2017年10月19日星期四08:19

数据科学:业务分析师的关键角色

撰写者

在过去的十年中,企业拥有的大量数据突然涌向客户。

这些数据来自不同的来源,例如社交媒体,移动设备,应用程序,金融交易,电子商务,搜索和物联网等。根据IDC的估计,从2005年到2020年,数字世界将增长300倍,从130 EB到40,000 EB,即40万亿千兆字节。从现在到2020年,数字世界将每两年翻一番。此外,IDC估计,仅探索了数字世界中很小一部分的分析价值。到2020年,多达33%的数字世界将包含经过分析可能有价值的信息。

以前,公司能够通过各种数据挖掘技术和工具来分析相对较小的数据集。但是,随着数据从多个来源爆炸式增长,数据科学作为一个领域正在迅速兴起。数据科学是指与科学方法,过程和系统有关的跨学科领域,可以从数据中以各种形式(结构化或非结构化)提取知识或见解,类似于数据挖掘。该定义的主要亮点是“洞察力”,因为它意味着生成以前无法从传统数据挖掘技术或简单的趋势和回归分析中获得的发现。这就是为什么数据科学作为一个领域被认为是数学,统计学,软件和业务领域知识的交集。对于任何公司而言,使用数据科学的最简单例子之一就是它能够预先预测客户流失的能力。它可以帮助公司致力于挽留客户,而不仅仅是专注于花费更高的客户获取。

尽管市场上有多种工具可用于数据科学,但是任何数据科学计划成功的关键都在于从业务角度定义用例。在大多数公司中,技术团队都善于理解数据并对其进行分析。但是,数据科学领域以独特的方式出现,因为团队有时可能不知道他们在数据中寻找什么,因为洞察力可能大部分都不是事实。因此,业务分析师的角色在该领域变得至关重要,因为您需要一个不仅能流利于IT领域而且还能使用业务领导者的语言进行交流的人员。


广告

例如,期望数据科学业务分析师将业务问题陈述转换为“鉴于过去的表现和当前的趋势,某项行动的可能结果是什么“ IT问题陈述”,这意味着需要分析哪些数据才能获得见解。然后,将与技术团队一起审查数据,并将结果以见解和数据模式的形式提供给业务团队。业务分析师还应具有足够的知识,可以应用各种预测建模技术和正确的模型选择来产生针对当前问题的见解。

有人会争辩说,数据科学领域的业务分析师与一般业务分析师之间有何区别?区别数据科学业务分析师的关键技能之一是其对数据以及行业和功能专业知识的深刻理解,这将使他(她)能够理解业务环境并确定用例。随着数据深度和广度的增加,数据科学业务分析师需要具有深入的业务知识和对数据的理解。此外,业务分析师还必须与业务和技术团队一起工作,并且应该以他们的语言进行交流。 Mckinsey在其有关“分析时代”的报告中提到,尽管数据科学家是一项关键技能,但公司需要“翻译”,将分析人才与实际应用程序联系起来以解决业务问题。 Mckinsey还强调指出,建立成功的数据和分析转换的五个关键要素中的第一个要素需要用例,这些用例也被定义为价值来源。用例应该清楚地阐明业务需求和预期的影响。

业务分析师在数据科学任务中的另一个关键角色是为当前基于数据的用例确定“最佳”模型。业务分析师应具备知识以构筑正确的假设以进行测试。爱因斯坦(Albert Einstein)曾说:如果给我一小时的时间来拯救世界,我将花费59分钟定义问题并花费一分钟解决问题。简单来说,业务分析师为解决问题的过程提供了一个框架。业务分析师应该能够回答以下问题:

  • “什么是聚类或回归,何时应使用这些技术?”
  • “我如何根据我的数据提出假设?”

大多数公司无法充分利用数据科学的潜能,因为它们严重依赖于数据科学家,他们非常精通数据准备,清理和建模或通过python,R之类的工具编写软件代码,但缺乏领域知识和意义。业务环境中的数据。在这里,业务分析师在弥合业务团队和IT部门之间的复杂数据科学任务之间起着至关重要的作用。

苏拉杰·查特拉斯

Suraj Chatrath是一位在产品管理和产品开发方面经验丰富的专业人员。他在需求收集,定义产品路线图,产品策略以及将业务需求转换为技术需求方面拥有丰富的经验。他拥有斯坦福大学商学院的工程学学士学位和商业管理硕士学位。免责声明:本文中表达的观点和观点仅为作者的观点,并不一定反映任何公司的官方政策或立场

来自SurajChatrath的最新消息

©BA Times.com 2020

麦格雷戈徽标白色网站