• 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
Data Science, Guide, machine-learning

Business Understanding e Analytic Approach | Data Science Methodology

Business Understanding e Analytic Approach | Data Science Methodology

Una metodologia è un sistema di metodi utilizzabili in una particolare area di studi o attività. In questo primo post la Data Science Methodology: Business Understanding e Analytic Approach

Abbiamo già visto il funnel di un progetto di data science volto alla creazione del nostro portfolio, oggi analizziamo un approccio serio e professionale.

E’ importante formare anche la nostra mentalità.

La prima fase della metodologia è quella definita di Business Understanding

Business Understanding

Nella fase preliminare è fondamentale chiedere chiarimenti (seek clarification), investendo del tempo per fare chiarezza sul problema da risolvere.

Solo così è possibile determinare la tipologia di dati da ricercare per raggiungerne la soluzione.

E’ di vitale importanza quindi definire la domanda che meglio rappresenta il problema, e che guiderà le successive fasi di consulenza.

Vogliamo infatti evitare di perdere tempo nel rispondere a quesiti secondari, fonte di distrazione dal problema principale: nascostto o difficilmente individuabile dal cliente.

Qui entriamo in gioco noi.

Set the goal

Per definire la giusta domanda occorre dapprima individuare il goal ossia lo scopo del progetto.

Un esempio.

Cliente: "Come possiamo ridurre il costo di un processo lavorativo?"
Data Scientist: "L'obiettivo è aumentare l'efficienza del processo? O la redditività? 

Set the objectives

Chiarito lo scopo è necessario fissare l’obiettivo.

Dall’analisi dell’obiettivo, o degli obiettivi, nascono discussioni utili a determinare le priorità del problema.

Una volta stabilite fisseranno con maggior chiarezza l’organizzazione e la pianificazione delle attività con cui poterlo risolvere.

Il parere di diversi stakeholders costiuisce un valore aggiunto con cui fissare i requisiti e chiarire ulteriormente domande e dubbi.

Summary

Lo stage di Business Understanding è quindi importante perché definisce sia il problema che i bisogni da un punto di vista aziendale, business oriented.

Stabilito lo scopo e il problema da risolvere, è necessario individuare il migliore approccio analitico da intraprendere coerentemente con i requisiti aziendali richiesti.

Business Understanding | N26 Case Study

N26 è una banca tedesca che fornisce servizi finanziari ai clienti dell’Unione Europea.

Potresti trovare l’informazione che segue particolarmente utile.

Devi infatti sapere che da poco permette l’apertura di un conto bancario con IBAN Italiano: puoi ora avere molta più libertà di manovra.

Consigli a parte, esaminiamo come la fase di Business Understanding sia fondamentale con un esempio pratico nel fintech.

Immaginiamo la verosimile situazione in cui un Product Manager chieda a un Data Scientist:

Possiamo prevedere il risk score degli utenti smart?

Product Manager Question

Compito del Data Scientist è allora quello di elaborare la domanda facendo emergere il reale problema di fondo.

Coadiuvato dal domain knowledge, il data science può formulare una goal più chiaro:

Possiamo accuratamente prevedere la probabilità che un utente tedesco vada in default sull’overdraft (i.e. Estensione di credito garantita a un account con zero fondi) nei prossimi 12 mesi anche senza credit bureau history (i.e. Lo storico creditizio di un utente)

Data Scientist – Business Understanding

Ridotta la nebulosità del contesto possiamo ora procedere alla selezione dell’approccio risolutivo più appropriato.

Qui maggiori info.

Analytic Approach

In questa fase devi chiederti: “Come posso usare i dati per risolvere il problema?“

Poiché esistono multipli approcci analitici, per scegliere quello giusto occore prestare attenzione alla domanda fatta dal cliente.

Infatti solo dopo aver sviluppato una profonda comprensione della domanda puoi davvero essere certo che l’approccio analitico da te scelto sia il migliore.

Alcune tipologie di approcci:

  • Descrittivo (cosa sta succedendo)
  • Diagnostico, analisi statistica (cosa è successo, perché sta succedendo)
  • Predititivo, previsionale (cosa accadrebbe se il trend continuasse, come accadrà dopo)
  • Prescrittivo (come risolviamo il problema)

Alcuni esempi pratici:

  1. “Determina la probaiblità di questa azione” – Approccio predittivio
  2. “Determina l’esistenza di relazioni” – Approccio descrittivo, con creazione di modello di clustering
  3. “Rispondi si o no” – Creazione di un modello di classificazione

Nel prossimo post analizziamo le successivie fasi della data science methodology:

  • 2 – Data Requirements e Data Collection
  • 3 – Data Understanding e Data Preparation
  • 4 – Data Modelling e Model Evaluation
  • 5 – Model Deployment e Feedback
Written by Andrea Provino - Settembre 16, 2019
Tags | data science, data scientist, teoria

You Might Also Like

gpdr-fairness-lawfulness-transparency-principles-principi-gdpr-laicita-correttezza-trasparenza

Principi GDPR: liceità, correttezza e trasparenza

Novembre 17, 2020
stochastic-gradient-descent-batch-gradient-descent-python-vguida-italiano-vs-gradient-descent

Stochastic Gradient Descent, Batch Gradient Descent Algorithm

Ottobre 29, 2019
data-science-for-finance-machine-learning-deep-learning-data-science-use-cases-use-cases

Data Science for Finance | Use Cases per il Data Scientist

Febbraio 13, 2021

5 Comments

  • Portfolio da data scientist? Come realizzarne uno | Consigli Italiano Ottobre 10, 2019 at 22:02

    […] A questo proposito può tornare utile esaminare le fasi della Data Science Methodology. […]

    Reply
  • Data Modelling e Model Evaluation | Data Science Methodology - Novembre 6, 2019 at 10:22

    […] nostro percorso è iniziato con il Business Understarning e l’Analytic Approach, seguito dal Data Requirments e Data Collection, e dalla definizione del Data Understaning e […]

    Reply
  • Confusion Matrix for Binary Classifier | Model Evaluation Novembre 13, 2019 at 09:22

    […] la fase di business understanding e definito l’analytic approach migliore, abbiamo raccolto i dati di cui avevamo bisogno e capito quali di questi fossero in nostro […]

    Reply
  • Data Requirments e Data Collection | Data Science Methodology - Gennaio 29, 2020 at 09:59

    […] nostro percorso sulla data science methodology, iniziato con il Business Understarning e seguito dall’Analytic Approach, prosegue ora con la definizione del data requirments e del data […]

    Reply
  • Model Deployment e Feedback | Data Science Methodology - Settembre 19, 2020 at 07:27

    […] nostro percorso è iniziato con il Business Understarning e l’Analytic Approach, seguito dal Data Requirments e Data Collection, e dalla definizione del Data Understaning e Data […]

    Reply
  • Please Post Your Comments & Reviews
    Annulla risposta

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    Next Post
    Previous Post

    Una pubblicità che non vedi se usi AdBlock

    EXPAND YOUR KNOWLEDGE

    • Blockchain

      Patricia Merkle Trie

      Maggio 30, 2023
    • Artistic representation of a tree Blockchain

      Tree Data Structure: cos’è un Merkle Tree

      Maggio 26, 2023
    • Cover image for Bitcoin UTXO explanation post Blockchain

      UTXO: come funziona il modello Unspent Transaction Outputs

      Maggio 23, 2023
    • Blockchain

      Cos’è Ethereum

      Maggio 15, 2023
    • Blockchain Developer

      Circuito aritmetico

      Novembre 1, 2022
    • machine-learning

      Un nuovo inizio

      Settembre 4, 2021
    • Zero Knwoledge Proof Article Privacy Preserving

      Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

      Luglio 8, 2021
    • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

      Oblivious Transfer (OT)

      Luglio 6, 2021
    • Aleo Studio Website Preview machine-learning

      Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

      Luglio 1, 2021
    • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

      Perché il Privacy Tech è un vantaggio competitivo micidiale

      Giugno 17, 2021

    Quello che Google pensa ti possa piacere

    Prodotti che i Cookie dicono potresti trovare interessanti

    AI Blog - © 2019-2021 Andrea Provino