Dane, które pracują na decyzje - nie tylko na raport
W tej destynacji Dane nacisk jest położony na to, co dzieje się ,,pomiędzy" zbieraniem informacji a decyzją: porządkowanie, stawianie hipotez, testowanie ich i uczciwe wyciąganie wniosków. Czasem to właśnie drobny szczegół (źle dobrana miara, mylący wykres, nieoczywisty błąd w dopasowaniu) przesądza o tym, czy firma widzi problem, czy tylko go ładnie opisuje. Dlatego te książki prowadzą przez logikę analizy i pokazują, jak nie zgubić sensu, gdy danych robi się za dużo.
Gdy chcesz zrozumieć, jak myśleć o przewidywaniach w praktyce i jak łączyć je ze strategią, przydaje się perspektywa z książki Fostera Provosta i Toma Fawcetta Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji -- szczególnie tam, gdzie pojawia się temat modeli predykcyjnych i ryzyka nadmiernego dopasowania.
Machine learning w codziennej analizie: od danych surowych do modelu
W podkategorii związanej z machine learning liczy się tempo i powtarzalność: jak przejść od surowych danych do sensownego modelu, a potem sprawdzić, czy ten model w ogóle ,,trzyma się realiów". W praktyce wygląda to jak seria małych decyzji: jak przygotować zmienne, jak dobrać metodę, jak ocenić wynik i jak go pokazać komuś, kto nie chce słuchać o szczegółach algorytmu. Ten zestaw kompetencji przydaje się i w analizie sprzedaży, i w scoringu, i w prognozowaniu popytu -- czasem nawet w projekcie, który zaczynał się niewinnie od jednego pliku CSV.
Jeśli pracujesz projektowo i chcesz ćwiczyć techniki statystyczne oraz uczenie maszynowe na konkretnych zadaniach, sporo praktyki daje podejście opisane przez Ninę Zumel i Johna Mounta w Język R i analiza danych w praktyce. Wydanie II, gdzie istotne są nie tylko wyniki, ale też ich komunikowanie interesariuszom.
Automatyzacja analizy: Excel, Python i mniej ręcznej roboty
Nie zawsze zaczynasz od ,,laboratorium danych" -- często start jest w arkuszu, w którym ktoś od miesięcy ręcznie skleja raporty. Wtedy bardzo szybko docenisz umiejętność automatyzacji: wczytanie wielu plików, czyszczenie, transformacje, a potem odtworzenie raportu bez klikania w kółko. I tu świetnie sprawdza się podejście dla zaawansowanych użytkowników arkuszy, pokazujące m.in. pracę z notatnikami i bibliotekami do analizy tabel, jak w książce Felixa Zumsteina Python i Excel. Nowoczesne środowisko do automatyzacji i analizy danych.
Jeśli chcesz, możesz przy okazji zerknąć też na podkategorię poświęconą machine learning w helion.pl -- to dobre miejsce, gdy analiza ma skończyć się działającą predykcją, a nie tylko tabelą w raporcie.
