Dsml for business.full version
0 likes118 views
Документ подробно излагает опыт и навыки Дмитрия Гузенко в области анализа данных, машинного обучения и бизнес-анализа, подчеркивая его практический опыт в крупномасштабных IT-проектах. Он обсуждает применение методов Data Science для решения бизнес-проблем, включая классификацию, регрессию и кластеризацию, а также предоставляет примеры использования в реальных кейсах. В документе также обозначены вызовы и рекомендации по внедрению аналитических решений в бизнес.
Dsml for business.full version
- 1. BA for Data Science & Machine Learning
- 2. Гузенко Дмитрий Инструктор IT Education Academy Аналитик Luxoft Специалист по проектированию, разработке и внедрению IT проектов 24 года в ИТ 15 лет БA КОНТАКТНЫЕ ДАННЫЕ fb.com/dmitry.guzenko d.guzenko@outlook.com
- 3. ERP Ирбис предприятие 75 / 300 implementations ERP SiReD 5000 users Brunei Telecom Solution 25 Systems АПУ, МОН, КМДА, Антонов Luxoft Bank Domain Medical Statistic System 1992 201820122008
- 4. What we can deliver now…
- 6. What we deliver? Free Time
- 7. What we can deliver now…
- 9. (не)Новые технологии Machine Learning Data Science
- 10. (не)Новые роли Data Scientist Data Analyst
- 11. Who Is mr. Data Scientist
- 13. Specialized knowledge Understanding theoretical concepts of statistics/probability, data mining, machine learning Understanding how these theoretical concepts could be applied to real world problems Ability to understand the nature of business problems and see the place of analytical models in the solution Knowledge and hands-on experience with one or more of the following: Matlab/Octave, R, Python Familiarity with the concept of HPC, parallel computing Knowledge and hands-on experience with one or more of the following for data analytics: Spark/Theano/TensorFlow/Caffee
- 14. Skills and abilities Strong English verbal and written communication skills Deep analytical skills Self-organization, self-management Ability to work independently with limited supervision Ability to handle multi-tasking activities Ability to learn quickly Following academic research and trends as a habit Initiative and pro-active skills and flexibility Experience •Track record in data analysis, data science, artificial intelligence Personal characteristics •Passion for learning and education •Business orientation •Result orientation Job Context •Customer facing role •Sole responsibility over the analytical project •High level of responsibility •Simultaneous handling and fast processing of multiple tasks •Lots of educational and self-educational activities •Culture of knowledge sharing
- 16. Вывод BA knowledge as a base BA + DS = новые возможности
- 18. Что происходит
- 19. 1924 - Present 2001 - Present 2015 - Present
- 20. Data-Driven Approach Сбор всех данных Какие именно – рецепта нет
- 22. The Evolution of Data-Driven Company
- 24. Data Science — это наука о методах анализа данных и извлечения из них ценной информации, знаний.
- 27. Data Science Process https://en.wikipedia.org/wiki/Cross-industry_standard_process_for_data_mining Cross-Industry Standard Process for Data Mining Brussels, 1999 CRISP-DM
- 28. Data Science Process Business Analysis Development Evaluation Deployment Data Business Understanding Data Understanding Data Preparation Modeling
- 30. Вывод
- 31. Вывод Больше половины нам и так знакомо Пока все понятно.
- 40. Предсказания
- 41. Варианты использования Очевидные и невероятные
- 42. Персонализация Рекомендация Оптимизация Безопасность Автоматизация Генерация Прикладное применение
- 43. Индустрии
- 44. На какие вопросы отвечает Data Science?
- 45. На какие вопросы отвечает Data Science? Это A или B? Является ли это странным? Сколько? Как это организовано? Что делать дальше? Classification Anomaly Detection Regression Clustering Recommendation 1 2 3 4 5
- 46. На какие вопросы отвечает Data Science? Сколько? Regression Пример 2-х мерного пространства Характеристик много, реальное пространство многомерное
- 47. На какие вопросы отвечает Data Science? Сколько? Regression •Какой доход принесет клиент? •Какой возраст у клиента? •Сколько стоит этот объект (недвижимости)? •Какая оптимальная стоимость услуги?
- 48. На какие вопросы отвечает Data Science? Сколько? Regression •Какой объем продаж будет в следующем месяце? •Сколько сотрудников уволится в следующем месяце? •Прогноз прибыли или убытков по филиалам/направлениями/продуктам/менеджерам?
- 49. Кластеризация
- 50. Как это организовано? Clustering
- 51. На какие вопросы отвечает Data Science? Это A или B? Classification •Какой категории этот клиент? •Сотрудник уволится в следующем месяце? •Вернет ли этот клиент кредит банку: Да или Нет? 1 •Какой пол клиента?
- 52. На какие вопросы отвечает Data Science? Является ли это странным? Anomaly Detection2 Нормально ли это сообщение внутри интернет трафика? Могли ли вы рассчитаться кредитной картой одновременно из двух разных мест? Нормально ли то, что клиент летит в Египет но заказал экскурсию в Турции?
- 53. Рекомендательная система Collaborative Filtering
- 54. Рекомендательная система Collaborative Filtering
- 55. На какие вопросы отвечает Data Science? Что добавить еще? Recommendation •Какой товар можно еще докупить •Какой контент можно просмотреть еще? •Каким клиентам еще можно предложить эту услугу? •Рекомендация друзей, специалистов (FB, LinkedIn)?
- 56. Case: Такси Uklon Задачи: • Сократить время ожидания • Повысить кол-во заказов Бизнес модель: Клиент имеет возможность сам назначить цену поездки Проблема: Низкий % вывоза из определенных точек города Решение: сервис прогноза оптимальной стоимости поездки Целевые переменные: • Ожидаемое время прибытия • Процент выполнения заказа, план
- 57. Case: Такси Uklon Features: цена, конечная точка маршрута, марка машины, место прибытия, время суток, время года Dataset: Size = 20 Gb; Count = 20 000 000 поездок; Features = 20 характеристик;
- 58. Подходы: Кластеры: отличаются от стандартного разделения города на административные районы
- 59. Подходы: Создание временных групп: Сезоны, дни недели, время в сутках
- 60. Подходы: 300 ветвей дерева принятия решений
- 61. Архитектура:
- 62. Результаты A/B testing: В 75% случаев клиент не торгуется Время ожидания и KPI улучшились на 5-15%
- 63. Bank & Finances Николай Щербина Попасть в девяточку: как с помощью сегментации увеличить конверсию на 473% Персонализация коммуникаций: как достучаться до каждого Поток: CRM & Лояльность
- 64. На какие вопросы отвечает Data Science? Как это организовано? Clustering
- 67. Tools for quick starting
- 68. Tools for Machine Learning
- 69. Frameworks
- 71. Challenges Фокус не на алгоритм а на результат Эксперты не хотят терять монополию на экспертизу Размерность спринта иногда большая Отсутствие данных
- 72. Challenges Данные собираются для отчетности а не для анализа Нет чистых данных Требования объяснить результат Попытка повлиять на полученные предсказания Ответственность аналитика не за инсайт а за результат Заказчик считает что данных предостаточно Иногда нужна не аналитика а отчетность (30 вагонов продукции)
- 73. Советы Использовать «пилоты» Кол-во данных может быть небольшим • 100% данных дают 100% результат • 20% дают 80% результат • 4% дают 60-70% результата (проверка гипотезы) Работаем через гипотезы Решать задачу бизнеса • Например, остаток кеша в банкоматах не полезен для бизнеса. Необходимо понимать изменение стоимости пролеживания денег, штрафы за банкомат без денег, стоимость логистики инкассации. Т.е. термины и показатели бизнеса
- 74. Вопросы
- 75. На какие вопросы отвечает Data Science? Что делать дальше? Recommendation5 •Для робота-пылесоса: продолжить уборку или вернуться к зарядной станции? •Для автомобиля с автономным управлением: при желтом сигнале светофора затормозить или ускориться? •Для боевого дрона: внизу это колонна боевиков или это дети из школы идут?
- 76. AI in Marketing Meet Albert™ the First Artificial Intelligence Marketing Platform for the Enterprise
- 77. Save Time More Accurate Desigions Increase Revenue Smart Storage Delight Customers High Value Problem Solving
- 78. Meet Albert™ Анализ аудитории Аналитика и insights Тестирование и оптимизация Исполнение кампаний Автозакупка медиаресурсов