Poradenství 

Datová analýza a byznys: Jakých chyb se novopečení analytici nejčastěji dopouštějí?

Stále více firem se ve svém byznysu snaží využívat síly dat, poptávka po datových vědcích a analyticích proto neustále roste. A spolu s ní roste i nabídka – na trhu práce se objevuje více a více datových vědců-absolventů nebo kandidátů, kteří opustili svou původní profesi a rozhodli se prostřednictvím různých kurzů přeškolit na analytiky. Jakých chyb se tito nováčci ve svých oborech nejčastěji dopouštějí? Podívejte se, s jakými nástrahami se musí (nejen) nováčci v datové analytice denně potýkat.

Každý zaměstnavatel by si přál, aby zaměstnanec, kterého najímá, měl co nejvíce zkušeností. Ne vždy je však možné najít takového pracovníka, a u mladých oborů to platí dvojnásob. Je pak potřeba počítat s tím, že se dotyčný nováček může občas dopustit určitých přešlapů. Obor datové analytiky je pro nováčky plný různých nástrah, s naším přehledem se však alespoň těm základním můžete snadno vyhnout.

Co konkrétně trápí novopečené datové analytiky?

  • Není asi nic horšího než strávit desítky hodin prací na úloze, která se nakonec ukáže jako nerelevantní pro řešení daného problému. Pro úspěšný datově-analytický projekt je klíčové v prvním kroku jednoznačně vymezit, jaký je jeho cíl a jaká jsou očekávání spojená s dodaným řešením. Často se za tímto opomenutím skrývá nedostatečná komunikace s klíčovými stakeholdery.
  • Nováčci často přeceňují důležitost algoritmů a podceňují důležitost kvality dat. Jak dokládá řada soutěžních projektů na Kaggle, „feature enegineering“ (přidávání, ubírání a transformace dat) často posune vaše skóre daleko výrazněji než změna algoritmu.
  • S předchozím bodem úzce souvisí podceňování role znalostí domény, ze které pochází naše data. Právě tyto znalosti umožňují vytvářet nové kvalitní prediktory a adekvátně posuzovat kvalitu a byznysovou relevanci analytických výstupů. Analytik by si měl tyto znalosti opatřit prostřednictvím nějakého experta, samostudiem a detailním obeznámením se s daty.
  • Lepšímu porozumění datům často brání nováčkovská netrpělivost s modelováním a nedostatečné množství času věnovaného explorační analýze a vizualizaci dat.
  • Stejně jako v mnoha jiných oblastech života i v datové vědě platí, že je třeba dělat věci co možná nejjednodušší, ale ne více, než je nutné. Nováček v oboru má často tendenci volit zbytečně komplexní modely, které si na nových datech vedou stejně dobře nebo i hůře než jednodušší modely typu logistické nebo lineární regrese.
  • Při interpretaci analytických výstupů nováčci často zapomínají na to, že korelace ještě neznamená kauzalitu. Ignorování tohoto faktu může vést k tomu, že si klient z našich výstupů vyvodí špatné závěry a zaváže se k neadekvátním akcím.
  • Statistická signifikance ještě neznamená praktickou signifikanci a pobídku k akci. Často se zapomíná, že p-hodnota by neměla být jediným kritériem pro posouzení důležitosti a relevantnosti našich zjištění.

Jak těmto chybám a mnohým dalším předcházet? Nezastupitelnou roli bezesporu hrají praktické zkušenosti a odborný dohled zkušenějších kolegů – jen skrze ně se člověku dostane potřebné zpětné vazby, která ho naučí, na co si dávat pozor, čeho se vyvarovat, co a jakým způsobem ošetřit apod. Získat dostatečné množství relevantních zkušeností ale nějakou dobu trvá. Co dělat mezitím?

Jako užitečná se ukazuje být velice jednoduchá metoda „checklistu“. Stačí si vytvořit seznam nejdůležitějších potenciálních „failů“ (vstupem zde mohou být informace od zkušenějších kolegů), a potom tento seznam pravidelně procházet při plánování a revizi projektů a zvažovat, zda náhodou některý z uvedených „failů“ není pro naši aktuální situaci relevantní. Přes svou jednoduchost je tato metoda překvapivě účinná. Jak dokládá řada příkladů z oblasti medicíny nebo letecké dopravy, tato metoda dokáže zachraňovat i lidské životy. Novopečeným datovým analytikům potom může pomoct ušetřit nejeden bolestivý střet s realitou datově-analytických projektů.

Potřebujete pomoct s využíváním firemních dat k řešení vašich byznysových problémů? Potom neváhejte a obraťte se na náš tým pokročilé analytiky nebo vyzkoušejte Data Science Academy.

Vizualizace dat Sběr dat Databáze Datová analytika Data
Poradenství 

MakroEKO zprávy: zahraniční obchod, průmysl i maloobchod v srpnu

České domácnosti si užívají. Díky rychlému růstu mezd a minimální nezaměstnanosti si mohou dovolit utrácet v obchodech více než v předchozích letech. Na statistice českého zahraničního obchodu se pravděpodobně začínají projevovat nepříznivé vnější vlivy ekonomického prostředí, tedy například americko-čínská obchodní válka. A naplňují se obavy z negativního vývoje průmyslu. Jak si stály maloobchod, zahraniční obchod a průmyslová výroba v srpnu? 

10. 10. 2019
Poradenství 

Jak bude vypadat finančnictví v roce 2025?

Čekání na první průkopníky, kteří technologickou inovaci ve financích implementují, otestují a odhalí řešení s nejlepší návratností. Tak to podle průzkumu Deloitte vypadá mezi finančními řediteli, pokud jde o zavádění umělé inteligence do jejich oblasti působení. Do pěti let se pak dle CFO zaměstnanci naučí lépe pracovat s kognitivními technologiemi a vzájemně se s nimi doplňovat. Za dalších 10 let ale bude část zaměstnanců tímto druhem technologie zcela nahrazena. Co tedy finance v následujících letech čeká a nemine? 

7. 10. 2019
Poradenství 

Chcete začít opravdu inovovat? Pak musíte změnit svůj mindset

Inovace. Magické moderní slovo, za kterým se skrývá představa o budoucí prosperitě. Je to změna. Vývoj. Evoluce. Je to výzva i ambice. Je to sexy. Firmy inovují, prochází digitální nebo agile transformací, definují nové produkty a služby. Hledají příležitosti, jak se stát silnějšími, rozrůst se, zlepšit svoji pozici na trhu. Když tedy někdo mluví o inovaci, mluví o zlepšení současného stavu. O posunu vpřed. Krok sun krok. Protože všichni chceme změnu. K lepšímu. Ale kdo se pro ni chce změnit? 

2. 10. 2019