Data Science "Peinture au numéro" avec support de développement d'hypothèses

octobre 29, 2018

Quand j'étais enfant, j'adorais les décors Paint by Numbers. Ceux qui savent peindre ou colorier entre les lignes se sentent comme Rembrandt ou Léonard de Vinci (nous pourrons parler plus tard de l'impact à long terme de forcer les enfants à «rester entre les lignes»).

Le monde du design s'applique désormais. le concept de «peinture par numéros» utilisant des toiles design. Un canevas souligne ce qui est important en fonction du sujet et permet ensuite au «peintre» de colorier la bonne information. Un canevas de conception est un modèle opérationnel d'une page conçu pour capturer toutes les perspectives nécessaires à une exécution réussie, en fonction du problème résolu.

Business Model Canvas, est un excellent exemple de canevas. avec la permission de Strategyzer (voir la figure 1).

Figure 1: Business Model Canvas, avec la permission de Strategyzer

Le Business Model Canvas vous oblige à «peindre» la proposition de valeur, la structure de coûts, les sources de revenus de votre entreprise. réseau de fournisseurs et segments de clientèle. Tout le monde peut devenir Jack Welch!

Vous êtes maintenant prêt à passer à la prochaine étape du point de vue Big Data MBA en vous inspirant du Business Model Canvas pour étoffer les hypothèses ou les cas d'utilisation commerciale. C'est là que vous pouvez devenir plus efficace pour exploiter les données et l'analytics pour optimiser votre activité. Cette nouvelle étape concerne le canevas de développement d’hypothèses nouvellement créé.

Présentation de la peinture de science des données en chiffres

L’un des domaines de sous-investissement dans la plupart des projets de science des données est le développement approfondi et complet de l’hypothèse ou du cas d’utilisation en train d'être testé. En d'autres termes, que tentons-nous de prouver avec notre engagement en matière de science des données et comment mesurons-nous les progrès et les succès?

Pour répondre à ces exigences, nous avons développé le canevas de développement d'hypothèses, un modèle «peinture par numéros» que vous peut peupler avant d'exécuter un engagement de science des données. L’objectif est de vous assurer de bien comprendre ce que vous essayez d’accomplir, la valeur commerciale, comment vous allez mesurer les progrès et les succès, ainsi que les obstacles et les risques potentiels associés à l’hypothèse. Le canevas de développement d’hypothèses est conçu pour faciliter la collaboration entre les parties prenantes et la science des données (voir la figure 2).

Figure 2: Canevas de développement d’hypothèses

Le canevas de développement d’hypothèses comprend:

Description de l’hypothèse et objectifs – objectifs de l'organisation et objectifs associés (réduire de X% les temps d'immobilisation opérationnels non planifiés, améliorer la rétention client de X%, réduire de X% les stocks obsolètes et excessifs, améliorer les délais de livraison de X%).

Hypothèse: valeur commerciale tirée des perspectives financière, opérationnelle et des clients: retour sur investissement approximatif obtenu grâce au traitement de l'hypothèse.

Indicateurs de performance clés – Mesure du succès et des progrès, et Exploration des risques associés aux perspectives potentielles. ramifications de troisième ordre des KPI. Voir le blog « Les conséquences involontaires des mesures erronées » pour plus de détails sur les ramifications des KPI de deuxième et troisième ordre.

Décisions: quoi, quand, où, qui, etc., qui sont nécessaires A faire pour soutenir et piloter les actions et l'automatisation à l'appui des objectifs commerciaux, clients et opérationnels de l'hypothèse.

Sources de données potentielles – liste à explorer, comprenant une brève description et les raisons pour lesquelles les parties prenantes du secteur considèrent qu'il peut être utile de les utiliser. .

Risques – problèmes potentiels associés aux faux positifs et aux faux négatifs (erreurs de type I et de type II); les risques associés aux scénarios dans lesquels le modèle analytique est erroné.

Un atelier sur la vision accélère la collaboration entre les parties prenantes de l'entreprise et l'équipe de science des données afin d'identifier les conditions d'hypothèse qui sous-tendent le succès de l'engagement en science des données.

The Machine Learning Canvas (version MBA Big Data)

Pour compléter la boucle, je vous présente le canevas de machine learning . Je suis tombé sur Machine Learning Canvas v0.4 de Louis Dorard sur le site Web « Machine Learning Canvas ». Louis a mis sa toile à disposition gratuitement et je ferai de même avec les ajouts que nous avons apportés à sa toile. sur la base de nos exigences uniques en matière de science des données (voir la figure 3).

Figure 3: Canvas Learning Machine (version MBA pour Big Data)

Pour les besoins de notre travail en science des données, nous avions besoin d'ajouter des éléments aux panneaux:

Ordonnance: une fois que nous avons une prévision, que faisons-nous avec cette prévision?

Automatisation: comment automatiser les procédures standard à l'aide des indications normatives?

Résumé

Un engagement réussi dans le domaine de la science des données requiert une étroite collaboration avec les parties prenantes de l’entreprise tout au long du processus de développement pour:

Comprendre et quantifier les sources de création de valeur financière, opérationnelle et client (c’est une question d’économie)

Acquérir une compréhension approfondie des indicateurs de performance clés et de moi-même Des outils indispensables pour mesurer les progrès et les succès, et en particulier les ramifications potentielles aux deuxième et troisième ordres de ces indicateurs de performance et de ces indicateurs.

Faites un brainstorming sur les variables et les indicateurs (sources de données) qui pourraient fournir de meilleurs prédicteurs des performances commerciales et opérationnelles. .

Codifiez les avantages / bénéfices et les coûts / risques associés à l'hypothèse (y compris les risques et les coûts associés aux faux positifs et aux faux négatifs).

Collaborez étroitement avec les acteurs de l'entreprise pour comprendre quand «assez bon» est en réalité «assez bon» du point de vue de l'analyse prédictive.

Vous disposez maintenant des trois toiles de conception qui vous permettent de lier votre modèle d'entreprise aux efforts de la science des données et de l'apprentissage automatique, ainsi que de donner à l'équipe de la science des données un accès direct. «Ligne de mire» de l'impact de leur travail sur les modèles d'entreprise.