A Era do cidadão cientista de dados

As ferramentas de software estão a capacitar os analistas de negócios a gerar modelos analíticos e insights sem a ajuda de engenheiros de software.

A IBM espera que a procura por Data Scientist suba pelo menos 28% até ao final de 2020. Para lidar com a escassez de talentos, as empresas estão a desenvolver software que fazem esse trabalho, criando efectivamente Data Scientist a partir de funcionários corporativos que não fazem parte da equipa de TI.

De acordo com o Gartner, a ciência de dados por software inclui recursos e práticas que permitem aos utilizadores extrair informações preditivas e prescritivas dos dados enquanto trabalham em posições fora dos campos de estatística e análise. Estes Data Scientist são “utilizadores avançados”, como analistas de negócios que não têm formação em ciência da computação, mas podem executar tarefas analíticas simples a moderadamente sofisticadas que anteriormente exigiam mais conhecimento. Esta tem sido uma maneira útil de lidar com a escassez de talentos.

O aumento da disponibilidade de ferramentas, tecnologia, dados e modelos está a permitir a disseminação de insights para pessoas que normalmente não teriam essa capacidade

~Brandon Purcell, analista da Forrester Research.

Agora, graças as ferramentas como o SPSS e o Alteryx da IBM, novos Data Scientist (conhecidos como Citizen Data Scientist), muitos com pouca ou nenhuma experiência em código, utilizam software para obter insights. Estas plataformas tornam “muito mais fácil para os analistas de linha de negócios manipular dados do que no Excel”, afirma Purcell.

O Citizen Data Scientist preenche a lacuna entre a análise realizada por utilizadores de negócios e a análise avançada atribuída aos cientistas de dados. Já os cientistas de dados profissionais criam e escalam modelos e algoritmos em toda a empresa.

O TD Bank usa uma ampla gama de ferramentas analíticas básicas e sofisticadas para melhor alinhar os dados históricos e actuais dos clientes, bem como para conduzir análises de fraude. Por exemplo, o banco usa o software da AtScale para ajudar os utilizadores de negócios a consultar dados em tempo real da base de dados Hadoop e obter resultados rapidamente. Os analistas do TD Bank visualizam as informações no sistema de auto-serviço Tableau.


A Salesforce, por exemplo, oferece o Einstein Prediction Builder, que permite aos analistas de negócios criar modelos de IA Inteligência Artificial personalizados, adicionando variáveis ​​para prever resultados. O Sensei da Adobe, outra ferramenta de ML Machine Learning, ajuda os profissionais de marketing a criar campanhas em minutos, economizando horas de trabalho.


Obviamente, nem todo desafio de bigdata será facilmente levado a cabo por um cidadão cientista de dados. As empresas ainda precisam de estatísticos e outros especialistas de técnicas matemáticas avançadas, revela Bill Roberts, da Deloitte Consulting.

Além disso, Roberts observa que, embora as ferramentas de auto-serviço possam servir bem uma empresa, se elas não funcionarem correctamente poderão gerar problemas. “Quando há um problema, será preciso alguém com formação ou grau avançado em matemática que o possa resolver”, conclui.



Relacionado:
As tecnologias do local de trabalho digital dos próximos cinco anos
A diária de um cientista de dados
Diferenças entre Business Intelligence e Data Science
Cinco armadilhas do auto-serviço de BI




fonte: CIO.pt

Licença CC BY-SA 4.0 Silvia Pinhão Lopes, 27.3.20