以自动化数据科学与机器学习方案加速业务洞察
数据科学家是数据科学项目成功关键。但他们不能孤军奋战。需要其他技能组合帮助，以及自动化方案。
数据，润滑现代机器齿轮的石油。但有问题。组织挣扎于从这新动力获取业务洞察。
供不应求
市场上许多企业客户试图建超大数据科学团队。一些想雇佣数百人应对数据爆炸；源从客户输入到IoT设备——这将成主渠道。
但不易，数据科学家巨缺。
有Gartner所称“公民数据科学家”——主要工作职能在统计分析领域外，但创建或生成使用高级诊断分析或预测处方能力模型的人——他们为专家数据科学家提供互补角色。不替代专家，因无特定高阶数据科学专长。
即使这样，许多企业真难建立公民数据科学团队，更别说数据科学家团队。
数据科学
数据科学描述为多学科领域，用科学方法、过程、算法和系统从各形式结构化非结构化数据提取知识洞察，类似数据挖掘。
自然有许多分量。之一是机器学习，“数据科学最有趣部分”，据dotData CEO兼创始人Ryohei Fujimaki。
企业真正痛点在数据端——构建数据集使其成熟可应用数据科学。数据极复杂，企业收集时非 为机器学习和数据科学存储。为业务目的存，如图表。
业务必须转换业务数据为机器学习格式，称“特征学习”，Fujimaki说。“基本上必须应用大量领域知识跑数据。”
所以，人才短缺但数据持续流入气候下，必须自动化数据科学端到端过程；含特征管道数据。
获取洞察驱动行动
机器学习能预测、识别新客户，金融服务如识别最高风险客户。此预测*驱动业务流程自动化。核心业务与业务系统集成、自动触发某业务动作。这样有许多领域让业务显著更高效。
机器学习和数据科学过程另一重要产出是业务洞察。数据极复杂——行业专家有领域知识和直觉——但海量数据进企业背后有大量隐性知识。机器学习或数据科学过程通常能发掘专家也未知、未见、意外之事。
dotData案例
dotData助银行客户应用平台预测哪些新客户对房贷产品感兴趣。最初以为吸引年轻人。但发现截然不同客户类型感兴趣：年龄稍长人群。该人口统计购买此产品多于预测年轻群体。
此类新业务洞意为客户构建设计针对该细分客群促销活动、或基于此洞察设计新产品成为可能。
自动化数据科学和机器学习过程从数据产出新业务洞察。
仅靠数据科学家……不够
企业需何种技能组合让数据科学提取有意义业务结果？首要是数学统计知识，但同时这些企业须下载超大规模复杂数据——需数据工程。
“同数据解不同业务问题，需不同领域专长，”Fujimaki说。
优秀数据科学家需强数学统计技能，但常无业务和数据工程技能。
数据科学家短缺是任何成功数据科学项目障碍。但问题：仅靠数据科学家不足完成大复杂项目。
成功数据科学项目需领域专家、设计工程师和数据科学家。
数据科学项目很大部分是预测*——需与业务系统集成、自动驱动大量数字化维护。意味着企业需理解此数据科学过程、适当集成进业务系统的工程师。Fujimaki称此类人为“数据科学人才”。
数据科学家不可或缺，但完成数据科学项目需更多角色。
dotData等方案帮解决此问题、分担努力、弥合鸿沟，通过自动化数据科学和机器学习。
自动化控制系统