当数据科学团队常常不知道他们正在产生的数据集和洞察力的货币价值时,他们如何衡量和提高他们技术工作的成本呢?它们是否使用基于行业的基准来进行技术开发,以及是否使用一些主观的度量来创建业务洞察力?
发布于 2020-10-20 18:40:40
我不知道你所说的“衡量和提高他们技术工作的成本”是什么意思--但我会回答以下问题:“你怎么知道你的见解给企业带来了多大的价值”:
要构建一个成功的项目,了解与之竞争的基准是很重要的。例如:假设我有一个预测时间序列的问题,在这个问题上,我预测某个公司账户中有多少现金。一个基准可能是:“让我们假设明天的净现金流量将与昨天的相同”。现在有了这个基准,您就可以评估解决方案相对于此的性能了。
这可以让你更有洞察力:“我的解决方案的性能比基准高出了一些%,并且增加了对未来透支费用的90%的检测”。将这90%的改进转化为系统相对于基线检测到的新透支费用的总数#。这可以转化为每年的一些美元金额--你可以说“我的解决方案每年节省业务$###,###”。
了解您要替换的系统可以让您进行比较,并可以跟踪结果。这也是将成功信息传递给管理层的有效策略(在大型企业中是至关重要的)。
发布于 2020-10-20 19:37:47
除了weareglenn的回答之外,如果数据科学项目正在按照自动化的思路进行操作,您还可以查找节省的工时数。这个XX小时的估计值(每天等)来自过去在项目/解决方案之前手工完成这个过程的人。
发布于 2020-11-20 15:52:56
如果你想在数字上下功夫:
由于各种原因,A/B测试是不可能的。然而,还有更多的选择。
通过这些技术中的任何一种,您可以测量任何您想要的KPI。增加收入,留住客户等.
https://datascience.stackexchange.com/questions/84282
复制相似问题