Data Science, Analytics, Business Analytics και Business Mathematics: Διαφορές και Ομοιότητες - Μαθηματικά της Αγοράς και της Παραγωγής

Data Science, Analytics, Business Analytics και Business Mathematics: Διαφορές και Ομοιότητες

Οι περισσότερες διαδικτυακές επιχειρήσεις έχουν πλέον πρόσβαση σε μεγάλη έκταση δεδομένων, από την καταγραφή ενεργειών των χρηστών, την ανάλυση των προφίλ τους, των αγορών τους κ.α. Η ορθή ανάλυση των δεδομένων αυτών έχει συχνά οδηγήσει σε σημαντικές επιτυχίες . Είναι πολλά τα παραδείγματα των επιτυχιών, όπως αναφέρεται και στο παρακάτω άρθρο του Harvard Business Review για την LinkedIn

https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century/

Ο κλάδος της αναζήτησης σε δεδομένα τέτοιας έκτασης αναφέρεται ως Data Science. Ειδικά, η ανάλυση δεδομένων μεγάλης κλίμακας για επιχειρηματικούς σκοπούς αναφέρεται ως Business Analytics, ακολουθώντας την επιτυχημένη ορολογία της Google Analytics, η οποία προτείνει μία μεθοδολογία συλλογής στοιχείων επισκεψιμότητας που επιτρέπει μία πιο αποτελεσματική επιχειρηματική χρήση του διαδικτύου

https://analytics.google.com/analytics/web/provision/?authuser=0#provision/SignUp/

Καθώς η ανάλυση αυτή χρησιμοποιεί τεχνικές από όλους τους καθιερωμένους κλάδους Στατιστικής, Μαθηματικών, Επιχειρησιακής Έρευνας, Οικονομικών, Μάρκετινγκ αλλά και Ψυχολογίας, σε συνδυασμό βέβαια με την Επιστήμη των Υπολογιστών, έχει αναπτυχθεί η ακαδημαϊκή κυρίως συζήτηση αν οι κλάδοι Business Analytics, Data Science κ.λπ. αποτελούν κάτι το καινοφανές ή αποτελούν μια απλή συλλογή μεθοδολογιών άλλων ευδιάκριτων κλάδων. Ενδεικτική είναι η παρακάτω συζήτηση

https://www.youtube.com/watch?v=m5C7iZ_wgcU

Το συμπέρασμα της συζήτησης είναι το αναμενόμενο, ότι η αλήθεια είναι κάπου στην μέση, αλλά η επιχειρηματολογία είναι απολαυστική. Τι σχέση έχει ο κλάδος Data Science, Analytics, Business Analytics με τα Μαθηματικά της Αγοράς και της Παραγωγής, τα Business Mathematics; Είναι σαφές από την εξέταση των προγραμμάτων σπουδών σε διάφορα ΠΜΣ σε Analytics, Data Science κ.λπ. ότι η έμφασή τους είναι στην εφαρμογή των μεθόδων Στατιστικής, Επιχειρησιακής Έρευνας, Οικονομικών κ.λπ. σε εξειδικευμένα υπολογιστικά πλαίσια για τη διάγνωση δυσδιάκριτων σχέσεων που ενδεχομένως κρύβονται στα δεδομένα. Δε δίνεται έμφαση στην εμβάθυνση των μεθόδων αυτών, δηλαδή στην κατασκευή υποδειγμάτων και τη μαθηματική τους ανάλυση, αλλά περισσότερο στην ανακάλυψη σχέσεων που δεν είναι προφανείς. Γι’ αυτό, οι μέθοδοι που καλύπτονται σε τέτοιου είδους προγράμματα είναι οι μέθοδοι της Στατιστικής και κυρίως της Πολυμεταβλητής Ανάλυσης μετά από μία σύντομη (π.χ. 2 μαθημάτων) εισαγωγή στη Στατιστική, ενώ ο κλάδος της βελτιστοποίησης σε πολλά προγράμματα σπουδών αφορά κυρίως τη χρήση λογισμικού (όπως στο Imperial http://wwwf.imperial.ac.uk/business-school/programmes/msc-business-analytics/programme-content/core-modules/), ενώ σε άλλα μόνο τη βελτιστοποίηση σε μεγάλης έκτασης δεδομένα (Large-scale Optimization), χωρίς να προηγηθεί μια σε βάθος θεμελίωση των μεθόδων αυτών (βλέπε http://analytics.aueb.gr/?page_id=249).

Σε αντίθεση με τα παραπάνω, στα Μαθηματικά της Αγοράς και της Παραγωγής (Business Mathematics) και στα προγράμματα της ίδιας φιλοσοφίας, η προσοχή εστιάζεται σε λιγότερα θέματα Εφαρμοσμένων Μαθηματικών (Στατιστική, Επιχειρησιακή Έρευνα, Πιθανότητες), αλλά με σημαντική ανάλυση και εμβάθυνση στη μεθοδολογία τους. Η θεώρηση αυτή επιτρέπει την πλήρη κατανόηση και κυρίως αυτενέργεια με υπευθυνότητα σε πολλές και διαφορετικές δραστηριότητες στον επιχειρηματικό χώρο . Έτσι, επιτυγχάνεται η πλήρης κατανόηση της επιτυχίας της Μαθηματικής Χρηματοοικονομικής, της Έρευνας Αγοράς, της Ασφαλιστικής Αγοράς, αλλά κυρίως όχι μόνο. Αυτή η ποιοτική διαφοροποίηση έδωσε τη δυνατότητα στους αποφοίτους του ΜΑΠ, αλλά και των αντίστοιχων προγραμμάτων διεθνώς, να έχουν σταδιοδρομίες σε πολλούς κλάδους και να στραφούν σε άλλους όταν υπάρξει ανάγκη από την αγορά. Οι απόφοιτοι των προγραμμάτων αυτών εργάστηκαν με επιτυχία στη λεπτομερή ανάλυση παραγώγων, στον χώρο των ασφαλίσεων και στον χώρο του ποσοτικού μάρκετινγκ. Επιπλέον, καθώς το προσόντα για Business Analytics, Data Science κ.λπ. δεν είναι ευδιάκριτα, πολλοί απόφοιτοι του ΜΑΠ έχουν διακεκριμένες θέσεις και στον χώρο αυτό. Ποιος κλάδος θα αποδειχθεί καλύτερος για κάποιον που θέλει να ασχοληθεί με τον χώρο της ποσοτικής ανάλυσης στην οικονομία και την διοίκηση; Τα Μαθηματικά της Αγοράς και της Παραγωγής δίνουν ευελιξία και εμβάθυνση, η οποία όμως δεν είναι ποτέ του συρμού. Αντίθετα, οι κλάδοι Business Analytics, Data Science, Big Data είναι επίκαιροι όσο ποτέ στις μέρες μας, και έχουν να επιδείξουν πολύ σημαντικές επιτυχίες στον χώρο της ανάλυσης διαδικτυακών δεδομένων (η οποία είναι μάλιστα στο ξεκίνημά της).

Δεν είναι όμως μεθοδολογικά αυθυπόστατοι κλάδοι που μπορούν να αντιμετωπίσουν προβλήματα χωρίς την καταφυγή σε άλλες επιστήμες, για τις οποίες οι Business Analysts δεν είναι προετοιμασμένοι, ούτε είναι εύκολη η προσαρμογή τους σε άλλους κλάδους της διοίκησης. Ένας άλλος παράγοντας που επηρεάζει την επιλογή είναι το κατά πόσον οι μέθοδοι θα επεκταθούν στη γεωγραφική περιοχή μας, και δε θα υπάρξει η ανάγκη αναζήτησης εργασίας στο εξωτερικό. Η μέχρι τώρα εμπειρία δείχνει ότι οι προχωρημένες μέθοδοι σε Business Mathematics δεν έχουν «φτάσει» οριστικά στην Ελλάδα και είναι μεγάλο ερώτημα αν θα υπάρξει έντονη ανάγκη για Analytics, Data Science, καθώς η διαδικτυακή επιχειρηματικότητα στη χώρα μας υπολείπεται ακόμα και συγκριτικά. Η μόνη σύσταση που έχει να δώσει κανείς, χωρίς να διακινδυνεύει την παραπλάνηση (κάτι δυστυχώς διάσπαρτο στο ανεύθυνο διαδίκτυο), είναι η εξής: Κάποιος που δε νοιώθει άνετα με την αναζήτηση στα δεδομένα χωρίς ισχυρή μεθοδολογική αιτιολόγηση θα πρέπει να ακολουθήσει τον χώρο των Ποσοτικών Μεθόδων (στο ΜΑΠ, στη ΣΕΜΦΕ ή αλλού).

Αντίθετα, κάποιος που θεωρεί ότι η εμπνευσμένη ανάλυση δεδομένων επαρκεί, καθώς η επιτυχία υποκαθιστά την υπερβολικά αυστηρή μεθοδολογία, θα πρέπει να στραφεί στα Analytics, Data Science – και πάλι όμως ο δρόμος προς αυτούς τους κλάδους θα μπορούσε να περάσει από μια εμβάθυνση στη Στατιστική, την Επιστήμη των Υπολογιστών και τα Μαθηματικά. Κάθε επιλογή ενέχει ένα ρίσκο: η επιλογή μεταξύ Analytics, Data Science αφενός και Business Mathematics αφ’ ετέρου δεν αποτελεί εξαίρεση σε αυτόν τον κανόνα.