“Aprendizaje automático” es un subconjunto de “Análisis de datos”: es solo una de las actividades que puede aplicar para resolver un problema de análisis de datos, ¡solo necesita encontrar un problema que pueda usar la magia del aprendizaje automático! ¿Qué tipo de actividades ?, usted dice, bueno, para responder que tendremos que dar un paso atrás y clasificar qué problemas podrían resolverse mediante el análisis de datos. Existen en general tres tipos de problemas:
- “Qué problemas. Pocos ejemplos: ¿Cuál es mi número de ventas para el último trimestre? ¿Podemos compararlo con el mismo trimestre del año pasado? Ahora, ¿podemos desglosarlo por regiones y categorías de productos? – ves que todas estas preguntas podrían responderse mediante una consulta en tus almacenes de datos o por tu plataforma de Business Intelligence. NO necesita aprendizaje automático para esto. Continuando …
- Problemas “por qué”: pocos ejemplos: ¿por qué el cliente canceló su contrato? ¿Por qué las ganancias en la región disminuyen trimestre a trimestre? Verá que esto es un poco más desafiante que las preguntas de “qué”: necesitará estructurar el problema y extraer datos de múltiples fuentes. ¿Por qué el cliente canceló? Es posible que desee ver datos internos (por ejemplo, quejas de clientes) y externos (por ejemplo, bancarrota). Por lo general, no necesitará aplicar Machine Learning aquí: puede que se beneficie en algunos casos en los que “agrupe” a todos los clientes abandonados y vea si puede encontrar algunos patrones, pero nuevamente, el aprendizaje automático no es su herramienta principal aquí. Continuando …
- Problemas “¿Qué sigue?”: Esto es lo que ha estado esperando: aquí es donde podría aplicarse el aprendizaje automático. Ejemplo: ¿Qué cuentas de clientes cancelarán su cuenta este año fiscal? – Aquí es donde entrena un algoritmo de aprendizaje automático para predecir qué clientes abandonarán este año. Tenga en cuenta que el trabajo que hizo para los problemas de “por qué” en los que identificó algunas características de los clientes abandonados seguirá siendo aplicable aquí, y eso me lleva a: La mayoría de las organizaciones no suelen saltar de la etapa “Qué” a “Qué sigue”, cada la organización se encuentra en una etapa diferente dependiendo de su madurez y no puede aplicar el aprendizaje automático a cada problema de análisis de datos. Además, con cada vez más empresas que utilizan “datos” para obtener una ventaja competitiva, si no está utilizando el aprendizaje automático, entonces hay muchas posibilidades de que su competidor lo supere y puedan competir con usted y por eso es importante invertir continuamente y alcanzar el nivel más alto. nivel: ¡cada vez más empresas y ejecutivos se están dando cuenta de esto y es una gran cosa para la comunidad de datos!
Para concluir: Dependiendo de la madurez analítica de su organización y el problema comercial en cuestión, es posible que deba usar el aprendizaje automático para resolver un problema de análisis de datos … Y nunca está de más aprender los conceptos básicos del aprendizaje automático junto con otras habilidades de análisis de datos que usted podría tener.
Espero que ayude.
- ¿Cuáles son ejemplos de datos primarios y datos secundarios?
- Si planeo enfocarme en Data Science usando Python en el futuro, actualmente para desarrolladores web ¿debería pasar tiempo aprendiendo Node / Express o enfocarme en Django?
- En un iPhone, ¿Siri es CASE en Interestelar? ¿Cuál es el origen de Siri?
- ¿Por qué elegiste trabajar en ciencia de datos sobre finanzas cuantitativas?
- ¿Hay algún buen conjunto de datos de huellas dactilares y / o iris disponibles públicamente para el aprendizaje automático?
