Данные — это источник жизненной силы для цифрового бизнеса, и принятие решений на основе этих данных имеет решающее значение для успеха. В сегодняшнем сложном, быстро меняющемся и постоянно меняющемся бизнес-ландшафте полагаться на интуицию и интуицию уже недостаточно. Чтобы оставаться впереди конкурентов и принимать наиболее обоснованные решения, предприятия должны использовать подход, основанный на данных. В этой статье мы рассмотрим преимущества принятия решений на основе данных, его ключевые характеристики, его связь с наукой о данных, а также реальные примеры того, как процесс принятия решений на основе данных можно применять в различных областях бизнеса. бизнес.

Принятие решений на основе данных

Принятие решений (DM) в целом – это способ оценить последствия решения, чтобы можно было выбрать оптимальное решение. Речь идет о том, как принять наилучшее решение (принятие нормативных решений). Критерии являются техническими и экономическими, такими как анализ затрат и выгод или оценка рисков.

Цели принятия решений в промышленности могут быть самыми разнообразными. Исходя из индивидуальных особенностей, ДМ можно структурировать на три типа:

  • Стратегические: общие цели и видения, т.е. разработка нового продукта.
    Временной горизонт: среднесрочный, долгосрочный
  • Тактический (планирование): текущие проблемы, например. производственное планирование и планирование.
    Горизонт времени: часы, дни
  • Эксплуатационные: текущие проблемы, например. обнаружение неисправностей или контроль процесса.
    Временной горизонт: секунды, минуты

Принятие решений на основе данных (DDDM) — это один из способов, с помощью которого системы могут принимать решения. Как следует из названия, принимаемые решения основаны на данных, а также на методах, которые извлекают шаблоны и информацию, содержащиеся в данных. Для моделирования процесса принятия решений могут использоваться различные типы методов. Для хорошо известных процессов очень подходят методы, основанные на правилах или моделях. Системы риска могут использоваться, если лежащий в основе процесс не полностью понят, но неопределенность неизвестных аспектов может быть смоделирована в явном виде. Эти типы систем скорее основаны на данных, чем управляются данными, поскольку данные используются в качестве входных данных для системы. Тем не менее, правила определены явным образом и поэтому не являются стохастическими. Но во многих случаях неопределенность не может быть определена явно. Это когда мы говорим о принятии стохастических решений на основе данных. Наука о данных вступает в игру, чтобы справиться с этими вариантами использования.

Преимущества использования DDDM

Включая:

  • Объективность: решения основаны на фактах и, следовательно, снижают влияние личных предубеждений.
  • Прозрачность и подотчетность: Прозрачность относится к качеству знания того, по каким причинам было принято решение, в то время как подотчетность означает готовность взять на себя ответственность за действия, а также готовность объяснить и оправдать эти действия.
  • Повышенная точность: решения, основанные на данных, основаны на фактах и ​​доказательствах, что может привести к более точным решениям.
  • Повышение эффективности: принятие решений на основе данных может помочь организациям принимать решения быстрее и с меньшими усилиями за счет автоматизации.
  • Непрерывное улучшение. Принятие решений на основе данных позволяет организациям отслеживать эффективность своих решений и при необходимости вносить коррективы, что приводит к постоянному совершенствованию.
  • Масштабируемость. Принятие решений на основе данных позволяет организациям обрабатывать большие объемы данных и принимать масштабные решения.

Наука о данных

Наука о данных — это процесс извлечения информации из данных с использованием статистических методов для принятия обоснованных решений. Эти методы включают алгоритмы машинного обучения для извлечения статистических закономерностей из данных, которые они представляют в виде моделей. Лежащий в основе шаблон должен быть распознан как можно точнее, чтобы впоследствии можно было применить обобщаемое утверждение к новым или неизвестным данным.
Проще говоря, подходы, основанные на правилах, имеют жесткие ограничения: либо что-то применимо к правилам, либо нет. В большинстве случаев они являются упрощением реальности. Взяв в качестве примера, мы хотим классифицировать, показывает ли данное изображение дерево или что-то еще. Мы определяем конкретные правила, такие как размер листьев или цвет ствола. Мы применяем эти правила к нашей картинке, и либо она соответствует правилам, либо нет. Поскольку деревья могут быть очень разнообразными, это сложная задача, и очень сложно придумать набор правил, которые можно легко применить к большому количеству деревьев. Системы на основе ML имеют серые области и могут гибко обрабатывать отдельные случаи, если существует общая абстракция, которую может захватить алгоритм. На рисунке ниже показана очень простая иллюстрация различия этих двух методов. Представьте, что вы используете оба метода для создания классификатора изображений внизу рисунка. Я не мог придумать набор правил, чтобы удовлетворить все изображения с деревом. С другой стороны, абстрактное представление довольно легко достигает цели. Подходы ML также являются упрощением реальности, поэтому необходимо оценивать, в какой степени они представляют реальность. Изображение справа можно было бы классифицировать как дерево, но на нем изображен букет цветов.

Как мы только что узнали, принятие решений на основе данных и наука о данных тесно связаны. Для обоих методов существует четко определенный процесс, поддерживающий их реализацию. Принятие решений на основе данных — это процесс использования данных и статистического анализа для обоснования решений, а не полагаться на интуицию или опыт. Он включает в себя определение ключевого решения, которое необходимо принять, сбор соответствующих данных, анализ данных с использованием статистических методов и моделей машинного обучения, а также использование информации, полученной в результате анализа, для обоснования решения.

Случаи использования

Варианты использования, для которых обычно используется DDDM:

  • Прогнозирование спроса и продаж: оптимизация процессов продаж и цепочек поставок с помощью прогнозирования на основе данных.
  • Профилактическое обслуживание. Машинное обучение можно использовать для анализа данных датчиков оборудования и прогнозирования необходимости обслуживания. Это может помочь компаниям избежать дорогостоящих отказов оборудования и повысить общую эффективность.
  • Маркетинг: Ориентация на нужных клиентов с правильным сообщением в нужное время с помощью сегментации и персонализации на основе данных.
  • Финансы: DDDM можно использовать для анализа финансовых транзакций и выявления закономерностей, которые могут указывать на мошенническую деятельность.
  • Распознавание изображений: анализ изображений, таких как фотографии или видео, для обнаружения объектов, распознавания лиц и понимания сцены. Это может быть использовано в таких отраслях, как безопасность, розничная торговля и здравоохранение.
  • Обработка естественного языка: DDDM можно использовать в задачах анализа текста и обработки естественного языка, таких как анализ тональности, языковой перевод и обобщение текста. Это может быть использовано в обслуживании клиентов, маркетинге и финансах.

— — — — — — — — — — — — — —

Заинтересованы?

Это первая из серии статей о принятии решений на основе данных, науке о данных, искусственном интеллекте и машинном обучении. В следующей статье мы более подробно рассмотрим, как подходить к проектам в рамках жизненного цикла науки о данных.

Мы также будем рады обсудить с вами ваши интересы лично. Свяжитесь с офисом в Мюнхене или напишите письмо на адрес [email protected]. foryouandyourcustomers рада помочь вашей компании стать более ориентированной на данные.