Freitag , September 18 2020

Operationalisierung von Analytics mit DataOps und ModelOps

Klicken Sie hier, um mehr über den Co-Autor Prashanth Southekal zu erfahren.

Klicken Sie hier, um mehr über den Co-Autor Harsh Vardhan zu erfahren.

Wenn Sie
versuchen, den Hype auf dem Markt von der Realität zu trennen, mit der Organisationen konfrontiert sind
Bei der Operationalisierung von Analysen werden Sie eine Lücke bemerken. Im Jahr 2019 berichtete Gartner
dass über 80 Prozent der Analytics-Initiativen keinen geschäftlichen Nutzen erbrachten, und
Laut McKinsey & Company hatten weniger als 20 Prozent der Unternehmen
erzielte Analysen in großem Maßstab. [1]

In diesem Artikel möchten wir hervorheben, wie ein Unternehmen Fehltritte auf seiner Analytics-Reise vermeiden und sicherstellen kann, dass seine Analytics-Initiativen geschäftlichen Nutzen bringen. Wie können sie Analysen in großem Maßstab nutzen, um Ergebnisse zu erzielen und zu vermeiden, Teil der 72 Prozent zu werden, deren KI-Initiativen im Labor und nicht in der Produktion stattfinden? [2]

Um KI- und Analyseinitiativen zu skalieren und diese Technologien in betriebliche Prozesse einzubetten, müssen Unternehmen unserer Meinung nach den gesamten Analyselebenszyklus betrachten und Möglichkeiten zur Automatisierung von Aspekten ihres Modellierungsprozesses identifizieren. Geben Sie die Praktiken von DevOps und seine Anwendung in die analytische Modellierung ein (DataOps, ModelOps und DecisionOps).

Abbildung 1: Analytischer Lebenszyklus
Bildquelle: SAS Institute Inc.

Zum Level-Set,
DevOps vereint Entwicklung (Dev) und IT-Betrieb (Ops) in einer Reihe von Organisationen
Praktiken, die den Lebenszyklus der Anwendungsentwicklung verkürzen sollen
Dies führt zu einer verbesserten Qualität, einem geringeren Risiko / Ausfallzeiten und einem erweiterten Funktionsumfang.
In ähnlicher Weise konzentrieren sich DataOps, ModelOps und DecisionOps auf Praktiken, die dazu bestimmt sind
Bereiten Sie die Daten vor, beschleunigen Sie die Modellentwicklung vom Labor bis zur Produktion und
Bereitstellung von Entscheidungsrahmen, die die darunter liegenden Modelle nutzen. Das Ziel ist es
Reduzieren Sie Entwicklungs-, Prototyping-, Test- und Bereitstellungszyklen und stellen Sie gleichzeitig sicher, dass
Qualitätsergebnisse und -ergebnisse können zeitnah erzielt werden.

Anwendung dieser Praktiken innerhalb der
Der analytische Lebenszyklus kann auf drei Arten von Nutzen sein:

1.
Organisatorische Silos brechen:

Diese Praktiken konzentrieren sich auf die Zusammenarbeit zwischen Geschäftsinteressenten und Daten
Ingenieure, Datenwissenschaftler, IT-Betriebe und Anwendungsentwicklungsteams. Das
Eine kontinuierliche Rückkopplungsschleife trägt dazu bei, dass die Geschäftsergebnisse im Vordergrund stehen
und zentrieren während des Design- und Entwicklungsprozesses und dass alle Stakeholder
arbeiten auf die gleichen Ziele hin und verbessern damit die Erfolgswahrscheinlichkeit.

2.
Strategisch bezogene Daten:

Über 80 Prozent der Arbeit in der Analytik besteht darin, die Daten vorzubereiten
analytische Verarbeitung. DataOps reduziert diesen Aufwand durch eine automatisierte,
prozessorientierte Methodik
Dies erstreckt sich über den gesamten Datenlebenszyklus und stellt sicher, dass Sie rechtzeitig bereitstellen können
Zugriff auf qualitativ hochwertige Daten aus verschiedenen Quellen unter Wahrung der Verwaltung
und Governance-Anforderungen.

3. Skalierte analytische Reaktionsfähigkeit:
Die in DataOps, ModelOps und DecisionOps integrierte Automatisierung ermöglicht die
Organisation, um schnell auf einen Rückgang der Modellleistung zu reagieren und dies zu ermöglichen
analytische Erkenntnisse, die in mehr Prozesse eingebettet werden sollen, um Lösungen zu skalieren
und Demokratisierung der analytischen Fähigkeiten.

Also, wie
Können Organisationen die Kurve verkürzen und den damit verbundenen Geschäftswert realisieren?
diese Praktiken? Nach unserer Erfahrung gibt es drei Schlüssel zur Einführung von DevOps
Praktiken in Ihrem analytischen Lebenszyklus:

  • Etablieren
    Eine automatisierte CI / CD-Pipeline (Continuous Improvement / Continuous Delivery)
    die Modellversionierung, Wertung, Herausforderer- / Championturniere, Bereitstellung und
    testen. Dies stellt sicher, dass Änderungen an der Modelllogik schnell getestet werden können.
    Einfach bereitzustellen und bei Bedarf ohne erheblichen Aufwand zurückzusetzen.
  • Etablieren
    Ein Prozess zur Überwachung von Modellen in der Produktion, um sicherzustellen, dass eine Datenpipeline
    füttert automatisch sowohl den Modellschulungs- als auch den Validierungsprozess. Entlang
    Mit entsprechenden Warnungen kann dies das automatische Umschalten von Modellen ermöglichen
    Produktion oder Auslösen eines menschlichen Eingriffs, wenn die Modellleistung unterschreitet
    akzeptable Geschäftsschwellen.
  • Verwendung
    A / B-Tests (oder kanarische Bereitstellungen) zum Testen alternativer Was-wäre-wenn-Szenarien
    Stellen Sie sicher, dass die Geschäftsannahmen für automatisierte Entscheidungen weiterhin bestehen
    gültig.

Für die Analytik
Initiativen, um erfolgreich zu sein, müssen sich Organisationen durch transformieren
Ganzheitliche Betrachtung von Business Case, Kultur, Prozessen, Daten und
Technologien, die es ihnen ermöglichen, sich effizienter zu entwickeln und stärker zu integrieren
Advanced-Analytics-Lösungen häufiger. Ein gut definiertes ModelOps-DataOps
Ansatz ermöglicht es einer Organisation, eine iterative,
Ausfallsicherer, lernschneller, agiler Prozess, der einen zeitnahen Zugriff auf Erkenntnisse ermöglicht
bessere, fundiertere Entscheidungen.

Weitere Informationen finden Sie unter Operationalisierung von Analytics.

Referenzen

[1] Southekal, Prashanth, Analytics Best Practices Technics, 2020
[2] Leone, Mike, "ESG Brief: Vorhersagen für künstliche Intelligenz und Analytik für 2020", 2019st

About BusinessIntelligence

Check Also

5 Wege, wie KI-Technologie die Zukunft der menschlichen Gesellschaft verändert

Von intelligenten Maschinen und automatisierten Autos bis hin zu genetischen Veränderungen und 3D-Druck gibt es …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.