什麼是 Tableau 商業科學？

Tableau 關注的其中一件事務是如何促使更多人在日常業務中使用資料。當使用者用自己的資料思考時，也就是當分析所涉及的層面在於提出問題和回答問題，而不在於學習複雜的軟體或技能時，我們發現人類的潛能會釋放出來，進而帶來驚人的成果。不過，需仰賴資料的人彼此之間存在許多障礙，因此需要使用複雜的分析才能做出最完善的決策。

我們希望引進新型分析來減少這些障礙：Tableau 商業科學。商業科學將資料科學的強大功能交到商業人士的手中。

使用 AI、ML 和其他統計方法來解決業務問題，幾乎已經成為資料科學家的工作領域。許多組織都有小型資料科學團隊，專注於處理特定、任務關鍵和高度可擴展的問題。不過，除了資料之外，大量的業務決策也仰賴經驗和知識，而這些決策將因為運用更進階的分析技術而大為受益。

而這正是將資料科學功能普及化的大好機會，盡可能減少「極精確和控制」之間，以及在「快速取得見解，並在見解仍有效時採取行動」之間各種權衡取捨的情況。在 Tableau，分析總是離不開讓使用者提出下一個問題、探究下一個假設、檢驗下一個構想。現在，我們進一步發展，藉由實用、符合道德規範的 AI 協助更多人提升人類判斷力，以便對現今的業務問題進行預測。 

藉由為分析師和業務使用者提供可解釋的 AI 和預測分析工具，商業科學可以協助使用者在整個組織中更快速且更自信地做出決策，同時擴大自己的分析使用案例，並加深對於自身資料的瞭解。

什麼是 Tableau 商業科學？

商業科學是一種採用 AI 的新型分析技術，可以讓擁有領域專業知識的人士更有自信且快速地做出更明智的決策。商業科學認清一件事：並非所有的問題都需要講求準確性，並犧牲速度與業務情境背景。商業科學解決方案也相當嚴謹和準確，不過決策者能夠因此藉由控制和彈性來確定本身的使用案例所需的條件。使用者進行控制的一些方法包括輸入資料、變數選取和閾值設定。業務專家能夠啟用完全自動化的體驗，也可以選擇在模型建立過程中進行引導式變更。藉由讓更多人有能力使用受到控管且不需撰寫程式碼的 AI（例如預測、假設情境規劃、引導式模型建立），業務團隊本身就可以自己執行更多的分析作業。

商業科學促使資料科學功能普及化，並協助領域專家瞭解模型的關鍵驅動因素，在過程中完全不需要學習傳統的資料科學工具。由於引導式 AI 體驗是由領域專家所掌握，團隊可以運用進階分析處理更多業務問題，以更迅速且嚴謹的方式做出重要決策。這與微調超精確模型無關，而是要引導與問題最相關的人朝正確的方向前進。 

業務畢竟相當複雜且難以預測，因此瞭解領域動態的人員本身的領域經驗和知識極為重要。因此，對於協助解決資料科學團隊可能無法配置資源或排定優先順序的業務問題，商業科學相當重要。

Tableau 商業科學適合哪些人？

任何人只要具備背景知識且瞭解業務本質、業務重要驅動因素，以及哪些資料可能有助於尋找解決方案，都適合使用商業科學。使用商業科學的人員，並不一定要是能夠撰寫、部署和監視演算法且擁有深厚技術專業知識的人。業務專業人員和資料分析師完全不需要學習 Python、統計資料或如何調整演算法的參數，即可運用 ML 模型中的預測和見解，開始發展資料驅動的專家所組成的團隊。

我們已經觀察到，在無數的情境中，商業科學都是能夠為企業帶來最佳結果的正確方法，從行銷的潛在客戶評分和銷售團隊的配額指派，到供應鏈分配和最佳化，皆涵蓋在其中。人力資源部門可能會使用商業科學來評估應徵者接受職務的可能性。房地產團隊可能會運用商業科學來規劃要在哪裡購置辦公空間，並探索將員工從一個地點轉移到另一個地點的成本。任何團隊都可以運用商業科學處理預算或資源配置情況。

Tableau 商業科學與資料科學有何不同之處？

雖然商業科學是使用部分與資料科學相同的統計和計算技術，不過領域專業知識和實現價值的時間比嚴格的統計更重要。相較於資料科學，商業科學則是在不同的前提下運作，目標不同，典型使用者也不同。

在資料科學中，輸出是可以投入生產來增強重複程序的機器學習演算法。資料科學通常會試著回答「是/否」問題或判斷預測結果是否會超過特定閾值。舉例來說，詐騙偵測就是絕佳的資料科學使用案例。歷史資料會分析數十萬個甚至數百萬個事件的模式，並預測交易是否為詐騙，藉以訓練演算法識別詐騙。對於這類模型進行微調相當重要，因為最小的精確度差異（即使是很小的百分比）也可能造成公司數百萬美元的損失。

對於商業科學，目標是提升 KPI，而不是在模型達到最精確的程度之前予以改善。比起傳統的資料科學週期，商業科學讓使用者更容易進行反覆式的修訂和重新部署程序，同時也讓擁有業務背景知識的人員迅速建立模型並使用預測結果藉由這些先進的分析技術，有更多人可以更迅速獲得價值，並在需要的時間和地點做出更明智的決策。

例如，零售商可能想要知道要在商店加入什麼產品，才能增加某個地區的利潤。業務專業人員瞭解供應商關係、區域趨勢和其他有影響力的定性意涵等因素如何影響決策，而這是機器可能永遠無法瞭解的細節。結合人類的專業知識、判斷力和脈絡意識，再加上機器產生的見解所具備的嚴謹性、自動化和可擴展性，可以帶來更好的業務成果。 

資料科學將更適合在臨床試驗中分析疫苗的功效，而疫苗的分配和配置問題（細微差別不斷增加且十分仰賴人類判斷力的問題）更適合商業科學進行處理。就比喻上來說，文森・梵谷就像是資料科學家，不過，想要畫出「星夜」名畫，就需要用到商業科學。資料科學是「37.7914° N, 122.3951° W + 2,03 x10^5mm in 44,7° => 37.7932° N, 122.3947° W」，而商業科學則是「第三條路往左轉，注意路況，就會到達 One Market Street」。

深入瞭解 Tableau 商業科學

我們很高興能夠建立這種新型的 AI 技術分析，而這一切都拜 Salesforce Tableau 的 Einstein Discovery 引擎所賜。這採用透明而且符合道德規範的 AI 建構而成，確實是相當有成效的技術，業務團隊能夠因此看出成果背後的關鍵驅動因素以及潛在的偏見，藉以加深對於決策的瞭解和信心。這直接內建在業務工作流程中，使用者能夠在實際工作的地方獲得最大的價值。

是否想要更深入瞭解 Tableau 商業科學？參閱 白皮書。