Problemer i den virkelige verden, og hvordan data hjelper oss med å løse dem

Med den konstante buzzen rundt nye verktøy og banebrytende modeller, er det lett å miste en grunnleggende sannhet av syne: den virkelige verdien av å utnytte data ligger i dens evne til å få til håndgripelige positive endringer. Enten det er rundt komplekse forretningsbeslutninger eller våre daglige rutiner, er datainformerte løsninger bare så gode som innvirkningen de har i den virkelige verden.

For å hjelpe deg med å lære hvordan du kobler sammen prikkene mer effektivt og for å inspirere deg til å prøve ut nye tilnærminger, har vi samlet noen av våre nylige favorittartikler som kommer med en sterk problemløsningsvinkel. De spenner over et bredt spekter av brukstilfeller, fra det strategiske til det ekstremt personlige, men deler et pragmatisk og detaljorientert syn på datas rolle i livene våre. Nyte!

• Utforske tid til hendelse med overlevelsesanalyse. I en tilgjengelig introduksjon til overlevelsesanalyse dekker Olivia Tanuwidjaja noen av de essensielle konseptene og teknikkene den er avhengig av, og viser hvordan denne tilnærmingen kan brukes på tvers av et mangfoldig spekter av problemer – fra det medisinske feltet til vedlikeholdsprediksjon og kundeanalyse.
• Hvordan vet et beslutningstre det nest beste spørsmålet å stille fra dataene? Noen maskinlæringsutøvere anser kanskje binære klassifiseringsoppgaver som grunnleggende, men nytten av dem har holdt seg konstant selv om mer komplekse teknikker har dukket opp de siste årene. For å hjelpe deg i gang delte Gurjinder Kaur nylig en nybegynnervennlig primer om beslutningstrær; Den forklarer i detalj hvordan de fungerer i sammenheng med en modell som er trent til å forutsi om en gitt fisk er mer sannsynlig å være tunfisk eller laks.

• Min livsstatistikk: Jeg sporet vanene mine i et år, og dette er hva jeg lærte. For sin TDS-debut presenterer Pau Blasco Roca et årelangt prosjekt som ligger i skjæringspunktet mellom dataanalyse og det såkalte kvantifiserte selvet. Pau har sporet sine daglige aktiviteter i 332 dager, og viser hvordan du kan hente meningsfull innsikt selv fra data som kan virke trivielle ved første øyekast.
• Metoder for modellering av kundens levetidsverdi: De gode tingene og gotchaene. For bransjedataforskere er beregning av kundens levetidsverdi et vanlig mål – og et som blir mer komplisert jo dypere du graver i en bedrifts drift. Katherine Munro omfattende, praktiske guide til CLV gir sårt tiltrengt klarhet om dette emnet og kartlegger de ulike modelleringsalternativene du har til rådighet, inkludert deres respektive styrker og begrensninger.
• Forbedring av Strava-treningsloggen. Hvis du er en maratonløper – og selv om du ikke er det – vil du ikke gå glipp av Barry Smyth siste dypdykk, der han tar oss gjennom hele prosessen med å laste ned, analysere og visualisere Strava-treningsloggen sin. Det er en spesielt nyttig lesning takket være fokuset på å gjøre et vellykket sprang fra "her er mye løpsdata!" til "her er hvordan du bruker data for å løpe et bedre løp."

Enten du planlegger å skjære en kalkun denne helgen eller ikke, håper vi du finner litt fritid til å utforske noen andre fascinerende emner forfatterne våre nylig taklet:

• Kan E-verdier være svaret på p-hacking? Hennie de Harder fortsetter å pakke ut det vanskelige temaet datamanipulasjon.
• For en praktisk tilnærming til å fremskynde jobbsøkingen din for dataanalytikere, ta et hint fra Natassha Selvaraj detaljerte veikart.
• Hva er det neste etter gjenfinningsforsterket generasjon? Gadi Singer delte en Omfattende oversikt over tolkningsgjenfinningssentrisk generering (RCG) modeller og deres potensial til å overvinne RAGs ulemper.
• Hvis teamet ditt tenker på å bytte til serverløs teknologi, er Sheen Brisals grundige oversikt over hovedkonseptene og hensynene å huske på et absolutt must-read.
• Lær hvordan du estimerer årsakseffekter når du ikke kan randomisere behandling: Matteo Courthoud siste forklaring gjør en god jobb med å samle de teoretiske og praktiske elementene som spiller inn.

Takk for at du støtter arbeidet til forfatterne våre! Hvis du liker artiklene du leser på TDS, bør du vurdere å bli Medium-medlem – det låser opp hele arkivet vårt (og annethvert innlegg på Medium også).

Inntil neste variabel,

TDS-redaktører