Programació

• Agilitat per programar
• Cultura informàtica - relació amb departaments de IT

Insights

• Analitzar dades històriques per entendre vies de millora
• Disenyar, gestionar i evaluar experiments

Machine learning

Desenvolupar (modelar i implementar) eines basades en mètodes predictius

Negoci

• És viable econòmicament?
• És viable logísticament?
• És viable a nivell organitzatiu?
• Quin impacte tindrà en els clients? i en el negoci?

Els estadístics porten segles analitzant dades. Perquè quan es posa de moda, no en porten la veu cantant?

Tot això és molt probablement cert! però…

Perquè apendre

• Programació:
  • Autonomia
  • Entendre estadística a travès de simulacions
• Machine learning:
  • Punt de vista diferent
  • Eines per a resoldre problemes als que l’estadística no dona solució
• Negoci:
  • Entendre context de les aplicacions
  • Impacte reverteix en inversió en estadística

Perquè augmenta la demanda de perfils ‘científics’?

La complexitat laboral va en augment i la seva gestió n’és clau

Gestió de la complexitat

Activitats d’exploració vs d’explotació

• Explotació: repetir allò conegut per a treure’n un profit.
• Recerca: descobrir allò que no era conegut per la comunitat.
• Exploració: descobrir allò que no era conegut per l’empresa ~ adaptar-se terreny complex + visió mig-llarg plaç.

La caricatura dels bombers

Màxima fantasia? \[\\\] Apagar tots els incendis

La caricatura dels bombers

Despareixen si no es creen

• Paradoxa: + esforços a apagar focs, - esforços a prevenció
• La societat valora els bombers -> fácil determinar causalitat
• Com s’ha fet acció A o com que no s’ha fet acció A, no s’ha creat un foc: causalitat complexa de determinar.

Exemple

Model de propensió a l’alta \[P(\mbox{alta|client}) \sim \mbox{edat, nivell d'activitat, temps com a client}\]

• ML: nous clients prediu la propensió
• Estadística: quins factors poden rellevants, p.e. edad.

Funcionalitat

• ML
  • Model operatiu
  • Curt plaç
  • Eina
• Estadística
  • Model estratègic
  • Mig-llarg plaç
  • Determinar què és important: factors accionables, discernir soroll

Exemple mal ús ml: biaix de selecció

Entrenament model de propensió alta \[\downarrow\] Selecció clients / selecció observacions \[\downarrow\] Entrenament model de propensió alta

Dificultats i avantatges

• Més difícil d’evaluar que ml ~ +subjectivitat
• Determinar causalitat interfereix directament amb activitat política
• Més difícil d’automatitzar que ml

En resum

• El data science comprèn mes activitats a part de l’estadística.
• L’activitat d’insights és la més interessant, però la més difícil de vendre i aplicar.
• Si el machine learning pot canviar el dia a dia de les persones, l’estadística en pot canviar la manera de pensar.