Syyskuussa 2018 futisturistimatkalla bongasin Gatwickin lentokentän kirjamyynnissä ”BigData Demystified” -nimisen opuksen. Pikaselauksen perusteella huomasin, että kirjoittaja (David Stephenson, PhD) kertoi juttuja, kuinka yritykset ovat tehneet data-analytiikalla lisäarvoa 1990-luvulla ja 2000-luvun alussa ja kuinka BigData, Artifical Intelligence (AI) ja Machine Learning (ML) tuovat uutta lisää tähän perinteiseen analytiikka-tekemiseen. Juuri tällaista olen etsinyt!
Lisäksi kirjassa oli mielestäni erinomaiset määritykset AI:lle ja ML:lle:
”AI on sitä, kun kone reagoi ympäristöön älykkäästi” ja
”ML on sitä, kun kone tulee älykkäämmäksi ilman, että ihminen sitä ohjelmoi”.
Nämä määritykset jättävät hyvin tilaa sille analytiikalle, jota organisaatioissa on tehty 1980-luvulta lähtien ja tullaan tekemään jatkossakin: ”analytiikka on sitä, kun ihminen ohjelmoi konetta algoritmeillä. Algoritmit voivat olla monimutkaista tilastotiedettä tai yksinkertaista IF…THEN… -logiikkaa”.
JES! Kirja kantoon.
”AI on sitä, kun kone reagoi ympäristöön älykkäästi” ja
”ML on sitä, kun kone tulee älykkäämmäksi ilman, että ihminen sitä ohjelmoi”.Analytiikka on sitä, kun ihminen ohjelmoi konetta algoritmeillä.
Algoritmit voivat olla monimutkaista tilastotiedettä tai yksinkertaista IF…THEN… -logiikkaa.
Olen nyt parikin kertaa kirjan lukenut ja ehdottomasti suosittelen kaikille wannabe data-driven asiantuntijoille ja johtajille.
Listaan pääteemoja ja avainsanoja tähän alle (in english).
——————————————————————-
Esitysmuoto on hieman ”epätasainen”, mutta halusin tarjota kuvan sisällöstä – omien havaintojeni kautta. Lue kirjasta tarkemmin 😉
——————————————————————-
BIG DATA DEMYSTIFIED by David Stephenson (Pearson Ltd., 2018)
- Introduction & definitions
Basic definitions about digitalisation and growind data-amounts & computer capabilities.
Ask yorself: ”what is your biggest barrier to your use of big data: tech, skills or use-cases?”
AI = ”broad term for when a machine can respond intelligently to its environment”
ML = ”when a machine keeps improving its performance, even after you’ve stopped programming it”
”Big data is a natural catalyst for Machine Learning and much of AI involves ML”.
Precious!
- Broven Business Cases (Tesco, Target) for analytics
”in this next section, I’ll show some ways how BIG DATA makes traditional analytics better”.
Data-analytics -driven stories of Tesco & Target are familiar (and here those are re-told) but best thing is that ”in this next section, I’ll show some ways how BIG DATA makes traditional analytics better”.
Also some 2-3 pages about differrent datatypes, data contents, quality and amounts. These are good brainfood when you are planning data-strategy! [few chapters later]
3. Analytics Use Case -titles (20)
Tratidional methods and what ML, AI & BigData can bring to the table.
A/B-testing, NBO, forecasting, IT cost savings, marketing, … pricing, retention/loyalty, CLV, fraud, churn, Lead scoring, etc.
Ask yourself, which of these business applications are most important for your business?Most significant KPI’s?
Excellent content when you are planning data-strategy! [few chapters later]
4. BigData -definition
High-level definitions for:
Volyme, Velocity, Variety
Distributed data storage and computations
Fast data and fast computing (real-time)
Open source & cloud computing
Ask yourself which application you absolutely need to build in-house rather than leveraging open-source software? Which applications require/benefit for real-time data?
Definitions are important when you are planning data-strategy! [next chapters]
- Data Strategy -definition & elements
Chapter about data evaluation, management & refinement for Customer- and/or product-analytics perspective.
Heart of Arvotieto ValueManager® -concept.
- Data Strategy w/company overall strategy & management
What type of expertise you need (strategic, business, analytic and technical) and how to scope process.
Importance of Minimum Viable Product (MVP) <=> ”Think Big, iterative development, quick wins”.
Heart of Arvotieto ValueManager® -concept.
- Analytics phases (four types of analytics)
This is bit boring … Gartner’s Analytics Ascendancy Model.
I prefer to talk about business development phases and/or holistic data-/analytics strategy.
- TECH basics
Basic elements of technical architecture.
Not so much my cup of tea.
- Building up your analytics TEAM
Good story about the titles and reqruitment challenges (how HR-partner may not have right skills to identify right people for right roles etc.).
”We have created a term ”Data Scientist” so rich in meaning that it has become almost meaningless.”
Well said.
We have created a term ”Data Scientist” so rich in meaning that it has become almost meaningless.
What skills leader needs?
How to fulfill a team?
Acquiring/outsourcing?
”Bringing in external experts may be the best way to jump-start a project or do a proof of concept”.
Again, we are at the heart of Arvotieto ValueManager® -concept.
Bringing in external experts may be the best way to jump-start a project or do a proof of concept.
- Governance & legal complianceOK. Good to notify.
- Summary: ”How to be Data-Driven”
Keep asking questions about your business
Challenge your basic assumptions
Create and monitos KPI’s
Get new ideas
Organize your data
Get right people on board
Break down silos
Focus on business value
Measure results
Stay agile
”Analytics initiatives often fail without senior analytics leadership.”
Tässä hyvä kirja joulupukin konttiin!