Работая с большими наборами данных, я обнаружил, что проектировать системы ETL очень легко, когда эти наборы данных предназначены для клиента. Однако при работе с наборами данных с клиентами B2B наборы данных настолько разнообразны, что мне практически невозможно воспринимать все запросы (типы), которые могут понадобиться аналитикам. Поэтому я начал читать книгу Кимбалла и Росс о создании хранилища данных. Это дало мне свежий и новый взгляд на вещи, проявив сочувствие к аналитикам..

Подготовка и анализ данных — это безжалостно повторяющаяся задача, которая созрела для автоматизации. Анализ данных — это естественная среда для машинного обучения и алгоритмов искусственного интеллекта, которые могут автоматически подготавливать, анализировать и интерпретировать данные. Результатом является расширенная аналитика, быстрый и доступный способ получения аналитических данных. Огромные пулы данных являются одним из признаков нашего времени, но превращение больших объемов..

В своей книге 10 основных ошибок интеллектуального анализа данных Джон Элдер делится уроками, извлеченными из более чем 20-летнего опыта консультирования по науке о данных. Избегание этих ошибок является краеугольным камнем любого успешного аналитического проекта. В этом блоге об ошибке № 4 вы узнаете, что создание моделей на основе данных имеет то преимущество, что вы смотрите на данные заново, не ограничиваясь старыми гипотезами. Но, «позволяя данным говорить», вы должны быть..