Hovedudfordringen for organisationer, der skal i gang med ML & BI er at finde ud af, hvor de skal starte. Måske har du allerede et team af data scientists, der kan bygge modeller eller du overvejer at investere i det; men det meste af deres går med - og vil gå med - at gøre data klar. Ville det ikke være fedt at kunne skyde genvej til modelbygningen? I ethvert data science-team er det modelbygning og -implementering, der betragtes som det værdiskabende arbejde. Forberedelserne er en nødvendighed – men også en tids- og ressourcetung aktivitet.

‍

Den mest tidskrævende del af al modelopbygning er at identificere, hvilke data, der er vigtige og indsigtsskabende, uanset om det er modelbygning med machine learning, BI eller gode gamle prædiktive beslutningsmodeller. Og det er ikke den eneste udfordring i forberedelsesfasen, for data skal jo give mening og være i et brugbart format; ”enhver model er kun så god som de data, der ligger til grund for den” som man jo siger.

For en data scientist er det imidlertid ikke så simpel en proces, for først skal data lokaliseres og udvælges, så skal data kombineres, struktureres og formateres, så de bliver klar til det egentlige analysearbejde; hvad korrelerer? Hvad er prædiktivt? Hvad er ikke? Har vi nok datarækker? Er vores data sample robust nok? Har vi datapunkter nok? Alt dette er forudsætningen for det, de egentlig gerne vil: At bygge en prædiktiv model.

Det er afgørende at finde de vigtige data

Hemmeligheden bag brugbar ML er forberedelsen af data og få data struktureret, så de er klar; det er et afgørende step. Vi hjalp for nylig en kunde ved at levere tredjepartsdata til deres nye, optimerede segmenteringsmodel. Inden vi blev en del af projektet, havde de manuelt testet op mod 600 variable for at finde de mest prædiktive. Deres eget estimat er, at det tog et år fra de startede projektet til de vidste, hvilke data, de ville bygge deres nye segmenteringsmodel ud fra. Noget af denne tid er selvfølgelig gået med at modne organisationen og at blive klar til at være mere datadrevne. Og det tager jo tid, men en væsentlig del af tiden blev brugt på at teste og strukturere data og finde ud af, hvordan deres nye segmenteringsmodel skulle bygges. Det er denne proces, en ny tilgang til ML kan forkorte: Et dataformateringsværktøj med indbygget ML kan hurtigere teste variablene i forskellige ML-modeller og give et overblik over variablenes performance og signifikans (og den bedste ML-model at arbejde videre med).

Vi har bygget et ML-drevet værktøj til at matche, blende og rangere data

Vores data blending-værktøj gør netop dét; det er et værktøj, der matcher og blender dine interne kundedata med vores tredjepartsdata i et kontrolleret miljø via komplekse match-algoritmer og dataformateringsteknikker. Det udpeger dataenes prædiktive kraft og udvælger derefter automatisk de relevante data, som testes yderligere forud for din modelopbygning.

Målet er at tage det bedste fra de interne data og tredjepartsdataene, crunche dem og rangere dem ud fra deres “predictiveness”. Resultatet er en slags forandringsagent, fordi den tydeliggør, hvordan de eksisterende arbejdsgange kan forbedres; fra time-to-market, modelforberedelse, -forbedring, sensitivitetsanalyse ift. variables forklaringskraft, fine tuning og opstilling af nye modeller etc.

Alt i alt kan du reducere tidsforbruget på data-klargøring & insights med op til 40 %!

Arbejd videre med de bedst performende data og modeller

Uanset din virksomheds størrelse og modenhed inden for data og analyse, har vi bygge et data blending-tool, der kan reducere den tid, du bruger på forberedelsesstadiet og hurtigt komme videre til modelopbygningen. Vi har bygget værktøjet ind i hjertet af vores Data Analytics Platform, hvor vores kunder kan tappe ind i vores forskellige andre moduler: Den nordiske data lake, vores modelopbygningsværktøj Predict og selvfølgelig også vores ekspertise i form af konsulentbistand.

Hvis du vil vide mere om dét, så kontakt mig for en snak om mulighederne

‍