3 lí do quan trọng Khởi nghiệp của bạn cần Khoa học dữ liệu (Data science)?

Khoa học dữ liệu không chỉ dành cho các công ty công nghệ nữa. Từ việc đối xử nhân ái hơn với vật nuôi trang trại đến tối ưu hóa giấc ngủ và cả về thời trang. Zank Bennett, CEO của Bennett Data Science, giúp các doanh nhân sử dụng trí tuệ nhân tạo trong một loạt các ngành công nghiệp.

Làm việc với các công ty lớn và nhỏ, Bennett làm cho các công nghệ phức tạp trở nên dễ sử dụng để ngay cả những doanh nhân có ít kinh nghiệm về kỹ thuật công nghệ cũng có thể khai thác sức mạnh của AI. Gần đây tôi đã nói chuyện với Bennett để hiểu rõ hơn về cách mà doanh nghiệp có thể tận dụng khoa học dữ liệu và gặt hái những thành quả của nó. 

Tại sao các doanh nhân nên sử dụng khoa học dữ liệu, ngay cả khi các công ty khởi nghiệp của họ không tập trung vào công nghệ?

Cá nhân hóa

Để các công ty thành công ngày nay, họ thực sự phải chú trọng đến phần cá nhân hóa, và hầu hết các doanh nhân nhận biết được điều này nhiều hơn. Khi các doanh nhân thành lập công ty, một trong những điều đầu tiên họ nghĩ đến là làm thế nào họ có thể phục vụ khách hàng của mình, nhưng sau đó đến lúc phải nhân rộng những gì khách hàng muốn, sẽ rất khó để tạo ra một concept về việc con người sẽ làm điều đó như thế nào. Đó là khi máy móc ra đời.

Cá nhân hóa ở quy mô là những gì chúng ta thấy nhiều nhất từ các doanh nhân. Ví dụ, với bán lẻ, chúng tôi đang nỗ lực tạo ra các mô hình dự đoán những gì mọi người muốn dựa trên cách họ duyệt các sản phẩm. Vì vậy, chúng tôi lấy nguồn cấp dữ liệu sản phẩm và xem xét các thuộc tính của những gì mọi người đang duyệt và đặt nó cùng với những gì người khác đãduyệt với các sở thích tương tự.

Với điều đó, chúng tôi có thể thực hiện các khuyến nghị có độ chính xác cao. Có bao nhiêu thuật toán khác nhau có thể đưa ra được từ “áo sơ mi” hoặc từ “một phụ kiện”? Làm thế nào để chúng ta kết hợp mọi thứ lại với nhau, tính năng tự động gắn thẻ và tất cả những thứ khác nhau mà các công ty cần và muốn?

Làm thế nào bạn sẽ mô tả cá nhân hóa từ quan điểm khoa học dữ liệu?

Cá nhân hóa là về việc lấy một sản phẩm mà chúng tôi nghĩ rằng ai đó sẽ muốn và đặt nó trước người đó và có tạo nên một deal thành công, một chiến thắng. Và làm thế nào để chúng ta làm điều đó? Làm thế nào để chúng ta đi lấy sản phẩm và cho người đó xem? Gần đây, tôi đã thấy các công ty nói rằng họ cung cấp sự cá nhân hóa. Nhưng những gì họ thực sự đang làm là phân khúc đối tượng thành một nhóm nhỏ.

Nhóm đầu tiên trong sự chia nhóm là giới tính, sau đó có thể bạn phân chia theo độ tuổi và vì vậy bây giờ bạn đã có bốn nhóm khác nhau. Đó không phải là cá nhân hóa, đó là phân khúc. Chắc chắn, nó bắt đầu hướng tới cá nhân hóa, nhưng nó không thu được thông tin nhiều. Đó không phải là những gì chúng ta có thể gọi là sử dụng dữ liệu thông minh.

Khi chúng ta bắt đầu nhận được nhiều dự đoán hơn thay vì mô tả, chúng ta bắt đầu xem xét các hành vi trong quá khứ và cách chúng dự đoán các hành vi trong tương lai. Đó là nơi công việc thú vị thực sự xảy ra. 

Trong không gian của người giới thiệu hoặc thậm chí trong không gian phân loại, nơi chúng tôi có thể có một người tiêu dùng đang thực sự điền vào một loạt thông tin, và ngay lập tức chúng tôi có thể các cách thứccụ thể với khách hàng khác nhau dựa trên cách chúng tôi dự đoán hành vi người tiêu dùng trong tương lai. 

Thực sự có một sự khác biệt lớn giữa việc nói với khách hàng: “Ồ, chúng ta sẽ xử lý bốn phân khúc này một cách khác nhau và đoán xem họ có thể muốn gì và trau dồi điều đó” và việc thực hiện một số phân đoạn thông minh dựa trên các hành động thực tế mà khách hàng đã thực hiện trong quá khứ và nói: 

“Tôi thấy chúng tôi có một số phân khúc, chúng tôi có một số thuộc tính. Chúngtôi có thể đưa tất cả những thứ đó vào một mô hình và sẽ dự đoán sản phẩm mong muốn cho từng đối tượng người tiêu dùng trong tình huống này.”

Làm thế nào một doanh nhân có thể thực hiện thành công áp dụng khoa học dữ liệu vào công ty của họ? 

Điều đầu tiên là phải có được khoa học dữ liệu được tích hợp trong các nhóm khác nhau. Tôi nghĩ rằng nó nên được tích hợp trong tiếp thị, bán hàng, sản phẩm, v.v. Điều thứ hai là chúng ta phải cung cấp cho các nhà khoa học dữ liệu dữ liệu họ cần theo định dạng mà họ cần để họ có thể trở thành công nhân hiệu quả. Hiện tại, ý tưởng từ một số công ty là đồng ý cho chúng tôi cung cấp cho các nhà khoa học dữ liệu quyền truy cập vào khối dữ liệu lớn để xử lý nó, và điều đó rất không hiệu quả.

Trên thực tế, các nhà khoa học dữ liệu cho một ứng dụng nhất định không cần dữ liệu ở nhiều định dạng khác nhau. Thay vào đó, chúng tôi có thể cung cấp một dữ liệu tổng mà một nhà khoa học dữ liệu có thể sử dụng ngày này qua ngày khác, 80% thời gian. Điều này làm tăng thêm hiệu suất lớn cho một nhóm. 

Điều tiếp theo là chắc chắn rằng các nhà khoa học dữ liệu có thể triển khai các mô hình của họ và cần rất nhiều hỗ trợ để làm điều đó. Cơ sở hạ tầng là một phần của những gì chúng ta gọi là một đường ống để truyền tải dữ liệu đến và đi.

Bạn có nghĩ rằng khoa học dữ liệu thực sự có thể tạo ra nhiều việc làm trong một công ty thay vì việc thay thế lao động của con người không?

Với khoa học dữ liệu, chúng ta có thể tự động hóa các nhiệm vụ có thể được thực hiện nhanh hơn và hiệu quả hơn rất nhiều. Khi chúng tôi giảm chi phí cho một công ty, đối với tôi, dường như họ có thể mở rộng quy mô theo những cách khác. Tôi nghĩ sẽ có nhiều việc làm hơn khi chúng ta làm cho các công ty trở nên hiệu quả hơn chứ không phải ít hơn.

Bởi vì khi chúng ta tăng lợi nhuận, các công ty luôn có ngân sách để phát triển. Họ không chỉ bỏ tiền vào túi. Tôi nghĩ đó là một quan niệm sai lầm, đặc biệt là với những người khởi nghiệp. Toàn bộ lý do các công ty khởi nghiệp tăng tiền là để phát triển, không chỉ để tiết kiệm tiền. Nếu họ có nhiều lợi nhuận hơn, họ có thể tiêu số tiền đó vào nhiều tài nguyên hơn và tôi nghĩ cuối cùng điều đó sẽ dẫn đến nhiều việc làm hơn.

Điều gì tiếp theo với khoa học dữ liệu? 

Tôi nghĩ rằng khoa học dữ liệu sẽ được hiểu rõ hơn rất nhiều và chúng ta sẽ thấy danh hiệu nhà khoa học dữ liệu được thay thế bằng các tiêu đề mô tả chi tiết hơn nhiều như: kỹ sư máy tính, kỹ sư thống kê hoặc kỹ sư dữ liệu. Tôi nghĩ rằng thuật ngữ chung này của khoa học dữ liệu cần phải biến mất để chúng ta có thể mô tả nhiều hơn. 

Tôi cũng nghĩ rằng nó cần được tích hợp tốt hơn với các công ty. Khoa học dữ liệu sẽ làm thay đổi nền kinh tế, và tôi nghĩ nó sẽ được thèm muốn như một thứ thực sự có thể giúp sản phẩm trong việc bán hàng hoặc tiếp thị.

Ngôn ngữ và trình bày.

Tôi nghĩ rằng chúng ta sẽ thấy những thay đổi lớn trong xử lý ngôn ngữ tự nhiên và cách chúng ta có thể tóm tắt văn bản cũng như cách chúng ta có thể sử dụng ngôn ngữ để giao tiếp. Tôi thực sự hy vọng những chiếc xe lái tự động sẽ được hoàn thiện và đưa vào sử dụng trong tương lai không xa. Tôi nghĩ rằng nó sẽ giúp chúng ta rất nhiều về mặt hiệu quả. 

Một số ứng dụng có tầm nhìn máy tính(computer vision) ngày nay thật tuyệt vời, từ cách chúng ta sử dụng nó với các ngành thời trang cho đến cách chúng ta giúp xe tự lái. Và khi điều đó trở nên tốt hơn và tiến bộ, tôi nghĩ thế giới của chúng ta sẽ thực sự thay đổi.

Thông báo miễn trừ trách nhiệm:
MoonRadius Life không sở hữu bài viết này. Mọi quyền sở hữu thuộc về Entrepreneur. Đây là bản dịch tiếng Việt của bản gốc tiếng Anh với mục đích thuần túy là chia sẻ thông tin phi lợi nhuận. Nếu có khác biệt gì, thông tin ở bản tiếng Anh luôn là tiêu chuẩn.

Source: entrepreneur