Datenwissenschaft: „Maschinen führen Analysen durch.“ „Menschen machen Analysen“

Booz Allen hat die Datenwissenschaft vorangetrieben, Tools entwickelt und praktische Leitfäden veröffentlicht, um die Analyse voranzutreiben. Intern hat Booz Allen auch ein Pinterest für Data Science. Das Ziel: Die Datenwissenschaft so voranzutreiben, dass sie einfach im Hintergrund geschieht.

Allerdings ist es noch viel zu früh, bis Data Science und Analytics tatsächlich umgesetzt werden. Josh Sullivan, der die Datenwissenschafts- und Analysepraxis bei Booz Allen leitet, vergleicht die Analyse mit der Zeit, in der sich die Informatik in den 1950er Jahren befand.

Ich habe mich mit Sullivan und Angela Zutavern, Vizepräsidentin der strategischen Innovationsgruppe, getroffen, um über die Probleme rund um die Datenwissenschaft zu sprechen. Hier sind die Highlights unseres Chats:

Talent. Booz Allen verfügt über ein 500-köpfiges Team, das sich datenwissenschaftlichen Projekten widmet, und 50 davon sind „nationale Schätze“, sagt Sullivan. Diese 50 Elite-Datenwissenschaftler haben an mehreren Projekten in vielen Branchen gearbeitet und verfügen über alle erforderlichen Eigenschaften, um die richtigen Fragen zu stellen, die zur Transformation des Geschäfts erforderlich sind.

„Diese Menschen sind neugierig und unerbittlich angesichts des Scheiterns“, sagte Sullivan. „Sie drängen weiter und egal, und sie glauben, dass sie einen Beitrag leisten können, egal wie groß das Problem ist.“ Beispielsweise kann ein Team 340 Mal scheitern, bevor es das Muster findet, das etwas bedeutet. Man kann nicht so schnell enttäuscht werden.

Die Verbindung zwischen Maschine und Mensch. Sullivan hält nicht viel von Analysetechnologie, die als Wundermittel für die Datenwissenschaft dient. Keine Maschine kann ein Wundermittel sein. Der Mensch muss die Muster finden, die richtigen Fragen stellen und die Zusammenhänge in den Daten herstellen. „Maschinen führen Analysen durch“, erklärte Sullivan. „Menschen machen Analysen.“ Computer sind gut im Detail und in der Untersuchung der Vergangenheit, aber echte Datenwissenschaft erfordert Vorstellungskraft und kognitive Fähigkeiten.

„Ich kann zehn Tools, US-Volkszählungsdaten und Landwirtschaftsdaten nutzen und feststellen, dass Menschen, die von ihren Bettlaken erdrosselt wurden, den Käsekonsum verfolgen“, sagte Sullivan. „Ein Mensch weiß, dass das keinen Sinn ergibt. Man kann die Argumentation eines Menschen nicht zur Ware machen.

Mit anderen Worten: Maschinen werden als „Datenwächter“ eingesetzt, um Daten zu bereinigen und Zahlen zu verarbeiten, aber das ist nur ein kleiner Teil des Gesamtprozesses.

Wachsendes Talent. Sullivan sagte, Booz Allen habe sich weitgehend dafür entschieden, seine eigene Talentbasis im Bereich Datenwissenschaft auszubauen. „Zuerst haben wir angefangen, Gehirne auf einen Stock zu werfen“, sagte Sullivan und bezog sich dabei auf den Schritt, einen einzustellen Haufen Doktoranden. Das Problem: Booz brauchte Leute mit Soft Skills, Branchenkenntnissen und Prozesse.

Fazit: Data Science ist ein Mannschaftssport und Sie brauchen ein vielfältiges Team, um verschiedene Blickwinkel zu erkunden.

„Wir werden aggressiv neue Mitarbeiter einstellen, aber wir wollen unsere eigenen Mitarbeiter ausbauen, damit wir wissen, was wir bekommen“, sagte Sullivan. „Das hat auch Vorteile für unsere Leute.“ Das Data-Science-Programm von Booz Allen umfasst Rotationen in verschiedene Branchen, damit die Mitarbeiter bei Projekten gut eingebunden werden können. Booz Allen ist wie IBM und andere an der Ausarbeitung von Lehrplänen für Datenwissenschaften an Universitäten beteiligt. Booz Allen nimmt sich auch die Zeit, die Datenwissenschaft auf große soziale Projekte anzuwenden. Der Wechsel von Mitarbeitern in soziale Projekte erfrischt sie und regt zum großen Denken an.

Branchen, in denen die Datenwissenschaft glänzt. Sullivan sagte, das Gesundheitswesen und alle von der „Quantified Self“-Bewegung verbreiteten Daten seien vielversprechend. Wearables sind ein Teil der Gleichung, aber die Daten von klassifizierten medizinischen Geräten werden mindestens genauso wichtig sein, wenn nicht sogar noch wichtiger. Der Transport ist ein weiterer vielversprechender Bereich für die Datenwissenschaft. Booz Allen hat auch eine große Sportpraxis.

Sullivan sagte, sein Unternehmen habe an einem Vorhersagemodell gearbeitet, das den nächsten Pitch eines Major-League-Pitchers mit einer Genauigkeit von 95 Prozent vorhersagt. Die Vorhersage basiert auf historischen Daten, der Geschichte des Werfers, dem Wetter, der Spielsituation und anderen Variablen. Betrug ist eine weitere Schlüsselkategorie, ebenso wie Machine-to-Machine-Anwendungen. Eine Einschränkung: Vorhersagemodelle sind bei der Analyse unberechenbarer Menschen nicht perfekt. „Menschliches Verhalten ist schwer vorherzusagen“, erklärte Sullivan. „Zum Beispiel ist es bei Betrug schwierig, einen Menschen zu analysieren, der alles tut, um einen zu besiegen und einer Entdeckung zu entgehen.“

Wo Operations Research endet und Data Science beginnt. Sullivans Transportbeispiele drehten sich um Dinge wie Routenplanung und Netzwerke, die den traditionellen Bereich der Betriebsforschung darstellen.

Sullivan sagte, dass Datenwissenschaft und Operations Research (OR) sich ergänzen. „Bei OR geht es um Simulation. Bei der Datenwissenschaft geht es darum, die richtigen Teile an den richtigen Stellen zu platzieren. „Das OP-Team bringt Datenwissenschaft in die reale Welt“, sagte Sullivan. „Wir haben ein großes OP-Team und haben es mit unserer Data-Science-Praxis verknüpft.“

Kapitalrendite. Sullivan sagte, es sei schwierig, den ROI der datenwissenschaftlichen Fähigkeiten im ersten Jahr nachzuweisen. Unternehmen sollten das erste Data-Science-Jahr als eine anfängliche Anstrengung betrachten, an der sie sich gerade befinden Entdecken Sie unbekannte Unbekannte, kuratieren Sie Daten und kennzeichnen Sie sie, damit sie später mit einem Unternehmen verknüpft werden können Ergebnis. „Am Anfang geht es um kleine Siege“, sagte Sullivan. Ein weiterer wichtiger Punkt von Zutavern: Kein Unternehmen verfügt über eine perfekte Datenontologie und -kategorisierung, daher sollten Sie einen Analyseaufwand nicht in der Hoffnung auf Perfektion aufschieben. Jedes Unternehmen hat Datenlücken und die Informationen sind wahrscheinlich unübersichtlich.