Керівник KNIME описав майбутнє data science у пост-корона світі
07.05.2021
Коронакриза вивела важливість big data та аналітики великих даних на новий рівень. Яким буде майбутнє науки про дані? Ось що думає про це керівник великої аналітичної компанії.
Наскільки зрілою є наука про дані? Яке майбутнє чекає на неї після гайпу 2020 року, пов’язаного зі значно збільшеним попитом на аналітику big data та бізнес-аналітику? Криза COVID-19 змінила уявлення і про перспективи data science, як і поставила під сумнів чимало попередніх моделей, пише Майкл Бертгольд, CEO та кофаундер аналітичної компанії KNIME, у своєму дописі для Venture Beat.
“COVID змусив бізнеси повністю змінити свої моделі, щоб відповідати різким змінам у повсякденному житті. Їм довелося швидко перекваліфікуватися та передислокуватися, щоб спробувати зрозуміти світ, який змінився буквально за одну ніч. Багато організацій натрапили на стіну, але інші змогли створити нові процеси аналітики великих даних, які можна було б впровадити у виробництво набагато швидше та простіше, ніж те, що було раніше. З цієї точки зору процеси обробки даних стали більш гнучкими”, – переконаний він.
Бертгольд пояснює, що наука про дані стикається із новим викликом – життям після пандемії. Всі очікують на кінець коронакризи, утім, додає він, навряд чи світ “магічно” повернеться до своїх попередніх практик та звичок. “Натомість у нас буде перехідний період, який вимагатиме довгої, повільної зміни для встановлення базової лінії або нового набору норм”. Відповідно, зазначає фахівець, під час цього переходу моделі даних потребуватимуть майже постійного моніторингу, на відміну від викликаного COVID потрясіння загального масштабу. Дата-аналітики, на його думку, ніколи не стикалися з чим-небудь подібним до того, що варто очікувати найближчими місяцями.
Зміщення балансу
“Якщо запитати, що нам найбільше не вистачає в житті до пандемії, багато хто з нас назве такі речі, як подорожі, виїзди на вечерю, можливо, шопінг. Існує величезний відкладений попит на все втрачене”, – описує поточну ситуацію Бертгольд.
Утім, додає він, існує велика група людей, на яких пандемія фінансово не вплинула. Оскільки вони не змогли задовольняти свої звичні інтереси, вони, припускає аналітик, мають у своєму розпорядженні досить багато грошей. Проте сучасні моделі науки про дані, які відстежують витрачання наявного доходу, ймовірно, не готові до сплеску, який, вірогідно, перевищить рівень видатків до пандемії.
Тим не менш, продовжує він, цінові моделі створені, щоб прораховувати, скільки люди готові витрачати на певні види поїздок, ночівлю у готелях, харчування, товари тощо. Авіакомпанії слугують чудовим прикладом. “До COVID-19 прогнозування цін авіакомпаніями передбачало всілякі оптимізації. У них була вбудована сезонність, а також певні періоди, такі як святкові подорожі чи весняні канікули, що підвищувало ціни. Вони розробляи різні класи проїзду, реалізовуючи дуже складні, часто створені вручну моделі оптимізації, які були досить точними, допоки пандемія їх не підірвала”, – пояснює Бертгольд.
У світі після COVID авіакомпаніям доводиться виходити за рамки звичних категорій, щоб задовольнити інтенсивний попит споживачів. Замість того, щоб повертатися до своїх старих моделей, вони повинні задавати питання на кшталт “Чи можу я отримати більше грошей за певні типи поїздок і все-таки заповнити літак?”, пропонує CEO KNIME. Він каже: якщо авіакомпанії постійно запускатимуть моделі для відповіді на ці та інші запитання, ми побачимо зростання цін на певні маршрути. “Це триватиме певний час, перш ніж ми побачимо, як споживачі знову починають самостійно регулювати свої витрати. У певний момент у людей вже не залишиться накопичених грошей”, – пише він. Отже, робить висновок дослідник, дійсно потрібні моделі, які визначають, коли відбуваються такі зрушення, і які постійно адаптуються.
Зміщення моделі
COVID став одним “великим вибухом”, за якого все змінилося, провадить Бертгольд. Утім, переконаний автор, “дивний період”, який ми зараз будемо проходити – перехід до якоїсь “нової норми” – буде набагато складніше інтерпретувати. Це випадок зміщення моделі, коли реальність змінюється повільно, каже він.
На думку фахівця, якщо організації просто знову відновлять використання своїх доковідних моделей або якщо вони дотримуватимуться того, що вони розробили під час пандемії, аналітика великих даних не зможе дати їм належних відповідей.
“Наприклад, багато працівників готові повернутися до офісу, але вони все одно можуть вибрати роботу вдома кілька днів на тиждень. Це, здавалося б, невелике рішення впливає на все, починаючи від режиму руху (менше автомобілів у дорозі в пікові періоди) до використання води та електрики (люди приймають душ у різний час і використовують більше електроенергії для живлення своїх домашніх офісів)”, – наводить приклади дописувач. Аналогічно – продажі в ресторанах та супермаркетах та всі інші форми поведінки, що виникли під час пандемії.
Повільне повернення до норми
Організації повинні об’єднувати цілі групи з аналітики даних, а не лише інженерів машинного навчання, переконаний Бертгольд. Наука про дані – це не лише навчання нової моделі штучного інтелекту чи машинного навчання; мова також йде про перегляд різних типів даних, а також нових джерел даних. “А це означає запрошення до процесу керівників підприємств та інших співробітників. Кожен учасник відіграє свою роль завдяки всім задіяним механікам”, – пише він.
Організації повинні підготуватися, запровадивши гнучку функцію аналітики big data, яка може постійно створювати, оновлювати та розгортати моделі, щоб відображати реальність, що постійно змінюється. Саме тому, зазначає Бертгольд, компаніям та організаціям варто переосмислити свої підходи та використовувані моделі для ефективного використання big data та бізнес-аналітики.
