Business Science vs Data Science: чем отличаются два направления науки о данных?

Никита Васильев

ведущий исследователь данных в «Сбере»

Какие данные нужны бизнесу и какую специализацию сегодня стоит выбрать, чтобы стать востребованным специалистом в компании любого направления? Частый ответ – Data Science. Но это не совсем так.

Нераскрытые сокровища бесполезны

Науку о данных упоминают, когда говорят о перспективной высокооплачиваемой профессии современности или обсуждают возможности успешного бизнеса. Но действительно ли Data Science – это именно то, что всегда нужно бизнесу?

Бизнесу требуется информация, которая стимулирует действия и процессы, приносящие прибыль. Неструктурированные данные можно сравнить с еще ненайденным кладом или пока не реализованным потенциалом. Их интеллектуальная ценность скрыта от несведущих людей до тех пор, пока не примет форму, применимую в практической сфере. Так и в корпоративных базах данных хранятся несметные сокровища информации, которая при правильной интерпретации и дальновидной стратегии может стать ключом к успеху. Business Science – данные для бизнеса, применимые к конкретным практическим бизнес-целям.

Приведем пример из далекого прошлого, повлиявший на развитие всего человечества.

Исторический экскурс

Датский астроном Тихо Браге, живший в эпоху Возрождения, первым в истории человечества систематически в течение многих лет проводил астрономические наблюдения за движением планет. За годы деятельности он накопил огромный массив сверхточных данных, у которых не было обоснованных объяснений и научного применения. С точки зрения современной науки, эти данные – Data Science в чистом виде. Что можно сделать с подобной информацией и как ее применить, продемонстрировали последователи Тихо Браге.

Немецкий математик и астроном Иоганн Кеплер, интерпретируя данные, полученные Тихо Браге, эмпирически открыл законы движения планет. В начале XVII века, когда жил Кеплер, человечество еще не обладало математическими знаниями, которые позволили бы найти практическое применение уникальной информации.

Только почти столетие спустя три закона Кеплера обобщил Исаак Ньютон. Он применил математический анализ и законы механики, которые не были известны Тихо Браге и Кеплеру. Законы Кеплера (обобщенный анализ движения планет) подвели Ньютона к открытию закона всемирного тяготения. Именно тогда человечество сделало первый практический шаг на пути освоения космоса.

Какой вывод можно сделать из этого исторического экскурса? Даже огромный массив данных, в котором содержится уникальная и достоверная информация, не принесет практической пользы, если для его применения нет подходящих инструментов или навыков. Это особенно важно для бизнеса, результатом которого должна быть прибыль – источник роста, развития и трансформации организации.

Различия в Data Science и Business Science

Data Science – дисциплина, в целом изучающая анализ и обработку цифровых данных. Академический предмет включает множество современных наук, связанных со статистикой, искусственным интеллектом, проектированием баз данных. В данной области используются как структурированные, так и неструктурированные данные. При всей многогранности многие сферы Data Science являются чистой наукой и основой для практических инструментов, необходимых бизнесу.

Business Science – это инструментарий точной аналитической настройки, созданный на основании достижений науки о данных. Работает только со структурированными данными. Изучает тенденции и закономерности, характерные именно для бизнеса. Business Science применим для решения конкретных задач бизнеса в разных областях деятельности, оптимизации путей их достижения и в конечном результате – максимизации прибыли. Использование Business Science с целью анализа и определения трендов уже широко встречаются в таких отраслях, как финансы, медицина, маркетинг, розничная торговля, управление поставками, телекоммуникации и др. По факту, Business Science – это источник операционной эффективности бизнеса.

Какими качествами и навыками должен обладать специалист Business Science?

Хорошему бизнес-аналитику, работающему с массивами данных, нужно уметь:

• интерпретировать и анализировать данные – выделять из огромного объема цифр и показателей, которыми располагают современные компании, полезные для бизнес-анализа. На основании логики и анализа имеющихся данных разрабатывать прогнозы и рекомендации, работать со статистикой и математическими алгоритмами, так как бизнес-анализ основан на статистических концепциях;
• визуализировать – трансформировать выводы о тенденциях и закономерностях в визуально понятный формат, представлять информацию графически в виде диаграмм, графиков;
• эффективно коммуницировать – навык убеждения необходим для представления и защиты предложений по усовершенствованию бизнеса перед менеджментом и инвесторами – людьми, принимающими решения.

Примеры использования данных в Business Science

Сегодня аналитика данных применяется в различных предпринимательских сферах. С ее помощью компании выполняют самые разноплановые задачи. Спектр применения очень широк – от привлечения новых клиентов, разработки программ лояльности и умных маркетинговых кампаний, управления потоками товаров до определения таких рисков, как прогноз и предотвращение поломок оборудования, вычисление мошенников и недобросовестных партнеров.

Качественная аналитика для бизнеса

Образно говоря, специалисты Business Science помогают менеджменту компании превращать цифровые данные (показатели) в добавочную стоимость (прибыль). Интерес современного бизнеса к науке о данных является потребностью в качественной бизнес-аналитике, способной правильно сформулировать проблему, предусмотреть потенциальные риски и указать оптимальный путь к цели.

Business Science – это именно то, что нужно. Наука представляет рекомендации на основе данных, сочетая современные возможности информационных технологий, лучшие бизнес-практики и даже бизнес-интуицию, которой обладают лучшие управленцы.