n karrerak ez ditu 10 urte bete ere egin eta munduan hazten ari den lanbideetako bat da dagoeneko. Horregatik da LinkedIn trebetasunen bilatzaile nagusia .Datuak 3 V ospetsuetan hazten dira: barietatea, bolumena eta abiadura. Datuen eta informazioaren eztandak erabakiak hartzeko prozesua zaildu du. Bestalde, Data Scientist-ek datu kopuru izugarri hori prozesatzen eta aztertzen dute, benetako abantaila lehiakorra sortzeko. Horrela erabakiak hartzeko prozesua zehatzagoa eta eraginkorragoa izango da.
Nola erabiltzen ditu iFood-ek datuak?
Eseri eta erreproduzitu Zuzeneko hau! Gilmar Souzak, iFood-eko Data Scientist-ek, Data Analysis eta Data Science-ren arteko aldea erakusten digu eta iFood-ek bere datuak nola hautatzen dituen, emaitzaren atzean dauden metodologia eta tresnak eta datuek platerak iradokitzen eta erabiltzaileen leialtasuna nola laguntzen duten kontatzen digu.
Zer espero dezakezun zuzeneko honetatik:
Ezagutu produktuaren heldutasunari buruz. Jakin iFood-ek iradokizun-sistema martxan jarri behar zuela konturatu zen;Negozio-estrategia. Ikusi iFood-ek produktu berri bat sortzeko aukera estrategikoa nola konturatu zen;Sorkuntza hasten denean. Noiz hasi ziren gomendioak eta zer eman zuen horrek iFood-entzat;Datuen ezaugarriak . Zein datu erabiltzen diren gomendiorako eta nola aukeratu datu egokiak;Tresneria eta metodologia. Zer tresna erabiltzen ditu iFood-ek Data Sciencerako? Zein datu-eredu eta liburutegi erabiltzen dira?
Aurretik norbait lanetik etxera nekatuta
gosetuta eta hozkailuan ezer gabe iristen zenean, ohikoena telefonoa eta hozkailuko imana hartu, pizza bat eskatu, ordubete itxaron, eskudiruarekin edo txartel-makina batekin ordaindu eta jatea zen. . Gaur egun, aplikazioan ehunka aukera dituzu zuzenean Telefono Zenbakien Liburutegia eta, iFood bezalako aplikazioek lineako ordainketa onartzen dutenez, mezularia agertzen denean agurtu eta eskerrak eman besterik ez duzu egiten.Dena den, lineako ordainketak, hainbat arazo konpontzea suposatzen zuenak, arazo berri bat ere sortu zien enpresei, oso ohikoa merkataritza elektronikoen eta merkatuen artean: iruzurra .
Baina prozesu honek dirua kostatzen du
Eta eskaerak baztertzea ere bai; azken finean, zenbat eta arrakasta handiagoa izan eskaerak, orduan eta hobe finantzaketarako.Eta hor sartzen da Machine Learning. Orain, eskuzko arauez gain, makina ere iragazki honetaz arduratzen da, erabiltzaile bakoitzarentzat pertsonalizatutako datu berriekin eredu berriak ikasi ahal izateko. Ondoren, analisiak erabaki-arauen motor batetik pasatzen dira.
Eskuzko arauekin, garatzaileak sistemari esaten dio
zer iruzurtzat aitortu behar den: adibidez, transakzioa beste herrialde batetik egiten bada, bidaiaren abisurik gabe. Bestalde, pertsonak ez badu Datuen Zientzia Edo Datuen Analisia bidaia-abisurik eman, baina herrialde horretan egindako erosketen historia badu edo duela gutxi inguruko beste herrialde batzuetan egon bada, makinak eskaera baimentzen laguntzen duen informazioa bidal dezake.
Gaur egun, Machine Learning arduratzen da iFood-en transakzioen %70 onartzeaz edo baztertzeaz.Kasu honetan, aplikazioak bildutako datua bjb directory erabiltzailearen esperientzia hobetzeko erabiltzen dira, agian konturatzen ez diren moduan. Hala ere, irtenbide ikusgaiagoetan ere aplikatzen dira.
Baina nola eraiki datuetan oinarritutako kultura bat
Ezinbestekoa den arren, datuen pertsonalizazioa estrategia gisa sartzea fenomeno nahiko berria da. Marcia Asanok eremu honen hazkuntzan lagundu duten bi gai aipatzen ditu:
Datuen bolumena
Iraganean, datuei buruz pentsatzean, Excel kalkulu-orri bat edo transakzio-sistema bat etortzen zitzaizkion burura. Gaur egun, denetarik ematen da —ahotsa, irudia, mugimendua… era masiboan bildu daitezke, iturri ezberdinetatik, eguneroko bizitzan erabiltzeko.
Teknologiaren kostua
Biltegiratzeko eta prozesatzeko balioak behera egin du. Gaur egun super makinetan eta datu-zentroetan egiten zenak askoz gutxiago eskatzen du.Smartphone moderno bat duela urteetako datu-zentro bat baino indartsuagoa da”, dio Marciak.Dena den, sortutako datuetatik gutxi aztertzen, aztertzen edo erabiltzen dira helburu garrantzitsuetarako. Datu gehiago bultzatu nahian , ohikoa da taldeek datu gehiago biltzen hastea, txostenak bihurtzen direnak, baina horiekin zer egin behar den zalantza gehiago sortzen dutenak.
Jakin zein galdera erantzun behar diren . «Ez du balio datu-basea zerbaiten bila begiratzeak. Datuek erantzun dezaketen arazo edo aukera duzu?” (Denys);
Bilatu ROI ekartzen duen abiapuntu bat . Ikuspegiak sortzea polita da, baina aplikagarriak izan behar dute eta inbertsioaren itzulera bat sortu;
Aniztasunak produktu onenak sortzen ditu. Datuen zientzia hainbat zientzien konbinazioa da, beraz, hainbat profil izan irtenbiderik onenetara iristeko;
Ez galdu zure negozioaren datuak biltzeko ahalmena
iFood-ek, adibidez, ez baditu monitorizatzen erabiltzaileen interakzioaren alderdi guztiak pantailekin, jatetxeekin eta baita platerekin eta osagaiekin ere, ez du informazio nahikorik gomendio-algoritmo fidelak sortzeko. Juliak Netflix kasuetatik jasotako uste bat gehitzen du: “erabiltzaileak zer aukeratzen duen jakitea baino interesgarriagoa da, hautatzen ez duena jakitea”.
Jada ez dago ezer lineaz kanpo
Netflix aipatu dugunez , pertsonalizazio kasu handienetako bat izaten jarraitzen du . Horrekin batera Spotify dator , entzuten dituzun abestien instrumentuak, erritmoak eta tonuak ebaluatzeraino iristen dena, zure igande arratsalderako erreprodukzio-zerrenda ezin hobea eta guztiz pertsonalizatua sortzeko. Baina produktu digitalek soilik datuak ondo aprobetxatu ditzaketela uste duen edonor oker dago.
