A mineração preditiva de dados pode ajudar a prever o comportamento online dos consumidores (Podcast)

No episódio de hoje do podcast Brains Byte Back, conversamos com Walter Paliska , vice-presidente de marketing da dotData , empresa que democratiza o uso de IA e aprendizado de máquina ao tornar simples para as organizações aproveitar o poder de seus dados por meio de processos rápidos, ferramentas exclusivas e fáceis de usar.

Neste episódio, discutimos como a empresa começou, como cresceu e as soluções que oferece atualmente. Também exploramos a mineração preditiva de dados e como ela ajuda as empresas a aproveitar dados históricos para fazer previsões precisas sobre comportamento ou resultados futuros.

Paliska se baseia no exemplo do marketing, argumentando que uma empresa poderia usar a mineração preditiva de dados para prever o comportamento dos visitantes em um site para segmentação personalizada.

Além disso, Paliska compartilha como a dotData foi fundada, depois que o CEO e fundador da empresa, Ryohei Fujimaki, notou que sua equipe de cientistas de dados gastava muito tempo no processo de engenharia de recursos.

Como essa era a parte mais demorada e manual do processo de ciência de dados, a Fujimaki decidiu utilizar a automação para resolver esse problema, assim nasceu a dotData.

Paliska também compartilha como a empresa ajuda os clientes a economizar tempo e custos em projetos de ciência de dados, democratizando a ciência de dados para não cientistas de dados e melhorando a precisão e a velocidade dos modelos de aprendizado de máquina .

Ele argumenta que essas são apenas algumas das maneiras pelas quais a dotData se distingue da concorrência. Mas Paliska defende que um dos maiores diferenciais é o mecanismo principal do dotData, que automatiza o processo de engenharia de recursos.

A engenharia de recursos é uma etapa vital na criação de modelos eficazes de aprendizado de máquina, mas também é um processo complexo que pode consumir muito tempo. Normalmente, os cientistas de dados passariam meses criando tabelas de recursos que seriam inseridas manualmente nos algoritmos de aprendizado de máquina.

No entanto, dotData automatiza esse processo, identificando as conexões entre diferentes tabelas e construindo tabelas de recursos automaticamente. Segundo Paliska, essa abordagem permite que a dotData se destaque e é uma das principais razões pelas quais a empresa alcançou um nível tão alto de sucesso no mercado.

Assista ao vídeo do podcast

Você pode ouvir no Spotify , Anchor , Apple Podcasts , Breaker ,Google Podcasts , Stitcher , Overcast , Listen Notes , PodBean e Radio Public.

Como alternativa, você pode encontrar uma transcrição abaixo:

Walter: Meu nome é Walter Walter Paliska. Sou o vice-presidente de marketing da dotData. Estou na dotData desde maio de 2019. Então, quase quatro anos agora. E a dotData é uma provedora líder ou soluções de automação de ciência de dados, em geral, falamos com os tipos de clientes que tendemos a atingir, equipes designadas experientes principalmente em organizações maiores que buscam automatizar a parte de engenharia de recursos de seu trabalho. E o outro são mais empresas que estão apenas começando no mundo da análise preditiva e no mundo da ciência de dados, e estão procurando soluções de automação para tentar capacitar não cientistas de dados no processo de construção de modelos e dados de aprendizado de máquina processos científicos integrados para fazer análises preditivas.

Sam: Incrível, fantástico. Bem, muito obrigado por se juntar a mim hoje. É um prazer ter você aqui. E estou muito curioso para saber quando e como dotData parar primeiro?

Walter: Sim, ótima pergunta. Então, na verdade, a história dotData remonta a várias maneiras. Ryohei Fujimaki, CEO e fundador da dotData, é ex-funcionário da NEC no Japão. Então ele era realmente o que é conhecido como um companheiro de pesquisa do NEC. Agora, não houve muitos na história da empresa, e ele vê uma empresa bastante antiga que remonta a mais de 100 anos. E eu esqueço o número exato, não quero mentir para você. Mas eu sei que, você sabe, houve muito poucos bolsistas de pesquisa da NEC na história da empresa, ele era o mais jovem de todos os tempos na história da empresa. E ele fazia parte de sua equipe de ciência de dados, e praticamente dados de tendência, sua organização de ciência de dados de uma perspectiva de serviços, certo. Então, eles fariam um trabalho baseado em projetos indo para as contas. E a ideia por trás do dotData realmente se originou. Ao longo de sua experiência com a NEC, uma das coisas que ele constantemente notava era que sua equipe de dados, os cientistas sempre gastavam uma quantidade excessiva de tempo em partes específicas do processo de ciência de dados. E entrando um pouco nas ervas daninhas técnicas aqui. Mas há uma parte da especialidade conhecida como engenharia de recursos, que realmente consome mais tempo e é a parte mais manual do processo. E ele continuou vendo que eles literalmente passariam meses no processo de engenharia de recursos. E eles ainda estariam em um ponto em que ainda não haviam brincado com nenhum algoritmo de aprendizado de máquina para descobrir como o modelo deveria ser. E você sabe, isso é obviamente um momento aha, em algum momento que diz que há algo ali. Portanto, há uma necessidade aqui, talvez a automação possa resolver esse problema. E é aí que a ideia por trás do dotData se originou na empresa foi fundada como um spin-off da NEC Corporation em 2018. No Japão, e assim nasceu originalmente no Japão, mas totalmente com sede nove, Estados Unidos, temos toda a nossa sede, se você tem pessoal e empresa bem distribuída. Estamos em todo o mundo, temos pessoas na Europa, temos pessoas no Japão, com pessoas nos Estados Unidos. E isso nos traz para onde estamos hoje.

Sam: Incrível. Essa é uma fantástica história de sucesso. E também estou muito curioso para saber qual é a história por trás do nome dotData, porque para nossos ouvintes, é escrito como ponto ponto, mas com d minúsculo e dados com D maiúsculo logo após. De onde veio isso?

Walter: Ótima pergunta. Então, a inspiração original por trás do nome dotData realmente vem de, você sabe, uma das ideias que eles eram o grupo de pessoas para descobrir que uma empresa estava brincando era, você sabe, nós estamos falando como, provavelmente quando essa ideia foi sendo chutado pela primeira vez por volta de 2016 2017. Portanto, havia muitas conversas no mundo sobre dados e o volume de dados e quantos dados estavam sendo gerados em todo o mundo diariamente. E meio que ocorreu a eles, você sabe, a iteração anterior da internet, por assim dizer, nos anos 1990 e 2000. Somos todos sobre dotnet. Certo? E a rede, e eles pensaram, bem, a próxima iteração do mundo realmente será sobre dados. Portanto, esses dados, em vez de dados de ponto.net. Essa era a intenção original por trás do nome dotData.

Sam: Ok, sim, isso faz sentido com muito mais clareza. Com aquilo em mente. Eu também adoro a aliteração do DD, os dados de ponto, tem um som muito bom quando você diz

Walter: Sim, é um nome memorável e fácil de marcá-lo.

Sam: Sim, sim, eu entendo isso completamente. E também quero saber, tipo, em novembro do ano passado, vocês da dotData publicaram um artigo chamado o que é mineração preditiva de dados? Obviamente, eu recomendo que os ouvintes confiram. Mas enquanto você está aqui, você poderia nos dar uma breve visão geral sobre o que é mineração preditiva de dados?

Walter: Claro, com certeza. Então, obviamente, você sabe, de uma perspectiva do público, aqueles que não estão familiarizados com isso, você sabe, você pode ter ouvido falar disso em uma terminologia diferente pode ter ouvido falar de análise preditiva, mineração de dados preditiva por si só , tecnicamente, eles não são exatamente a mesma coisa, se você realmente quiser dividir o cabelo, mas, para um público amplo, a mineração preditiva de dados e a análise preditiva tratam, na verdade, de alavancar os dados históricos que você tem em sua organização . Você sabe, por exemplo, um bom caso de uso pode ser em marketing, você pode querer prever o comportamento dos visitantes em seu site para um carrinho de compras, certo? E você tem dados históricos sobre quais são as ações que certas pessoas realizam antes de comprar um produto específico. E você deseja usar esses dados, explorar esses dados e usar técnicas e algoritmos muito específicos, como e você sabe, análise de árvore de decisão ou indução de regras, agrupamento, detecção de outliers e outros tipos de técnicas de mineração de dados, para identificar o padrões, determinar, você sabe, meio que visitar os insights, parte da análise preditiva, construir esses insights. Às vezes, eles também são chamados de recursos no mundo do aprendizado de máquina, mas descubra os insights que dizem que tudo bem, é isso que tende a acontecer. Toda vez que alguém compra um determinado produto no exemplo que acabamos de ter, e então dá um passo adiante e diz: Ok, agora posso usar certos algoritmos de aprendizado de máquina para tentar prever a probabilidade de alguém comprar um produto quando toma certas decisões específicas ações. A razão pela qual é importante para você, como profissional de marketing, o exemplo que acabei de dar é que, se eu puder prever com certo grau de precisão o que acontecerá quando alguém realizar determinadas ações específicas, posso conduzir as pessoas a essas ações, agora posso aproveitar essas informações para otimizar minhas campanhas de marketing. Em poucas palavras, isso é mineração preditiva de dados, fica muito mais complicado muito rapidamente, há muito mais sobre o que falar. Então, eu dei a vocês literalmente a 32ª versão do pessoal de marketing, muito mais informações disponíveis em nosso site, e estamos felizes em nos encontrar com qualquer pessoa que obviamente queira aprender mais sobre isso. Estamos muito interessados em educar o mercado tanto quanto possível sobre isso.

Sam: Sim, posso imaginar que isso pode ficar bem complicado rapidamente. Então, eu realmente aprecio você nos dando essa breve visão geral. E acho que você fez um bom trabalho ao resumir o que parece ser um tópico muito complexo. Agora, eu também quero saber como, existem outras empresas operando este espaço? E se sim, como vocês da dotData se diferenciam da concorrência?

Walter: Ótima pergunta. Portanto, a resposta curta é sim, claro, existem muitas outras empresas que operam neste espaço. E tendo, você sabe, tendo dito isso, a única coisa que provavelmente também é um truísmo sobre o espaço de análise preditiva de barra de aprendizado de máquina, é que ele está se desenvolvendo e mudando em um ritmo incrivelmente rápido. Então, se você olhar para o posicionamento das empresas, digamos, três, quatro anos atrás, quando entrei na dotData, versus como essas mesmas empresas estão se posicionando hoje, como seus produtos são construídos hoje, onde eles fazem hoje, conversas radicalmente diferentes . E isso realmente foi impulsionado em grande parte pela rapidez com que o mercado está se desenvolvendo. Por meio de tudo isso, no entanto, o grande diferencial para esses dados realmente se resume ao mecanismo principal do dotData e como o dotData funciona. Então, uma das coisas que eu não falei, não falamos, e novamente, isso traz um pouco de profundidade técnica desta conversa, mas é importante que no mundo da análise preditiva, certo, quando você vai e use esses algoritmos de aprendizado de máquina para construir seus modelos preditivos, esses algoritmos de aprendizado de máquina como tabelas planas, essencialmente, eles não são felizes. Portanto, se você sabe se não sabe o quanto sabe sobre dados corporativos, mas especialmente no mundo dos dados corporativos, se pensa em algo como salesforce.com, por exemplo, como usuário de salesforce.com, eu apenas veja uma tela de leads e ela contém informações de leads. E como minhas atividades contra meus leads, tudo em um único local. Mas se eu tirar as capas disso e olhar por dentro, por assim dizer, como esse sistema opera, é basicamente o que chamamos de banco de dados relacional. Então, todos esses campos que estou vendo, muitos deles são realmente partes de diferentes tabelas entregues em diferentes partes do vendedor, estão todos conectados entre si. Bem, algoritmos de aprendizado de máquina não gostam dessas coisas, algoritmos de aprendizado de máquina, como tabelas planas, algoritmos de aprendizado de máquina, como coisas que se parecem com CSVs e planilhas. Portanto, grande parte do aprendizado de máquina é chamada de engenharia de recursos, que é essencialmente um processo de pegar essas tabelas de dados relacionais complexas, descobrir os padrões que fazem sentido para seu algoritmo de aprendizado de máquina e construir essas tabelas planas essencialmente, que você precisa alimentam algoritmos de aprendizado de máquina. O maior diferencial do dotData é que fazemos essa parte automaticamente. Isso é tradicionalmente um processo muito prático. Se eu voltar para quando você me fez a primeira pergunta sobre, você sabe como esses dados se originaram. Esse foi o momento aha que nosso CEO estava assistindo. Nesses dados, os cientistas passaram literalmente meses construindo essas tabelas de recursos que eles teriam que colocar manualmente nos algoritmos de aprendizado de máquina. E percebendo que deve haver uma maneira melhor, temos que ser capazes de construir um sistema que encontre automaticamente as conexões entre essas tabelas, identifique automaticamente os padrões relevantes e propositais e crie essas tabelas de recursos automaticamente. Então esse é de longe o nosso maior diferencial. E hoje, somos realmente a única empresa no mercado que oferece essa funcionalidade.

Sam: Ok, isso faz sentido. Sim. E sempre adoro o fato de que sempre que entrevisto pessoas, sempre parece que há algum tipo de momento aha na base de todas essas empresas com quem falo. E é realmente, é uma parte muito divertida do meu trabalho chegar a essa unidade central, eu acho, então isso faz todo o sentido. E estou curioso para saber o que vem a seguir no horizonte para vocês da dotData?

Walter : Então eu penso de, você sabe, uma espécie de duas perspectivas, certo. Um é de um, obviamente, porque o crescimento de um negócio é a área de maior interesse para nós. E, na verdade, uma das coisas que pensamos, especialmente devido à incerteza econômica que está acontecendo agora, sistemas como esses dados realmente se tornam ainda mais benéficos para as organizações. Você sabe, quando o dinheiro foi investido, o capital era abundante e as organizações não precisavam se preocupar com o número de funcionários e não precisavam se preocupar, você poderia apenas contratar para resolver o problema, certo? Você precisava fazer as coisas mais rapidamente, contratar mais cientistas de dados, criar produtos mais rapidamente, contratar mais engenheiros de dados e assim por diante. Bem, com a economia fazendo o que está fazendo agora, estamos vendo um aumento na demanda, estamos vendo mais empresas dizendo, não tenho a capacidade de expandir minha equipe, não tenho permissão , por assim dizer financeiramente, para contratar 1015 20 Mais cientistas de dados. Então, como faço para tornar minha equipe existente mais produtiva? E é aí que o dotData pode ajudá-los bastante. Portanto, vemos muitas oportunidades no curto prazo, bem como no longo prazo nessa perspectiva. E, obviamente, temos um monte de ideias e um monte de coisas novas vindo da perspectiva do produto, a maioria das quais eu não posso falar ainda, mas algumas coisas muito interessantes que estão chegando no segundo metade deste ano, que continuará a expandir as capacidades do produto e também nos levará a algumas novas áreas em que não estivemos antes.

Sam: Fantástico. Bem, parece que vocês têm muita coisa acontecendo. E desejo-lhe boa sorte com isso. E se as pessoas estiverem ouvindo e interessadas em acompanhar você, pessoalmente, Walter ou dotData, onde elas podem fazer isso?

Walter: Ótima pergunta. Para que o dotData seja o mais fácil, basta acessar dotdata.com. Para se conectar comigo pessoalmente, você pode me encontrar na página de liderança. Se você for à nossa página sobre e, em seguida, liderança, verá minha foto, minha biografia e poderá clicar diretamente em meu perfil do LinkedIn, ou meu perfil do LinkedIn é bastante simples. Basta https://www.linkedin.com/in/walterpaliska/ acessar meu perfil do LinkedIn e entrar em contato comigo.

Sam : Excelente. Bem, vamos incluir links também na descrição deste episódio, para que os ouvintes possam ir até lá. Mas por outro lado, Walter, muito obrigado por se juntar a mim hoje.

Walter: Muito obrigado pela oportunidade, e obrigado a todos os seus ouvintes.

A imagem principal deste artigo foi gerada peloAI Image Generator do HackerNoon por meio do prompt "pessoas em computadores em um cibercafé à noite".