論文の概要: The Big Three: A Methodology to Increase Data Science ROI by Answering the Questions Companies Care About

• arxiv url: http://arxiv.org/abs/2002.07069v1
• Date: Wed, 12 Feb 2020 21:25:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 19:57:25.988720
• Title: The Big Three: A Methodology to Increase Data Science ROI by Answering the Questions Companies Care About
• Title（参考訳）: ビッグ3: 企業が気遣う疑問に答えることによるデータサイエンスのROI向上手法
• Authors: Daniel K. Griffin
• Abstract要約: 企業は、業界アプリケーションでデータサイエンスから得られる価値の3分の1しか達成していないかもしれない。 我々は,データサイエンスを用いて,「ビッグスリー」の質問(何が起きているのか,何を引き起こしているのか,どのような行動を取ればよいのか)を分類し,回答するための方法論を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Companies may be achieving only a third of the value they could be getting from data science in industry applications. In this paper, we propose a methodology for categorizing and answering 'The Big Three' questions (what is going on, what is causing it, and what actions can I take that will optimize what I care about) using data science. The applications of data science seem to be nearly endless in today's modern landscape, with each company jockeying for position in the new data and insights economy. Yet, data scientists seem to be solely focused on using classification, regression, and clustering methods to answer the question 'what is going on'. Answering questions about why things are happening or how to take optimal actions to improve metrics are relegated to niche fields of research and generally neglected in industry data science analysis. We survey technical methods to answer these other important questions, describe areas in which some of these methods are being applied, and provide a practical example of how to apply our methodology and selected methods to a real business use case.
• Abstract（参考訳）: 企業は、業界アプリケーションでデータサイエンスから得られる価値の3分の1しか達成していないかもしれない。 本稿では,データサイエンスを用いて,「The Big Three」の質問(何が起きているのか,何を引き起こしているのか,どのような行動を取ればよいのか)を分類し,回答するための方法論を提案する。 データサイエンスの応用は、今日の現代的なランドスケープにおいてほぼ無限に存在し、各企業が新しいデータと洞察経済における地位を競うように思える。 しかし、データサイエンティストは、‘何が起きているのか’という質問に答えるために、分類、回帰、クラスタリングの方法のみに焦点を当てているようだ。 なぜ物事が起きているのか、あるいはメトリクスを改善するために最適な行動を取るかという質問に対する回答は、ニッチな研究分野に委ねられ、業界データサイエンス分析では一般的に無視される。 我々は、これらの重要な質問に答える技術的な手法を調査し、これらの手法が適用されている分野を説明し、我々の方法論と選択した手法を実際のビジネスユースケースに適用する方法の実践例を提供する。

関連論文リスト

• Efficient Data Collection for Robotic Manipulation via Compositional Generalization [70.76782930312746]
  本研究では, 環境要因をデータから構成し, 未確認の要因の組み合わせに遭遇した場合に成功できることを示す。 コンポジションを利用したドメイン内データ収集手法を提案する。 ビデオはhttp://iliad.stanford.edu/robot-data-comp/で公開しています。
  論文  参考訳（メタデータ） (2024-03-08T07:15:38Z)
• Why Data Science Projects Fail [0.0]
  Data Scienceは多くのビジネスの中核であり、企業がより効率的にビジネスの課題に対処するスマートな戦略を構築するのを助ける。 データサイエンスの実践は、アルゴリズムを使ってビジネスプロセスを自動化するのにも役立ちます。 データサイエンスに関しては、主に3つの重要な要素がデータサイエンスプロジェクトの効果的な成果に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-08T06:45:15Z)
• SoK: Privacy-Preserving Data Synthesis [72.92263073534899]
  本稿では,プライバシ保護データ合成(PPDS)に注目し,その分野の総合的な概要,分析,議論を行う。 PPDSでは,統計的手法と深層学習(DL)に基づく手法の2つの顕著な研究を統一するマスターレシピを作成した。
  論文  参考訳（メタデータ） (2023-07-05T08:29:31Z)
• Behavior Retrieval: Few-Shot Imitation Learning by Querying Unlabeled Datasets [73.2096288987301]
  オフラインでラベル付けされていないデータセットから、少量のダウンストリーム専門家データを用いて、関連する振る舞いを選択的にクエリする簡単なアプローチを提案する。 提案手法では,タスクへの関連する遷移のみを問合せし,サブ最適データやタスク非関連データをフィルタリングする。 我々の単純なクエリ手法は、画像からシミュレーションされた実際のロボット操作タスクに対して、より複雑な目標条件の手法よりも20%優れています。
  論文  参考訳（メタデータ） (2023-04-18T05:42:53Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• The Lean Data Scientist: Recent Advances towards Overcoming the Data Bottleneck [16.18460753647167]
  機械学習(ML)は、ほとんどすべての科学と産業に影響を及ぼし、世界を変えつつある。 最近のアルゴリズムはますますデータに飢えており、トレーニングには大規模なデータセットが必要である。 しかし、そのような規模の高品質なデータセットを取得することは難しい課題である。
  論文  参考訳（メタデータ） (2022-11-15T07:44:56Z)
• A Review into Data Science and Its Approaches in Mechanical Engineering [0.0]
  本稿では,データサイエンスを概説し,その方法について概説する。 はじめに、異なるデータサイエンスの定義とその技術における背景をレビューした。 データサイエンスの手法を研究に用いた機械工学分野のいくつかの研究がレビューされている。
  論文  参考訳（メタデータ） (2020-12-30T23:05:29Z)
• Principles and Practice of Explainable Machine Learning [12.47276164048813]
  本稿では、特に機械学習(ML)とパターン認識モデルに関するデータ駆動手法に焦点を当てる。 メソッドの頻度と複雑さが増すにつれて、少なくともビジネスの利害関係者はモデルの欠点に懸念を抱いている。 我々は、業界実践者が説明可能な機械学習の分野をよりよく理解するための調査を実施した。
  論文  参考訳（メタデータ） (2020-09-18T14:50:27Z)
• Biases in Data Science Lifecycle [0.0]
  本研究の目的は,データ科学者の実践的ガイドラインを提供し,その意識を高めることである。 この研究では、さまざまなバイアス源をレビューし、データサイエンスライフサイクルの異なる段階の下でグループ化しました。
  論文  参考訳（メタデータ） (2020-09-10T13:41:48Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• An Exploration of Embodied Visual Exploration [97.21890864063872]
  身体的コンピュータビジョンは、新しい非構造環境におけるロボットに対する知覚を考慮に入れている。 既存の視覚探索アルゴリズムの分類を提示し、それらをベンチマークするための標準フレームワークを作成する。 次に,提案フレームワークを用いた4つの最先端パラダイムの徹底的な実証的研究を行った。
  論文  参考訳（メタデータ） (2020-01-07T17:40:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。