什么是 Tableau 商业科学?

我们在 Tableau 重点关注的事情之一,就是如何让更多人在日常业务中使用数据。当人们可以围绕数据进行思考(当分析过程以提出和回答问题为主,而不是学习复杂的软件或技能),人的潜能就会得到释放,实现惊人的成效。但是,因为存在大量障碍,依赖数据的人难以使用做出最佳决策所需的复杂分析。

我们希望通过推出一类新的分析来减少这些障碍:Tableau 商业科学。商业科学让业务人员掌握数据科学的强大功能。

长久以来,使用 AI、ML 和其他统计方法来解决业务问题在很大程度上是数据科学家的专属领域。许多组织都设立了小型数据科学团队,这些团队专注于解决极其关键且具有高度可扩展性的具体问题。但是,大量业务决策不仅依赖于数据,还依赖于经验和知识。如果能够应用更加高级的分析技术,此类决策将受益匪浅。

在我们看来,这就是一个契机,我们可以籍此普及数据科学功能,减少高精确度及管控能力与见解获取速度(以及在见解失效之前及时采取行动)之间的矛盾。Tableau 一直坚守的理念,即分析的关键在于如何让人们提出下一个问题,探索下一个假设,检验下一个想法。现在,我们进一步将其发扬光大,通过实用、合乎伦理的 AI 将预测功能应用到人们当前的业务问题中,帮助人类提高判断能力。 

通过为分析师和业务用户提供可解释的 AI 和预测分析工具,商业科学可以在整个组织帮助人们更快、更自信地制定决策,同时扩展他们的分析用例并加深他们对自己数据的理解。

什么是 Tableau 商业科学?

商业科学是一类新的 AI 驱动型分析,可帮助具有领域专业知识的人更快、更自信地做出更明智的决策,并认识到并非所有问题都需要为了严苛的精确性而牺牲速度和业务背景。商业科学解决方案同样也能做到严谨和准确,但它让决策者能够根据自己用例的需求进行灵活控制。用户可以通过多种途径实施控制,例如输入数据、变量选择和阈值设置。业务专家能够实现完全自动化的体验,或者在模型创建过程中根据引导进行选择性更改。通过为更多的人配备受管控、无代码的 AI (如预测、假设场景规划、引导式模型构建),业务团队可自行完成更多分析。

商业科学实现了数据科学功能的普及,帮助并未学习过传统数据科学工具的领域专家了解模型的主要推动因素。为领域专家提供引导式 AI 体验后,团队就可以将高级分析应用到更多业务问题,更快、更严谨地制定重要决策,同时仍然可以借助人类的判断能力。这样做不是为了对超级精确的模型进行微调,而是让最熟悉相关问题的人找到正确的分析方向。 

毕竟,业务具有本质上的复杂性和不可预测性,因此了解领域变化机制的人掌握着至关重要的领域经验和知识。正因为这样,商业科学极具价值,有助于解决数据科学团队没有足够的资源来解决,或者无法优先解决的业务问题。

Tableau 商业科学适合哪些人?

商业科学适合具有相关背景知识的人,这些人了解他们的业务形态、业务的重要驱动因素,还知道哪些数据可能有助于寻找解决方案。商业科学不要求用户具备精深的技术专长,也不要求他们能够编写、部署和监控算法。只要让业务专业人员和数据分析师能够利用 ML 模型输出的预测和见解(而无需学习 Python、数据统计,以及为算法调整参数的方法),您就已经迈出了建设数据驱动型专家团队的第一步。

根据我们的观察,在数不胜数的情况中,商业科学是正确的选择,可以为企业带来最佳结果 — 例如为营销团队进行商机评分,为销售团队分配配额,进行供应链分配和优化等。人力资源部门可以使用商业科学来评估候选人接受录用的可能性。物业团队可以应用商业科学来规划在哪里购置办公楼,并研究将员工转移到新地点的成本。各种各样的团队都可以将商业科学应用于预算编制或资源分配。

Tableau 商业科学与数据科学有何不同?

商业科学会使用一些与数据科学相同的统计和计算技术,但与统计的严密性相比,它更重视领域专长和获取价值的速度。商业科学的运作前提不同于数据科学 — 目标不同,典型用户也不同。

数据科学的输出是机器学习算法,可将此类算法投入生产以增强重复流程。数据科学通常会尝试回答“是/否”问题,或确定预测的结果是否超出某个阈值。举例来说,欺诈检测是一个很好的数据科学用例。历史数据训练让算法能够通过对数十万,甚至数百万个事件进行模式分析来识别欺诈,并应用这种能力来预测某个交易是否存在欺诈。对这样的模型进行微调非常关键,因为极其微小的精度差异(即使是零点几个百分点)也可能使公司损失数百万美元。

商业科学的目标是提高 KPI,而不是通过持续的完善使模型达到最精确状态。商业科学帮助客户使用迭代性更强的“修改并重新部署”流程来取代传统数据科学周期,为具有业务背景的人员消除了快速构建模型和使用预测的障碍。更多的人能够更快地从这些先进的分析技术获取价值,并根据需要随时随地做出更加明智的决策。

例如,零售商可能想知道在其商店中添加哪种产品,进而增加自己在某个地区的利润。业务人员了解供应商关系、区域趋势以及其他只能定性的重要因素如何影响决策,这是机器永远无法理解的细节。人类具有专业知识、判断力和上下文意识,而机器生成的见解具有严谨性、可扩展性并且能够自动执行,二者相结合可以带来更好的业务成果。 

数据科学更适合在临床试验中分析疫苗的功效,而商业科学更适合疫苗的发放和分配问题(其细微层面不断变化,因此在很大程度上依赖于人类的判断)。如果要用比喻来加以说明,我们可以把文森特·梵高想像成一名数据科学家,但商业科学更像是某个人依样临摹《星月夜》。数据科学是“37.7914° N, 122.3951° W + 2,03 x10^5mm in 44,7° => 37.7932° N, 122.3947° W”,而商业科学则是“在第三个路口左转,注意车辆,随后您就可以到达 One Market 大街”。

详细了解 Tableau 商业科学

通过将 Salesforce 的 Einstein Discovery 引擎引入 Tableau,我们建立了这种 AI 驱动型分析,这让我们无比兴奋。这项经过验证的技术采用了透明且合乎伦理的 AI,让业务团队了解结果背后的关键驱动因素和潜在偏差,从而加深对决策的理解和信心。它直接内置到业务工作流中,让用户能够在工作环境中直接获得最大价值。

希望进一步探索 Tableau 商业科学?查看我们的 白皮书

订阅我们的博客