Когда вы думаете о цели науки о данных или машинного обучения, какие ответы приходят вам на ум? На базовом уровне аналитики данных и специалисты по данным используют алгоритмы аналитики и машинного обучения для решения бизнес-задач. Но что это на самом деле означает?
В книге «Наука о данных для бизнеса» Фостера Провоста и Тома Фосетта приведены отличные примеры того, как наука о данных используется в различных отраслях. Вот четыре распространенных:
- Классификация и оценка вероятности. Помогает ответить на такие вопросы, как: какие клиенты, скорее всего, ответят на данное предложение? Он пытается предсказать вероятность того, что отдельный клиент ответит на предложение или нет. И два класса будут: будет отвечать и не отвечать.
- Регрессия. Помогает ответить на такие вопросы, как: Насколько часто клиент будет пользоваться этой услугой? Регрессия — это контролируемый алгоритм обучения, который оценивает непрерывное значение для каждого человека на основе исторических данных.
- Кластеризация — группирует людей в группе на основе сходства. Хотя точки данных или клиенты в каждой группе будут иметь сходство, между каждой группой есть различия. Это неконтролируемый алгоритм, поскольку нет целевого значения и нет гарантии, что сходство всегда будет полезным.
- Группировка по совпадению — помогает ответить на такие вопросы, как: Какие товары покупаются вместе? Другое название — анализ рыночной корзины, когда он пытается найти связи между товарами на основе транзакций с ними. Например, на основе данных, которые он может показать, когда люди покупают веб-камеру, они также покупают микрофон. Это может привести к тому, что компании порекомендуют провести специальную рекламную акцию или разработать витрину с конкретным продуктом, чтобы побудить больше людей покупать оба товара вместе.
Не каждая проблема нуждается в решении с помощью машинного обучения, но это всего лишь несколько способов, с помощью которых специалисты по данным и другие специалисты по данным сегодня используют машинное обучение для решения бизнес-задач.
