Ermächtigen Sie Ihre ML- und KI-Bemühungen mit DatenTransformation – Thought Leaders

Je größer die Vielfalt, Geschwindigkeit und Menge der Daten, die wir haben, desto praktikabler wird es, Predictive-Analytics und -Modelle zu verwenden, um Wachstum vorherzusagen und Bereiche für Verbesserungen zu identifizieren. Allerdings erfordert es, um den größten Nutzen aus Berichten, Machine-Learning- (ML-) und KI-Tools zu ziehen, dass eine Organisation auf Daten aus vielen Quellen zugreift und sicherstellt, dass diese Daten von hoher Qualität und vertrauenswürdig sind. Dies ist oft die größte Hürde, um Big Data in eine Geschäftsstrategie umzuwandeln.

Datenexperten verbringen so viel Zeit damit, Daten zu sammeln und zu validieren, um sie für die Verwendung vorzubereiten, dass sie wenig Zeit haben, um sich auf ihren Hauptzweck zu konzentrieren: die Analyse der Daten und die Ableitung von Geschäftswert daraus. Es ist nicht überraschend, dass 76 Prozent der Datenwissenschaftler sagen, dass die Datenvorbereitung der unangenehmste Teil ihres Jobs ist. Darüber hinaus erfordern aktuelle Datenvorbereitungsanstrengungen wie Data Wrangling und traditionelles ETL manuellen Aufwand von IT-Experten und sind nicht ausreichend, um mit dem Umfang und der Komplexität von Big Data umzugehen.

Unternehmen, die die Macht von KI nutzen möchten, müssen sich von diesen mühsamen und überwiegend manuellen Prozessen lösen, die das Risiko von “Müll herein, Müll heraus”-Ergebnissen erhöhen. Stattdessen benötigen sie Daten-Transformationsprozesse, die rohe Daten in mehreren Quellen und Formaten extrahieren, sie verbinden und normalisieren und mit Geschäftlogik und Metriken anreichern, um sie für die Analyse bereit zu machen. Mit komplexen Daten-Transformationen können sie sicherstellen, dass KI/ML-Modelle auf sauberen, genauen Daten basieren, die vertrauenswürdige Ergebnisse liefern.

Durch die Nutzung der Cloud mit ELT

Der beste Ort, um Daten heute vorzubereiten und zu transformieren, ist ein Cloud-Datenlager (CDW) wie Amazon (AMZN ) Redshift, Google (GOOGL ) BigQuery, Microsoft Azure Synapse oder Snowflake. Während traditionelle Ansätze für Data-Warehousing erfordern, dass Daten extrahiert und transformiert werden, bevor sie geladen werden können, nutzt ein CDW die Skalierbarkeit und Leistung der Cloud für eine schnellere Datenaufnahme und -Transformation und ermöglicht es, Daten aus vielen verschiedenen Datenquellen zu extrahieren und zu laden, bevor sie innerhalb des CDW transformiert werden.

Idealerweise bewegt das ELT-Modell die Daten zunächst in einen Bereich des CDW, der für rohe Zwischendaten reserviert ist. Von dort aus kann das CDW seine fast unbegrenzten Rechenressourcen für Datenintegration und ETL-Jobs nutzen, die die zwischengespeicherten Daten reinigen, aggregieren, filtern und verbinden. Die Daten können dann in ein anderes Schema transformiert werden – beispielsweise ein Data-Vault- oder Star-Schema -, um die Daten für Berichte und Analysen zu optimieren.

Der ELT-Ansatz ermöglicht es auch, rohe Daten innerhalb des CDW zu replizieren, um sie später vorzubereiten und zu transformieren, wenn und wie benötigt. Dies ermöglicht die Verwendung von Business-Intelligence-Tools, die das Schema beim Lesen bestimmen und spezifische Transformationen auf Abruf erzeugen, was es effektiv ermöglicht, dieselben Daten auf mehrere Weise zu transformieren, während Sie neue Verwendungszwecke dafür entdecken.

Beschleunigung von Machine-Learning-Modellen

Diese realen Beispiele zeigen, wie zwei Unternehmen in verschiedenen Branchen Daten-Transformation in einem CDW nutzen, um KI-Initiativen voranzutreiben.

Eine Boutique-Marketing- und Werbeagentur baute eine eigene Kundenmanagement-Plattform, um ihren Kunden zu helfen, ihre Kunden besser zu identifizieren, zu verstehen und zu motivieren. Durch die Transformation von Daten innerhalb eines CDW kann die Plattform Echtzeit-Kundendaten über Kanäle hinweg schnell und einfach in eine 360-Grad-Kundenansicht integrieren, die die KI/ML-Modelle der Plattform für konsistente, zeitnahe und personalisierte Kundeninteraktionen informiert.

Ein globales Logistikunternehmen, das 100 Millionen Lieferungen an 37 Millionen einzigartige Kunden in 72 Ländern durchführt, benötigt enorme Mengen an Daten, um seine täglichen Operationen zu betreiben. Durch die Einführung von Daten-Transformation innerhalb eines CDW konnte das Unternehmen 200 Machine-Learning-Modelle in einem Jahr bereitstellen. Diese Modelle liefern jeden Tag 500.000 Vorhersagen, was die Effizienz erheblich verbessert und einen besseren Kundenservice ermöglicht, der die Anrufe im Callcenter um 40 Prozent reduziert hat.

Best Practices für den Einstieg

Unternehmen, die ihre KI/ML-Initiativen mit der Macht von Daten-Transformation in der Cloud unterstützen möchten, müssen ihre spezifischen Anwendungsfälle und Bedürfnisse verstehen. Wenn Sie mit dem beginnen, was Sie mit Ihren Daten erreichen möchten – beispielsweise die Reduzierung der Treibstoffkosten durch die Optimierung von Lieferwegen oder die Steigerung des Umsatzes durch die Bereitstellung von Next-Best-Offers an Kundenberater in Echtzeit -, können Sie Ihre Prozesse rückwärts konstruieren, um zu bestimmen, welche Daten relevante Ergebnisse liefern werden.

Sobald Sie bestimmt haben, welche Daten Ihr KI/ML-Projekt benötigt, um seine Modelle zu erstellen, benötigen Sie eine cloud-native ELT-Lösung, die Ihre Daten für die Verwendung bereit macht. Suchen Sie nach einer Lösung, die:

• Herstellerunabhängig ist und mit Ihrem aktuellen Technologie-Stack zusammenarbeiten kann

• Flexibel genug ist, um sich zu skalieren und anzupassen, wenn sich Ihr Technologie-Stack ändert

• Komplexe Daten-Transformationen aus mehreren Datenquellen bewältigen kann

• Ein pay-as-you-go-Preismodell anbietet, bei dem Sie nur für das bezahlen, was Sie nutzen

• Speziell für Ihr bevorzugtes CDW entwickelt wurde, um dessen Funktionen vollständig zu nutzen und Jobs schneller auszuführen und Daten nahtlos zu transformieren.

Eine Cloud-Daten-Transformations-Lösung, die auf die gemeinsamen Nenner aller CDWs abzielt, kann ein konsistentes Erlebnis bieten, aber nur eine, die die leistungsstarken Differenzierungsmerkmale Ihres gewählten CDW ermöglicht, kann die hohe Leistung liefern, die die Zeit bis zur Erkenntnis beschleunigt. Die richtige Lösung ermöglicht es Ihnen, Ihre KI/ML-Projekte mit mehr sauberen, vertrauenswürdigen Daten aus mehr Quellen in weniger Zeit zu betreiben – und schneller, zuverlässigere Ergebnisse zu erzielen, die zuvor unerreichte Geschäftswerte und Innovationen vorantreiben.