資料科學勇者開掛吧

蒐集稀有寶物,開啟數位轉型進擊之路
開始攻略各路魔王
請往下捲動
勇者之劍
資料整合&整合開源
寶物-勇者之劍
請往下捲動瀏覽 請往下捲動
效果一
單一管理平台以及中央模型儲存庫,清楚記錄與儲存每個模型的版本歷程、預測表現、屬性、使用的資料變數、衍生的模型檔案等。如此一來,即使公司內部人員流動或是模型數量繁多,也能系統性地累積分析能量。
效果二
視覺化的點選介面,加上支援自動化特徵工程與最佳化參數等功能,無論是業務單位還是新進分析師,想要準備或探索資料再也不用苦求 IT。
效果三
支援多種語言模型,讓所有開源模型與開源程式與強大的 SAS 分析在單一平台上協同工作,還能進行批次和即時資料的處理,方便部署、控管和提高可擴充性。 ※SAS® Viya® 雲原生平台,使 SAS 分析、資料整合、資料前處理和資料監管相互緊密結合。被 Gartner 評選為 2021 年 《Gartner 資料品質解決方案魔力象限》 領導者。
蒐集寶物
勇者之劍贈送資源包
女神的祝福—AutoML
寶物-女神的祝福—AutoML
請往下捲動瀏覽 請往下捲動
效果一
AutoML 自動化機器學習功能,可以自動清洗、產出高品質的資料,還能自動模型調參以及最佳化模型參數權重,甚至自動產生流程圖(pipeline)等,達到整個分析生命週期 end to end 自動化。耗時又高技術門檻的「資料工程」,現在可以統統外包給 AutoML,讓企業找到模型最佳解,以往需耗時 2 個月,現在只要 15 分鐘。
效果二
Low code / No code 的 AutoML 工具,提供拖拉點選的視覺化介面,讓使用者可以自行測試與選擇如何進行自動化的資料分析,使領域專家自行操作輕易上手,不用寫程式也可以晉升平民資料科學家。
效果三
高效率的 AutoML,讓最懂如行銷等專業領域的專家能安心試錯(Trial and error),自行快速建構各類 AI 模型,找到最符合需求的最佳結果,同時緩減數據分析及 IT 部門每天如雪片般飛來的爆量工作,讓 IT 不再已讀不回!
已獲得女神的祝福
女神贈送資源包
力量之盾
讓 AI 營運化
寶物-力量之盾
請往下捲動瀏覽 請往下捲動
效果一
以基於 DevOps 的文化精神,將模型(Model)和營運流程(Ops)之間緊密連結,以 ModelOps 流程持續地驗證、部署、更新至營運層面,輔以應用 AutoML 提升建模速度及對模型的持續監控與自動訓練。
效果二
支援文字與影像的自動模型解釋技術,讓業務單位看圖看文即可秒懂邏輯與重要因子排序,輕鬆探鑽、判讀或比對AI真實性。
效果三
可稽核的自動化、標準化、圖形介面的「模型作業流程」,讓IT、分析及業務部門都能加入協作,解讀管理所需的資訊。此外,還能提供每一次作業流程的紀錄,做為內部稽核及未來營運改善依據。
效果四
提供開放 API 介面,整合既有軟體系統、達到持續整合與持續交付 (CI/CD)的終極效果,讓 AI 模型輕鬆點擊就可落地至營運環境。
蒐集寶物
力量之盾附贈資源包
「雲端」魔力雲毯
寶物-魔力雲毯
請往下捲動瀏覽 請往下捲動
效果一
雲端具有安全性,當服務發生問題,由雲端服務商進行第一線的支援並有異地備援&備份還原機制,不會由企業完全承擔硬體意外的風險,更有如不用休息的 IT 人員進行不間斷地監測。
效果二
雲端環境部署容易,環境整合快速,在分析一開始時,可以用較小規格、簡單軟體工具執行即可,待各部門資料到位,再彈性地進行擴充。
效果三
同一帳戶的雲端環境之間資料傳輸穩定,不使用企業內部網路資源。
效果四
能夠整合資料至同一資料中心,並將資料分級進行儲存,無須等待硬體到貨、花費時間安裝,企業即能夠享受開箱即用的分析及運算資源,更加彈性、靈活,更快取得 AI 投資報酬效益。
「IDC 統計指出,2020 年至 2024 年,包括金融、醫療、零售在內的多數產業,將分析運算工作負載上雲比例平均達 54%」
蒐集寶物
魔力雲毯贈送資源包

故事引言

資料科學家「小薩」在村落裡過著快樂採礦的日子,但「數位轉型魔王們」卻突然現身!他們對小薩以及其它資料科學勇者們設下重重挑戰。

根據數據分析領導者 SAS 於 2021 年的全球調查,疫情使資料科學家角色更吃重,但是近 300 位任職大型企業的資料科學家卻表示,對企業有效採用分析結果和模型部署不滿意,同時表達阻礙高效工作的因素超過 20 項!

例如:資料雜亂、製作許多 AI 模型但無法卡進日常流程、資料科學結果最終沒被決策者採納等,在日常工作上造成資料科學家重重阻礙。

目前才 Level 1 的小薩必須透過一路上發現的稀有寶物,來加值自身能力、透過知識與相應工具不斷升等,才能成為真正的資料科學勇者。

小薩,你準備好了嗎?

▼ 查看各路魔王屬性 ▼

關卡一:資料髒亂
郝馨淚是一名商品一部的小小分析員,商品一部主要是用 Python 分析各檔活動的行銷狀況,公司希望部門一部能跟隔壁的商品二部合作發展更有綜效的大檔行銷活動。
但隔壁二部都是用 Excel 作報表分析, 且平常整理分析的資料欄位也與一部不同。 印象中,他們的資料又髒又亂。啊啊......看來又要自己扛一波了。
想起上個月跟業務部門合作,也是淒慘地加班了兩週整理與對接兩邊的資料跟不同的分析工具,郝馨淚覺得好心累 QQ
關卡二:夥伴難尋
小愁是個任職於美妝公司的行銷專員,公司希望她每 2 週就變出一檔行銷活動。滿腔熱血希望能夠以「數據導向(Data-Driven)」來規劃活動的她,卻無法施展手腳。
因為光要拿到顧客資料、過往交易紀錄、實體及虛擬通路銷售報表等資訊,跟 IT 部門申請、溝通以及來回修正,就要花上 2 週以上的時間。
好不容易拿到資料了,還要花大量時間精神跟分析部門/分析師溝通分析需求、說明各資料變數在行銷領域的代表意涵......她雖然懂簡單的統計方法與資料分析,但部門內根本沒有相關分析工具可使用,讓熱血的她一籌莫展、愁眉苦臉(;へ:)
關卡三:部署無效
明明是一個聰明絕頂的資料科學家,任職的公司號稱為「數據 first!分析領先!」的公司,但他卻時常很痛苦,業務與行銷部門針對他們的需求解釋許久,卻說建立出來的模型跟結果不是他們要的。
多次來回溝通確認 AI 模型建置成功後,又要與 IT 部門耗費大量工時以部署模型;模型部署成功後又開始面臨這些分析模型有效度下降的問題...明明真的好痛扣(´;ω;)
關卡四:環境擴充
阿潘是一家跨國中大型企業的新任分析部門主管,企業近兩年方向就是要發展數據分析。
但阿潘發現,現在公司有完整蒐集數據的部門並不多,她決定從小部門出發開始統整資料、分析資源,再慢慢地擴大至整間公司,乃至各國分公司。
但一開始要聘僱多少人?要投入多少硬體資源?一次投入太多,絕對無法迅速獲得成效,且看著一堆人力與資源閒置,好像不是辦法。但若投入太少,對於之後規模化也會變得很困難。究竟資源該怎麼分配與規劃?阿潘想破了頭。
關卡一:資料髒亂
資料清理好頭痛!真的只能靠加班結束這回合嗎?
郝馨淚是一名商品一部的小小分析員,商品一部主要是用 Python 分析各檔活動的行銷狀況,公司希望部門一部能跟隔壁的商品二部合作發展更有綜效的大檔行銷活動。
但隔壁二部都是用 Excel 作報表分析, 且平常整理分析的資料欄位也與一部不同。 印象中,他們的資料又髒又亂。啊啊......看來又要自己扛一波了。
想起上個月跟業務部門合作,也是淒慘地加班了兩週整理與對接兩邊的資料跟不同的分析工具,郝馨淚覺得好心累 QQ
BOSS圖
SAS 大調查:資料科學勇者有多痛?
全球受害資料科學家比例
此數字來源為數據分析領導者 SAS 委託對資料科學家進行的一份問卷調查。該調查於 2021 年期間,透過多種來源(包括 TechTarget 社群成員和社群媒體平台)邀請資料專業人士回答有關其工作的問卷調查問題。全球共有 277 名資料專業人士答覆了問卷調查,研究的量化部分是對與資料專業人士和專家的質化訪談加以擴充而得到。多數受訪者在員工人數超過 1,000 人的公司工作,且多數受訪者擁有碩士學位或更高學歷,而個人貢獻者和管理階層受訪者的比例則大致相等。
資料雜亂
0%
存取資料有困難
0%
對接不同開發環境資料
0%
魔王攻擊招式
第一技
分析必學之 SAS、 Python 和 R 等程式語言、軟體、資料型態越來越多,分析模型可以存成各種檔案類型,檔案、格式五花八門!
第二技
不同分析模型對於輸入資料的格式、環境設定的依賴又不盡相同!
第三技
分析、IT 人員都想把資料取走利用,各部門不同語言、不同框架模型,儲存在各自環境中各自控管,導致許多模型、資料和相關文件散落在各個不同系統平台中!
魔王特技
再加上人事頻繁流動,模型常常無法有效留存或交接,而損失當時開發模型的潛在價值,資料科學家、企業都難熬。且就算實際上線,也因為沒有模型儲存中心,難以監控效能。
蒐集寶物
展開對決
關卡二:夥伴難尋
企業內都是資料科學麻瓜!怎麼把辦公室變成平民資料科學家與他們的產地?
小愁是個任職於美妝公司的行銷專員,公司希望她每 2 週就變出一檔行銷活動。滿腔熱血希望能夠以「數據導向(Data-Driven)」來規劃活動的她,卻無法施展手腳。
因為光要拿到顧客資料、過往交易紀錄、實體及虛擬通路銷售報表等資訊,跟 IT 部門申請、溝通以及來回修正,就要花上 2 週以上的時間。
好不容易拿到資料了,還要花大量時間精神跟分析部門/分析師溝通分析需求、說明各資料變數在行銷領域的代表意涵......她雖然懂簡單的統計方法與資料分析,但部門內根本沒有相關分析工具可使用,讓熱血的她一籌莫展、愁眉苦臉(;へ:)
BOSS圖
SAS 大調查:資料科學勇者有多痛?
全球受害資料科學家比例
此數字來源為數據分析領導者 SAS 委託對資料科學家進行的一份問卷調查。該調查於 2021 年期間,透過多種來源(包括 TechTarget 社群成員和社群媒體平台)邀請資料專業人士回答有關其工作的問卷調查問題。全球共有 277 名資料專業人士答覆了問卷調查,研究的量化部分是對與資料專業人士和專家的質化訪談加以擴充而得到。多數受訪者在員工人數超過 1,000 人的公司工作,且多數受訪者擁有碩士學位或更高學歷,而個人貢獻者和管理階層受訪者的比例則大致相等。
企業缺乏資料科學人才
0%
需要跟 IT 部門協作
0%
魔王攻擊招式
第一技
企業內嚴重缺乏資料科學人才, 業務、行銷部門的產業專家通常缺少資源與技能自行做分析,只能花費大量時間跟數據分析部門、IT 部門等溝通。
第二技
許多日常分析場景因為規模小、種類多元、臨時發生、還會隨時間變化需求又變動,難以等待企業內部超稀有的資料科學家/數據分析部門有空檔來協助的時候才解決。
蒐集寶物
展開對決
關卡三:部署無效
建這麼多 AI 模型卻都不能卡進日常流程,分析營運化怎麼那麼難?
明明是一個聰明絕頂的資料科學家,任職的公司號稱為「數據 first!分析領先!」的公司,但他卻時常很痛苦,業務與行銷部門針對他們的需求解釋許久,卻說建立出來的模型跟結果不是他們要的。
多次來回溝通確認 AI 模型建置成功後,又要與 IT 部門耗費大量工時以部署模型;模型部署成功後又開始面臨這些分析模型有效度下降的問題...明明真的好痛扣(´;ω;)
BOSS圖
SAS 大調查:資料科學勇者有多痛?
全球受害資料科學家比例
此數字來源為數據分析領導者 SAS 委託對資料科學家進行的一份問卷調查。該調查於 2021 年期間,透過多種來源(包括 TechTarget 社群成員和社群媒體平台)邀請資料專業人士回答有關其工作的問卷調查問題。全球共有 277 名資料專業人士答覆了問卷調查,研究的量化部分是對與資料專業人士和專家的質化訪談加以擴充而得到。多數受訪者在員工人數超過 1,000 人的公司工作,且多數受訪者擁有碩士學位或更高學歷,而個人貢獻者和管理階層受訪者的比例則大致相等。
結果難以說服高層
0%
向他人解釋資料科學
0%
魔王攻擊招式
當企業發展 AI 時,業務部門與資料科學家之間的溝通遭遇許多挑戰。
第一技
業務部門向資料科學家闡述需求時,不是範圍過大就是過於模糊,以為 AI 是萬能之神;而資料科學家因為沒有領域知識,很難評估哪些因子或權重該被納入建模考量,造成雙方耗時耗力難以達成共識。
第二技
當資料科學家完成 AI 模型交付給業務單位作結果判讀與驗證,但往往業務單位或決策高層只看到一串數據與程式碼,無法拆解其中邏輯,巨大黑盒子令人難以信服分析結果。
第三技
當資料科學家每每開發出 AI 模型後,部署的過程皆需要 IT 單位高度協助以整合各前端介面、系統、資料流與工作排程,大量耗工費時的部署作業導致許多 AI 模型還來不及被實際使用,又因情境需求改變,甚至是資料日增而讓模型變得不敷使用。
魔王特技
資料科學結果最終並未得到業務決策者的接納。 ※根據 Gartner 數據顯示,企業所開發的 AI 模型只有 50% 會進入部署階段,而這些模型中又有高達 90% 花了 3 個月時間才順利上線。資料科學勇者,你並不孤單。
蒐集寶物
展開對決
關卡四:環境擴充
以為選定 AI 方案一切解決,殊不知基礎建設如水下冰山!但效能也不必天天用滿,環境管理 workload 好難分配和規劃
阿潘是一家跨國中大型企業的新任分析部門主管,企業近兩年方向就是要發展數據分析。
但阿潘發現,現在公司有完整蒐集數據的部門並不多,她決定從小部門出發開始統整資料、分析資源,再慢慢地擴大至整間公司,乃至各國分公司。
但一開始要聘僱多少人?要投入多少硬體資源?一次投入太多,絕對無法迅速獲得成效,且看著一堆人力與資源閒置,好像不是辦法。但若投入太少,對於之後規模化也會變得很困難。究竟資源該怎麼分配與規劃?阿潘想破了頭。
BOSS圖
SAS 大調查:資料科學勇者有多痛?
全球受害資料科學家比例
此數字來源為數據分析領導者 SAS 委託對資料科學家進行的一份問卷調查。該調查於 2021 年期間,透過多種來源(包括 TechTarget 社群成員和社群媒體平台)邀請資料專業人士回答有關其工作的問卷調查問題。全球共有 277 名資料專業人士答覆了問卷調查,研究的量化部分是對與資料專業人士和專家的質化訪談加以擴充而得到。多數受訪者在員工人數超過 1,000 人的公司工作,且多數受訪者擁有碩士學位或更高學歷,而個人貢獻者和管理階層受訪者的比例則大致相等。
洞察結果無法進入決策流程
0%
魔王攻擊招式
第一技
分析的一開始需要多少資料量?多少 IT 人員和資料科學家?伺服器、儲存空間規格該怎麼開?隨意規劃軟硬體設備便難以再彈性調整資源及橫向/垂直擴充。
第二技
企業內部系統太多,資料流複雜,沒有統一控管、且快速能夠使用的分析資料儲存空間。
第三技
隨著企業規模擴張、分析需求漸增,分析環境管理的工作負擔也愈高,每天都要待命顧機台。
第四技
淡季旺季沒有不同效能的付費方案,造成資源分配無法最佳化,管理開銷也無法彈性地減少。
蒐集寶物
展開對決
獎章

你收到「超級星星—複合式 AI」,就此開啟資料科學勇者二轉人生

資料科學家要面對的問題往往相當複雜,有時一次要迎擊多位魔王,像是老闆拋出的大哉問,例如:「公司最新產品—菇菇雞胸肉,我們一定要搶下市佔第一!告訴我可以讓利多少?定價要多少我才可以有至少 10% 利潤?」

這類問題對各地資料科學勇者可能都不陌生,或許你的心裡已經開始吐槽:誰知道到底最佳化的是營業額?還是利潤第一?還是要搶先佔領較多的市場份額呢?

「複合式 AI」(composite AI)就有如超級星星,能讓資料科學勇者二轉,並突破創新的界線,解決更高層級的商業問題。

點我更了解複合式 AI

旅途已經結束,下滑報名即可解鎖寶物能力 請往下捲動
勇者升級

到達旅途終點囉!

解鎖您已選取的寶物(可複選)
您的勇者背包
勇者之劍
白皮書
《透過整合 SAS® 及開源程式推動分析創新》
力量之盾
白皮書
《掌握模型生命週期協作平台》
魔力雲毯
白皮書
《四大致勝策略 開啟你數位轉型的下一篇章》

加碼贈送

神秘知識卷軸,隨後送到
知識卷軸
《TechOrange 科技報橘》為資料科學勇者精選全球資料科學關鍵趨勢,共 3 卷蘊藏濃厚知識的卷軸,留下資料後將陸續送至勇者的信箱,協助您持續升級直達 Level 99!

立刻解鎖所有寶物

活動已結束

主辦單位
Logo - TechOrange 科技報橘
協辦單位
Logo - SAS

勇者 Level UP

恭喜您已取得寶物