Data What? What Analytics?
Buzzwords. När man har varit i IT-svängen ett tag så blir man till slut nästan immun mot alla dessa buzzwords. Data Science, Advanced Analytics, Big Data, Cloud, Self Service Analytics, Data-Driven Business, Data Lake, Predictive Analytics… Listan på buzzwords kan göras ändlöst lång.
Faktum är dock att vissa buzzwords, såsom Business Intelligence på ett sätt en gång i tiden var ett buzzword, borrar sig fast och till och med skapar nya branscher, medans andra dör ut snabbare än de hittades på. I det här blogginlägget vill jag avmystifiera och diskutera två buzzwords som är här för att stanna och som påverkar Business Intelligence-branschen i allra högsta grad. Data Science och Advanced Analytics.
Vad är Data Science?
Detta innebär rent teoretiskt att fler och fler företag och organisationer sitter på mängder av oanvänd data med outnyttjad potential och missade affärsinsikter.
Även om Data Science inte är ett nytt begrepp i sig så kom det i mina ögon att växa som buzzword som en motreaktion till begreppet Big Data. För att kunna använda denna ”stora data” (läs ökad datamängd) så behöver man konkretisera ”hur”.
Data Science är ett koncept som sammanför matematik, statistik, dataanalys och deras relaterade metoder så att man lättare kan förstå och analysera fenomen i sin data. Inom Data Science används tekniker såsom machine learning, cluster analysis, data mining och visualisering. Målet är att utifrån rå data utvinna värdefull information som kan hjälpa oss att ta bättre beslut och/eller erbjuda bättre tjänster.
Reella exempel är streamingtjänster såsom Netflix och Spotify som baserat på din konsumtionshistorik föreslår nya filmer, tv-serier, artister och låtar för dig. Banker och finansbolag använder det för att upptäcka bedrägerier och för att göra kreditbedömningar. Det finns mängder av möjliga användningsområden och som en sann klyscha kan man säga att det endast är din egen fantasi som sätter gränserna.
Vad är Advanced Analytics?
Advanced Analytics är ett samlingsnamn för tekniker som Data Science använder sig utav, såsom predictive analytics, data mining etc. Qlik har i sina produkter QlikView och Qlik Sense satsat på Advanced Analytics Integration som möjliggör integration mot statistik- och data science-verktyg såsom R och Python. Detta gör att man direkt i sina Qlik-appar kan bli serverad information utifrån statistiska modeller som i realtid beräknas på ditt personliga dataset.
Allt detta låter ju väldigt bra så det är inte konstigt att Data Science är något som engagerar och att det är här för att stanna. Som BI-konsult upplever jag dock att mognadsgraden på områden såsom Data Science och Big Data fortsatt är generellt låg. Men buzzwords säljer. Big Data kan för en kund vara en excelfil med några hundra tusen rader och för en annan innebära klustrade Hadoop-servrar i ett artificiellt Star Trek-moln. Data Science kan samtidigt innebära en enkel korrelationsanalys för en kund och avancerade scoringmodeller för en annan. Med detta i beaktning så anser jag att det finns några grundläggande förutsättningar som man som beställare ska förstå för att få ut ett värde ur en satsning på Data Science. Håll utkik efter del 2 där jag går igenom dessa förutsättningar.
Läs också: Del 2 – Hur får man ut värdet av en investering i Data Science?
Blogginlägget är skrivet av Filip Reinholdson, affärsområdesansvarig för Analytics på Visma bWise AB.
