Tom+Macaulay

與數(shù)據(jù)科學家合作，邏輯勝過創(chuàng)造力。我們需要采用一些其他的商業(yè)方式。

機器學習已成為商業(yè)技術的流行詞，但其應用的實際意義往往被忽視。

機器學習和數(shù)據(jù)分析專業(yè)公司Yandex Data Factory的首席執(zhí)行官Jane Zavalishina說：“主要的問題是數(shù)據(jù)科學本身是科學，而企業(yè)在決策時不太習慣使用科學的方法?！?/p>

該公司是俄羅斯最大的搜索引擎運營商跨國技術公司Yandex的子公司。2014年12月，Yandex啟動了Yandex數(shù)據(jù)工廠，擴展了自己開發(fā)的數(shù)據(jù)科學的功能，支持其核心產(chǎn)品為行業(yè)應用提供基于機器學習的服務。

該公司2014年末成為俄羅斯最大的搜索引擎運營商——跨國公司Yandex的子公司。它提供機器學習和數(shù)據(jù)科學服務，為廣告活動策劃和確定商店庫存訂單等事項建立預測模型。

Yandex數(shù)據(jù)工廠團隊通過實驗過程確定其結果，只有在實驗結束后才能判斷是否成功。

Zavalishina解釋說：“當您把一些工作交給您的員工時，理想情況下，您或多或少地總是期望有一個完整的結果。但數(shù)據(jù)科學家的工作方式完全不一樣，因為您不能指望數(shù)據(jù)科學保證能得到結果?！?/p>

失敗是任何數(shù)據(jù)科學項目合理的結果，業(yè)務經(jīng)理以后也得接受這一事實。

是什么讓數(shù)據(jù)科學家與眾不同？

邏輯勝過創(chuàng)造力，而現(xiàn)實勝過信念，所以應采用其他的商業(yè)方法與數(shù)據(jù)科學家合作。換句話說，它取決于事實和邏輯，而不是想象會有什么樣的結果。

那么就會很難向數(shù)據(jù)科學家提出一些問題讓他們回答，因為他們會認為這些問題根本上是無意義的。

Zavalishina說：“聽起來就像零除以零，沒有意義。問題是您無法讓他們?nèi)ミ@樣做；您不能讓人們?nèi)プ隽愠粤愕氖虑?。他們會認為您可能是一個白癡，不會與您很好地合作?！?/p>

他們要先了解項目，覺得可以試一下。例如，如果他們打算使用機器學習來改進系統(tǒng)，那么他們要有足夠的數(shù)據(jù)才能評估結果是否有意義。

Yandex數(shù)據(jù)工廠首席運營官Alexander Khaytin說：“很多業(yè)務決策都是憑直覺做出的，這就是為什么不需要評估所有常規(guī)業(yè)務的原因。但是當面對數(shù)據(jù)科學項目，或者與數(shù)據(jù)科學家溝通時，您不能只告訴他們，‘這樣做，我覺得會很好。這樣是不行的?！?/p>

提出合適的問題

預測分析建模所采用的算法比傳統(tǒng)的統(tǒng)計系統(tǒng)更復雜。這可能很難解釋。

零售業(yè)經(jīng)常使用數(shù)據(jù)科學來更好地預測每周訂單的庫存補貨需求。結果可能令人驚訝，但是這個過程涉及的因素太多，通常很難理解。

Zavalishina說：“對于不能理解數(shù)據(jù)復雜性的人來說，很難向他們解釋，但由于無法解釋，您無法根據(jù)常識或者商業(yè)智能來決定它的好壞。您需要確定您知道想改進什么，以及如何評估結果。

這不是創(chuàng)造。它是很具體的，知道要預測或者優(yōu)化什么。這就像和數(shù)學家打交道。您提出問題，那么您會得到這個問題的答案。

如果您的問題是錯誤的，不要指望得到正確的答案。這是一個令人驚訝的常見問題，因為公司往往缺乏對其目標的全面規(guī)劃和評估?！?/p>

Zavalishina回憶說：“我們和一家大型零售公司合作，他們要求我們建立一個模型，預測下周每個商品能有多少銷售。我們在一個商品上試了一下，但問題是他們意識到預測實際上對他們沒什么用處?！?/p>

他們的模型是準確的，但公司正在訂購的產(chǎn)品是6個一包，而不是單獨分開包裝。如果預測的是下周7個商品的銷售，那他們要回答的問題就完全不同了。他們應該買一個還是兩個？可能會有些小變化，但實際上他們一開始就錯了。模型變得完全不同，因為優(yōu)化參數(shù)已經(jīng)變了。

數(shù)據(jù)科學需要仔細的進行規(guī)劃。公司收到了正確的答案，但一開始應該提出不同的問題。

在邁向成功的道路上失敗了

向另一家零售商提供的優(yōu)化模型表明，他們很少售出的昂貴而又不常見的產(chǎn)品根本不值得訂購。這個決定在數(shù)學上是合乎邏輯的，但這并不能說明在商業(yè)上可行。這些商品對于商店名聲和客戶群都是非常重要的。

Zavalishina說：“可以向您保證的是，通過您的第一個數(shù)據(jù)科學項目或者機器學習項目，您需要回顧并重新考慮標準是什么，目標是什么?！?/p>

Yandex通常建議客戶從非常具體和短期的項目開始，以避免對項目進行長期投資帶來的風險，因為這些項目可能會產(chǎn)生無意義的結果。這種方法允許公司全面地逐項進行改進。

另一家公司有自己的系統(tǒng)來確定向哪些客戶發(fā)送報價。Yandex使用由機器學習算法產(chǎn)生的統(tǒng)計模型的建議來確定怎樣隨機地聯(lián)系一些客戶群。其余客戶根據(jù)以前的系統(tǒng)進行了聯(lián)系，然后公司對比了從報價到實現(xiàn)銷售的轉換率。

唯一的問題是，周五將報價發(fā)送給控制組，而在周末向實驗組發(fā)送報價。不同的聯(lián)系時間、不同的行為模式使得任何比較都沒有意義。

業(yè)務經(jīng)理經(jīng)常問Yandex是否應該參加機器學習或者數(shù)據(jù)科學課程，以了解怎樣讓技術給企業(yè)帶來好處。

Zavalishina說：“我們通常的回答實際上是‘不，沒有任何意義。這不會使您成為數(shù)據(jù)科學家，所以不會真的對您有所幫助。如果您希望能夠將該技術應用于工作中，那么您應該更好地學習科學的方法以及測量和實驗?；旧希绻Ｍ@種技術能帶來結果，那么我們需要一種更科學的方法?！?/p>

接受不確定性

企業(yè)應接受科學文化。負面結果并不意味著工作失敗，只是證明優(yōu)化沒有起作用。

企業(yè)結構內(nèi)的責任是另一個挑戰(zhàn)。有一家客戶曾經(jīng)希望Yandex能夠優(yōu)化其廣告支出。開發(fā)的算法實現(xiàn)了當初的承諾，能節(jié)省20%的成本。

但要實現(xiàn)這一結果比得出結論更具挑戰(zhàn)性。負責這個項目的工作人員的獎金取決于他們應該購買什么以獲得最佳效果的計劃和決策。

Zavalishina解釋說：“所以現(xiàn)在他們有了這個模型，為他們提供了建議，數(shù)學上證明這些建議更好，但問題是這是他們的責任?！?/p>

數(shù)據(jù)科學項目承認同一業(yè)務中可能存在不同的責任和優(yōu)先級。該團隊將實施一個可能減少獎金的業(yè)務模型。

Khaytin補充說：“談到科學的方法，它更加理性，更具有可衡量性，這可能是一個相當矛盾的情形。

通常的決策目的至少會被顛覆。例如，一位專家可以告訴您‘我有一種直覺，我有一種想法，會是這樣。在我們這里，您有一些數(shù)據(jù)科學工具，一些數(shù)據(jù)科學項目，它是完全不同的，沒有直覺?！?/p>

把商業(yè)和科學方法整合在一起是一個復雜的過程，需要耐心和理解。Yandex還與鋼鐵制造商合作，優(yōu)化了生產(chǎn)過程中使用的材料混合物的配比。通過增加某種材料量來提高質(zhì)量，但這種材料越多，產(chǎn)品就越貴。

Yandex使用歷史數(shù)據(jù)做出了讓混合物質(zhì)量和成本達到最佳平衡的準確模型，得到了由機器學習算法提供的配方。

Zavalishina說：“這個配方對他們來說往往沒有任何意義。他們看著說‘不行，我不能這樣做，我不接受這個，我做的不一樣。

有趣的是它雖然能帶來更好的優(yōu)化，但另一方面，他們有自己的經(jīng)驗，那么應如何處理呢？有80%的建議他們基本上都沒有采用。

我們想出了一個解決方案，這是獲得我們提供的配方的另一種算法，在此基礎上，還建立了預測，預測被客戶接受的可能性。從嚴格的數(shù)學角度來看，優(yōu)化后的配方好像不是最優(yōu)的，但更有可能被接受?！?/p>

長期以來人們一直恐懼人工智能可能會毀滅人類，但人與機器學習之間的結合仍然是數(shù)據(jù)科學的基礎。

原文網(wǎng)址：

http：//www.computerworlduk.com/data/how-use-data-scientists-machine-learning-in-enterprise-3656051/