مفاهیم علم داده که هر تحلیل‌گر باید بداند

دیر یا زود تحلیل‌گران کسب‌وکار درگیر پروژه‌ای با یادگیری ماشین یا مؤلفه هوش مصنوعی خواهند شد. در حالی که تحلیل‌گران کسب‌وکار لزوماً نیازی به دانستن نحوه عملکرد مدل‌های آماری ندارند، درک چگونگی تفسیر نتایج آن‌ها می‌تواند به آن‌ها مزیت رقابتی بدهد.

این مقاله سه مفهوم را مورد بحث قرار می‌دهد که می‌تواند به تحلیل‌گران کمک کند تا ارزش پروژه‌های علم داده را افزایش دهند. پرورش مهارت‌ها در این زمینه‌ها توانایی شما را برای ایجاد همسویی چندتخصصه بین تیم‌های کسب‌وکار و علم داده افزایش می‌دهد و از تصمیم‌گیری‌های بد بر اساس تحلیل‌های ناقص جلوگیری می‌کند.

۱- معیارهای ارزیابی برای مدل‌های یادگیری ماشین

در هر دو زمینه کسب و کار و غیرانتفاعی، برای تیم‌های علم داده معمول است که مدل‌های یادگیری ماشین را با هدف درک یا پیش‌بینی چیزها تولید کنند: کلیک‌های تبلیغاتی، فروش ماهانه، احتمال ترک تحصیل دانش آموزان. در حالی که چنین مدل‌هایی می‌توانند به عملیات کمک نموده و نیازهای حیاتی کسب‌وکار را برآورده کنند، معمولاً ترکیب یک تیم تحلیلی ضعیف و مدیری با اعتماد نابجا به مدل‌های تحلیلی، باعث اشتباهات پرهزینه می‌شود.

من مدیرانی را دیده‌ام که از این خبر که یک دانشمند داده در یک مدل پیش‌بینی به دقت ۹۵ درصد دست یافته هیجان‌زده شده‌اند. بدون زمینه بیشتر، این معنی خاصی ندارد: اگر شما عوارض را برای بیمارانی که درمان خاصی دریافت می‌کنند پیش‌بینی کنید، و تنها ۵ درصد از این بیماران دچار عوارض شوند، مدلی که حدس می‌زند درمان برای همه بیماران «بدون عارضه» باشد، ۹۵ درصد دقیق خواهد بود (و بلا استفاده).

معیارهای ارزیابی مدل رایج شامل خطای استاندارد رگرسیون (Standard Error of the Regression) و R-Squared برای تجزیه و تحلیل رگرسیون، و ماتریس سردرگمی (Confusion Matrix) و F1 Score برای مسائل طبقه‌بندی هستند. یک تحلیل‌گر کسب‌وکار با درک خوب از چنین معیارهایی می‌تواند به سازمان خود کمک کند تا از اشتباهات احمقانه مانند استفاده از یک مدل طبقه‌بندی با دقت ۹۰٪ اما با نرخ مثبت کاذب غیر منطقی یا یک مدل رگرسیون با پیش بینی‌های ۲۵ +/-٪، زمانی که بازه قابل قبول +/- ۵٪ است، جلوگیری کند.

جمع‌بندی

در دنیای ایده‌آل، همه سازمان‌ها دارای تیم‌های علم داده با دانش آماری و درک کافی از حوزه کسب‌وکار هستند تا بتوانند از همه اشتباهات در فرمول‌بندی فرضیه، جمع‌آوری داده‌ها و اعتبارسنجی مدل جلوگیری کنند. در عمل، کار یادگیری ماشین اغلب توسط تحلیل‌گران و مهندسانی انجام می شود که فاقد پایه قوی در مبانی علم داده کاربردی هستند. از آنجایی که بینش‌های عملی قدرتمند نه با داده‌ها، بلکه با یک سؤال معتبر کسب و کار شروع می‌شوند، تحلیل‌گران کسب‌وکار به‌ویژه موقعیت خوبی برای کمک به بستن این شکاف دارند. با به دست آوردن اطلاعات عملی در مورد سه مفهوم ذکر شده در اینجا، تحلیل‌گران کسب و کار می‌توانند توانایی خود را برای محافظت از سازمان در برابر بینش‌های مشکوک، مدل‌های معیوب و توصیه‌هایی که به سطوح اطمینان لازم نرسیده‌اند، به میزان زیادی افزایش دهند.