BLOGTEMA: Man VS. Machine - Set Fra En Analytikers Perspektiv

08-08-2017

Et af de emner, der diskuteres meget i dag, er, hvor meget maskinerne kommer til at styre vores hverdag. Overtager de verdensherredømmet, eller vil der stadig være områder, hvor maskinerne endnu ikke kan konkurrere med den menneskelige intelligens?

Nanna Bach Andersen Nanna Bach Andersen Insights Manager København Data Temablog Carat Blogindlæg Data mining DataDataData
https://carat-cdn.azureedge.net/media/8693/data_2_square.jpg

Ideen om at lære fra data har været på tale længe. Så det er naturligt at interessen for metoder, som data mining, pludselig er blevet så interessant. Data mining er en form for kunstig intelligens, som undersøger datasæt for trends, mønstre og underliggende dimensioner. Man bruger ofte data mining, når der er tale om store og massive mængder data, hvor den menneskelige hjerne ikke kan følge med.

Når nu data mining i højere grad bruges til at analysere data og finde sammenhænge mellem data, hvor stiller det så os analytikere, som til daglig arbejder med klassisk research?

Faktisk har data mining og klassisk research samme mål. Som statistikeren Jean-Paul Benzecri udtaler omkring data: “Data Analysis is a tool for extracting the jewel of truth from the slurry of data.” Dvs. begge analyser har det formål, at de skal trække noget ”sandhed” ud af den massive mængde data, som der er tilgængelig. Forskellen er, at fremgangsmåden til at finde frem til denne ”sandhed” er forskellig.

Forestil dig at du skal finde signifikante og vigtige sammenhænge i din data. Det kan være, at vi skal have undersøgt en masse forbindelser mellem mange datapunkter (web besøg, trafik, eksponeringer, kundedata, konverteringer, osv.), som vi har tilgængeligt. Der kan være mere end 100 mio. måder at kombinere disse datapunkter på. Så mange kombinationsmuligheder har den almindelige hjerne ikke kapacitet til at bearbejde. Derfor er den traditionelle fremgangsmåde nok ikke den bedste løsning til dette problem, da du ikke kan vide, hvor du skulle starte eller slutte med din data. Det kan data mining derimod hjælpe med. Det går nemlig ind og undersøger trends, korrelationer og mønstre i store mængder data, som kan skabe klarhed omkring dine data og de sammenhænge, der nu er.

Er vi analytikere så ikke længere nødvendige? Jo, det er vi. Analytikere kan nemlig noget, som data mining metoden ikke kan. De har menneskehjernen bag sig. Når vi via data mining har fundet ud af, hvordan data hænger sammen, er næste skridt at få lagt manuel håndkraft på sin data. Vi mennesker er overlegene på en række parametre, som data mining og kunstig intelligens endnu ikke formår at mestre. Det er egenskaber som bl.a. sund fornuft. Vores opgave som analytiker er at lægge et ekstra lag viden på toppen, som i sidste ende skal fortælle os, hvad vores kunders (og kunders kunders) behov og ønsker i virkeligheden er. Det kan godt være, at vores data mining redskab opdager en stærk korrelation i kundens data mellem salg af chokolade og salg af vaskemaskiner, men hvis man bruger sin sunde fornuft, som vi mennesker kan, er der nok ikke en signifikant sammenhæng mellem køb af chokolade og antal solgte vaskemaskiner, selvom korrelationen er rigtig høj. Her kan vi ikke undvære den menneskelige intelligens. På den anden side, kan det være, at man ikke har al data tilgængeligt for at kunne svare på sin problemstilling. Så må man under alle omstændigheder supplere op med diverse kvalitative og kvantitative analyser.

Derfor er det i virkeligheden ikke enten eller, men både og. Det er, når vi kombinerer maskinen og mennesket, at vi opnår de bedste resultater og kommer tættest på vores kunder, da de hver især har deres styrke.

Derfor er vi analytikere stadig uundværlige. Om data mining er fremtiden for et analysebureau i mediebranchen, ved jeg ikke. Men i takt med at vi bliver mere digitale, ser vi også, at efterspørgslen efter digitale analysemuligheder bliver større - det ser vi i hvert fald i Carat. Derfor er det er nødvendigt, at man re-tænker den klassiske måde at lave analyser på for ikke at miste indsigter på længere sigt. En løsning kunne være at tænke klassisk analyse og data mining ind som en samlet pakke, når man scoper et projekt, da de som nævnt, komplementerer hinanden godt og sigter efter samme mål.

Nanna Bach Andersen Nanna Bach Andersen Insights Manager København Data Temablog Carat Blogindlæg Data mining DataDataData
^Tilbage til toppen