mereka tanyakan adalah “kapan” hal itu paling masuk akal. Ini dimulai dengan mengakui bahwa tidak setiap “warga negara” dalam suatu organisasi memiliki keterampilan yang sebanding untuk menjadi ilmuwan data warga. Seperti yang dikatakan Nick Elprin, CEO dan salah satu pendiri Domino Data Labs, yang menyediakan ilmu data dan alat pembelajaran mesin untuk organisasi, dalam percakapan baru-baru ini, “Begitu Anda masuk ke pemodelan, masalah statistik yang lebih rumit sering mengintai di bawah permukaan.”
Tantangan Demokratisasi Data
Pertimbangkan rantai grosir yang baru-baru ini menggunakan metode prediktif canggih untuk menyesuaikan perencanaan permintaannya, dalam upaya untuk menghindari persediaan yang terlalu banyak (mengakibatkan pembusukan) atau terlalu sedikit (mengakibatkan hilangnya penjualan). Kerugian akibat pembusukan dan kehabisan stok tidak besar, tetapi masalah membatasinya sangat sulit dipecahkan mengingat semua variabel permintaan, musiman, dan perilaku konsumen. Kompleksitas masalah berarti bahwa rantai grosir tidak dapat menyerahkannya kepada ilmuwan data warga untuk mengetahuinya, melainkan memanfaatkan tim ilmuwan data yang bonafid dan terlatih dengan baik.
Kewarganegaraan data membutuhkan “demokrasi perwakilan,” seperti yang saya dan Elprin diskusikan. Sama seperti warga AS memilih politisi untuk mewakili mereka di Kongres (mungkin untuk bertindak demi kepentingan terbaik mereka dalam masalah legislatif), demikian juga organisasi memerlukan perwakilan yang tepat oleh ilmuwan data dan analis untuk mempertimbangkan masalah yang tidak dimiliki orang lain. untuk mengatasi.
Singkatnya, mengetahui kapan dan sejauh mana mendemokratisasi data. Saya menyarankan lima kriteria berikut:
Pikirkan tentang tingkat keterampilan “warga negara”: Ilmuwan data warga, dalam beberapa bentuk dan bentuk, akan tetap ada. Seperti yang dinyatakan sebelumnya, tidak ada cukup ilmuwan data untuk berkeliling, dan menggunakan bakat langka ini untuk mengatasi setiap masalah data tidak berkelanjutan. Lebih tepatnya, demokratisasi data adalah kunci untuk menanamkan pemikiran analitis di seluruh organisasi. Contoh yang terkenal adalah Coca-Cola, yang telah meluncurkan akademi digital untuk melatih manajer dan pemimpin tim, menghasilkan lulusan program yang dikreditkan dengan sekitar 20 inisiatif digital, otomasi, dan analitik di beberapa lokasi dalam operasi manufaktur perusahaan. .
Namun, ketika terlibat dalam pemodelan prediktif dan analisis data tingkat lanjut yang dapat mengubah operasi perusahaan secara mendasar, penting untuk mempertimbangkan tingkat keterampilan “warga negara”. Alat canggih di tangan seorang ilmuwan data bersifat tambahan dan berharga; alat yang sama di tangan seseorang yang hanya “bermain-main dengan data” dapat menyebabkan kesalahan, asumsi yang salah, hasil yang meragukan, dan salah tafsir hasil dan kesimpulan.
Mengukur pentingnya masalah: Semakin penting suatu masalah bagi perusahaan, semakin penting untuk memiliki seorang ahli yang menangani analisis data. Misalnya, membuat grafik sederhana tentang tren pembelian historis mungkin dapat dilakukan oleh seseorang dengan dasbor yang menampilkan data dalam bentuk yang menarik secara visual. Namun keputusan strategis yang memiliki dampak berarti pada operasi perusahaan membutuhkan keahlian dan akurasi yang andal. Misalnya, berapa banyak perusahaan asuransi harus membebankan biaya untuk sebuah polis sangat mendasar bagi model bisnis itu sendiri sehingga tidak bijaksana untuk menyerahkan tugas ini kepada non-ahli.
Tentukan kompleksitas masalah: Memecahkan masalah kompleks berada di luar kapasitas ilmuwan data warga pada umumnya. Pertimbangkan perbedaan antara membandingkan skor kepuasan pelanggan di seluruh segmen pelanggan (metrik yang sederhana dan terdefinisi dengan baik dan berisiko rendah) versus menggunakan pembelajaran mendalam untuk mendeteksi kanker pada pasien (kompleks dan berisiko tinggi). Kompleksitas seperti itu tidak dapat diserahkan kepada non-ahli yang membuat keputusan angkuh – dan berpotensi membuat keputusan yang salah. Ketika kompleksitas dan taruhannya rendah, data demokratisasi menjadi masuk akal.
Contohnya adalah perusahaan Fortune 500 tempat saya bekerja, yang menjalankan data selama operasinya. Beberapa tahun yang lalu, saya menjalankan program pelatihan di mana lebih dari 4.500 manajer dibagi menjadi beberapa tim kecil, yang masing-masing diminta untuk mengartikulasikan masalah bisnis penting yang dapat diselesaikan dengan analitik. Tim diberdayakan untuk memecahkan masalah sederhana dengan alat perangkat lunak yang tersedia, tetapi sebagian besar masalah muncul justru karena sulit dipecahkan. Yang penting, para manajer ini bukan dituntut untuk benar-benar menyelesaikan masalah sulit tersebut, melainkan berkolaborasi dengan tim ilmu data. Khususnya, 1.000 tim ini mengidentifikasi tidak kurang dari 1.000 peluang bisnis dan 1.000 cara analitik dapat membantu organisasi.
Berdayakan mereka yang memiliki keahlian domain: Jika sebuah perusahaan mencari beberapa wawasan “terarah” – pelanggan X lebih cenderung membeli produk daripada pelanggan Y – maka demokratisasi data dan beberapa ilmu data warga tingkat rendah mungkin sudah cukup. Faktanya, mengatasi jenis analisis tingkat rendah ini bisa menjadi cara yang bagus untuk memberdayakan mereka yang memiliki keahlian domain (yaitu, paling dekat dengan pelanggan) dengan beberapa alat data yang disederhanakan. Presisi yang lebih tinggi (seperti dengan taruhan tinggi dan masalah kompleks) membutuhkan keahlian.
Kasus yang paling menarik untuk presisi adalah ketika ada keputusan berisiko tinggi yang harus dibuat berdasarkan beberapa ambang batas. Jika rencana pengobatan kanker yang agresif dengan efek samping yang signifikan harus dilakukan, misalnya, kemungkinan kanker lebih dari 30%, penting untuk membedakan antara 29,9% dan 30,1%. Masalah presisi — terutama dalam bidang kedokteran, operasi klinis, operasi teknis, dan untuk lembaga keuangan yang menavigasi pasar dan risiko, seringkali untuk meraih margin yang sangat kecil dalam skala besar.
Tantang para ahli untuk mencari bias: Analitik lanjutan dan AI dapat dengan mudah mengarah pada keputusan yang dianggap “bias”. Hal ini menantang sebagian karena tujuan analitik adalah untuk mendiskriminasi — yaitu, mendasarkan pilihan dan keputusan pada variabel tertentu. (Kirim penawaran ini ke pria yang lebih tua ini, tetapi tidak ke wanita yang lebih muda ini karena menurut kami mereka akan menunjukkan perilaku pembelian yang berbeda sebagai tanggapan.) Oleh karena itu, pertanyaan besarnya adalah kapan diskriminasi semacam itu benar-benar dapat diterima dan bahkan baik — dan kapan hal itu secara inheren bermasalah, tidak adil, dan berbahaya bagi reputasi perusahaan.
Perhatikan contoh Goldman Sachs, yang dituduh mendiskriminasi dengan menawarkan lebih sedikit kredit pada kartu kredit Apple kepada perempuan daripada laki-laki. Menanggapi hal tersebut, Goldman Sachs mengatakan tidak menggunakan gender dalam modelnya, hanya faktor seperti riwayat kredit dan pendapatan. Namun, orang dapat berargumen bahwa riwayat kredit dan pendapatan berkorelasi dengan jenis kelamin dan menggunakan variabel-variabel tersebut menghukum perempuan yang cenderung menghasilkan lebih sedikit uang secara rata-rata dan secara historis memiliki lebih sedikit kesempatan untuk membangun kredit. Saat menggunakan keluaran yang mendiskriminasi, pembuat keputusan dan profesional data sama-sama perlu memahami bagaimana data dihasilkan dan keterkaitan data, serta bagaimana mengukur hal-hal seperti perlakuan diferensial dan banyak lagi. Perusahaan tidak boleh mempertaruhkan reputasinya dengan meminta ilmuwan data warga sendiri yang menentukan apakah suatu model bias.
Mendemokratisasikan data ada manfaatnya, tetapi ada tantangannya. Memberikan kunci kepada semua orang tidak menjadikan mereka ahli, dan mengumpulkan wawasan yang salah bisa menjadi bencana besar. Alat perangkat lunak baru dapat memungkinkan semua orang untuk menggunakan data, tetapi jangan salah mengartikan akses luas itu sebagai keahlian asli.
Di web ini, kita menanggung dan selamanya memprioritaskan kepuasan para bettor dalam memperoleh indo togel sdy Salah satunya adalah bersama dengan sedia kan result pengeluaran sdy hari ini tercepat dan terbaru secara berkesinambungan dan pas waktu. Semua update teranyar untuk no pengeluaran sidney prize 2021 sanggup kalian menikmati terhadap jam 14.00 WIB atau jam 2 siang. Dengan mengimbuhkan hasil result sdy tercepat maka para bettor tidak wajib kembali menunggu amat lama.
