Data Science og Advanced Analytics

Beslutningens neste steg (del 1) – Hva er Data Science og Advanced Analytics?

Data science? Advanced analytics?

Når man har vært i IT-bransjen en stund blir man til slutt nesten immun mot alle buzzwords. Data Science, Advanced Analytics, Big Data, Cloud, Self Service Analytics, Data-Driven Business, Data Lake, Predictive Analytics… Listen av buzzwords er lang.

Faktum er imidlertid at enkelte buzzwords, som Business Intelligence, setter seg fast og skaper nye bransjer, mens andre dør ut raskere enn de ble funnet på. I dette blogginnlegget vil jeg avmystifisere og diskutere to buzzwords som har kommet for å bli og som påvirker Business Intelligence-bransjen i aller høyeste grad – Data Science og Advanced Analytics.

Hva er Data Science og Advanced Analytics?

Mengden data som produseres i dagens IT-drevne samfunn har som kjent eksplodert. Allerede i 2015 ble det hevdet at det har blitt produsert mer data i løpet av de siste to årene enn vi mennesker har produsert i løpet av hele vår tidligere historie. Samtidig som mengden data øker eksponentielt så har tilgangen til data ikke økt i samme takt. Dette innebærer rent teoretisk at flere og flere bedrifter og organisasjoner sitter på mengder av data med uutnyttet potensial og tapt forretningsinnsikt.

Selv om Data Science ikke er et nytt begrep i seg selv så kommer det i mine øyne til å vokse som buzzword som en motreaksjon til begrepet Big Data. For å kunne bruke denne “stordataen” (les: økt datamengde) så trenger vi å konkretisere “hvordan”.

Data Science er et konsept som kombinerer matematikk, statistikk, dataanalyse og deres relaterte metoder slik at man lettere kan forstå og analysere innholdet i dataene sine. Innen Data Science brukes teknikker som machine learning, cluster analysis, data mining og visualisering. Målet er at man basert på rådata kan trekke ut verdifull informasjon som kan hjelpe oss med å ta bedre beslutninger og å tilby bedre tjenester.

Reelle eksempler er streamingtjenester som Netflix og Spotify, som basert på din forbrukshistorikk foreslår nye filmer, TV-serier, artister og låter for deg. Banker og finansselskap benytter det for å oppdage svindel og for å foreta kredittvurderinger. Det finnes mengder av mulige bruksområder og som en sann klisjé kan man si at det kun er din egen fantasi som setter begrensninger.

Advanced Analytics er et samlebegrep for teknikker som Data Science benytter seg av, slik som predictive analytics, data mining og så videre. Qlik har i sine produkter QlikView og Qlik Sense satset på Advanced Analytics Integration som muliggjør integrasjon mot statistikk- og data science-verktøy som R og Python. Dette gjør at du direkte i din Qlik-applikasjon kan motta informasjon basert på statiske modeller som i sanntid beregnes på ditt personlige datasett.

Alt dette høres jo veldig bra ut, så det er ikke rart at Data Science er noe som engasjerer og at det er her for å bli. Som BI-konsulent opplever jeg imidlertid at graden av modenhet på områder som Data Science og Big Data fortsatt er generelt lav – men buzzwords selger. Big Data kan for én kunde være en Excel-fil med noen hundre tusen rader, og for en annen innebære klustrede Hadoop-servere i en artifisiell Star Trek-sky. Samtidig kan Data Science innebære en enkel korrelasjonsanalyse for én kunde, og avanserte scoringsmodeller for en annen. Med dette tatt  i betraktning så anser jeg at det finnes noen grunnleggende forutsetninger som bør forstås som kunde for å få verdi ut av en satsning på Data Science.

 

Les også:

Beslutningens neste steg (del 2) – Hvordan få verdi ut av en satsning på Data Science?

Filip Reinholdson jobber i Optivasys som ansvarlig for forretningsområdet Belutninger & Analyse. Han har vært en del av Optivasys siden 2014 og jobber i sin rolle for å fortsette å utvikle sin allerede omfattende erfaring og kompetanse med å skape løsninger basert på kundens faktiske behov.
Connect with Filip: