Proces data science według CRISP-DM to standardowy proces projektów data science. myBytes pracuje w jego sześciu fazach i pokazuje tu na przykładzie, co dzieje się w każdej z nich.

CRISP-DM to skrót od Cross-Industry Standard Process for Data Mining. Ten model postępowania dzieli projekt data science na sześć faz: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation i Deployment. Każda faza ma pytanie przewodnie, zdefiniowane zadania i rezultat, którego potrzebuje faza następna. Od lat 2000. uchodzi za faktyczny standard projektów data mining i data science.

CRISP-DM opracowały od 1996 roku firmy Daimler-Benz, NCR i producent narzędzi ISL, który później wszedł w skład SPSS, z ubezpieczycielem OHRA jako czwartym partnerem; przewodnik CRISP-DM 1.0 ukazał się w 2000 roku. Model jest celowo neutralny branżowo i niezależny od narzędzi. Właśnie dlatego pasuje do projektów, o których w 1996 roku nikt nie myślał: model zwrotów w handlu odzieżą, prognoza awarii w produkcji i model rotacji w logistyce przechodzą przez te same sześć faz.

Nowsze modele postępowania budują na CRISP-DM, zamiast go zastępować. ASUM-DM od IBM uzupełnia go o eksploatację i zarządzanie projektem, TDSP od Microsoftu dodaje role, zadania i strukturę projektu, ale od 2023 roku nie jest już rozwijany, a DASC-PM z Nordakademie rozszerza go o udostępnianie danych i podstawy naukowe. Kto zna jeden z tych modeli, rozpozna w nim CRISP-DM.

Sam CRISP-DM nie określa ról; w praktyce fazy i tak rozkładają się w rozpoznawalny sposób. Fazy 1 i 2 potrzebują działu biznesowego: pytanie biznesowe, kryteria sukcesu oraz wiedza o tym, jakie dane są w firmie i co naprawdę oznacza pole w systemie gospodarki magazynowej, pochodzą od ludzi, którzy pracują z danymi. Fazy 3 i 6 to inżynieria danych: potoki, wersjonowanie, eksploatacja. Fazy 4 i 5 to praca data scientistów. Żadna faza nie należy do jednej roli, a projekt, który obsadza tylko fazy środkowe, nie ma ani solidnego pytania, ani eksploatacji.

CRISP-DM jest iteracyjny, nie liniowy. Strzałki biegną także wstecz. Jeśli ocena danych w fazie 2 pokaże, że na cel biznesowy z fazy 1 nie da się odpowiedzieć dostępnymi danymi, projekt wraca do fazy 1. Jeśli model w ewaluacji nie spełni kryteriów sukcesu, wraca do modelowania albo do przygotowania danych. Zewnętrzny krąg zamyka się po wdrożeniu: nowe dane z eksploatacji rodzą nowe pytania biznesowe.

Średniej wielkości firma odzieżowa z 1 800 artykułami i 18 rynkami sprzedaje jeansy online. Wskaźnik zwrotów jeansów wynosi 38 procent, a przyczyną 34 procent tych zwrotów jest „nie pasuje”.

Faza 1 · Zrozumienie biznesu

Pytanie biznesowe nie brzmi „chcemy AI”, lecz: Jaką część zwrotów z powodu dopasowania da się uniknąć, jeśli klient przy zakupie dostanie rekomendację właściwego rozmiaru? Kryterium sukcesu jest wskaźnik zwrotów w każdej kategorii, mierzony przed wdrożeniem i po nim. Z fazy 1 pochodzi też ograniczenie: nowych klientów bez historii zakupów taki model może początkowo obsłużyć tylko średnimi kategorii.

Faza 2 · Pozyskiwanie & eksploracja danych

Dane są w firmie: historia zakupów, powody zwrotów, zamówiony i zatrzymany rozmiar dla każdego klienta i kroju, do tego tabele rozmiarów każdego artykułu. Faza 2 sprawdza, czy informacja o rozmiarze w danych o zwrotach jest kompletna. Jeśli jej brakuje, nie ma modelu, jest tylko statystyka.

Faza 3 · Przetwarzanie & inżynieria danych

Z surowych danych powstaje dla każdego klienta profil zatrzymanych i odesłanych rozmiarów według kroju, a dla każdego artykułu skalibrowany przebieg rozmiarów. Obliczenie modelowe zakłada, że dla 68 procent zwrotów z powodu dopasowania wystarczyłaby poprawna rekomendacja rozmiaru. Czy to założenie się utrzyma, rozstrzyga się tutaj, na jakości pól z rozmiarem.

Faza 4 · Analiza eksploracyjna & modelowanie

Model to collaborative filtering z dopasowaniem sylwetki: klienci o podobnym zachowaniu zakupowym i zwrotowym dostają rekomendację rozmiaru, który podobni klienci zatrzymali przy tym kroju. Punktem odniesienia jest tabela rozmiarów bez rekomendacji, jako prosty model referencyjny przed każdym bardziej złożonym podejściem. Jeśli model nie pobije tego odniesienia, wysiłek się nie opłaca.

Faza 5 · Ewaluacja & walidacja

W obliczeniu modelowym model trafia we właściwy rozmiar w 82 procentach przypadków. Zwroty z powodu dopasowania spadają o 18 procent, a wskaźnik zwrotów jeansów z 38 do 31 procent. Opublikowany przypadek dostawcy osiąga do 20 procent mniej zwrotów ogółem, natomiast obliczenie modelowe celowo pozostaje poniżej. Ewaluacja sprawdza też, czy efekt występuje we wszystkich kategoriach, czy tylko w jeansach.

Faza 6 · Wdrożenie & monitoring

Model działa jako widget na stronie produktu: „Na podstawie Państwa dotychczasowych zakupów rekomendujemy rozmiar 31/32”. Drugi wynik trafia do zespołu produktowego: artykuły, których tabela rozmiarów systematycznie odbiega. Monitoring dalej obserwuje wskaźnik zwrotów w każdej kategorii. Obliczenie modelowe przyjmuje 61 824 unikniętych zwrotów po 26 euro, czyli 1,61 mln euro rocznie.

Kolejny krok w tej samej serii pokazuje drugą iterację kręgu: analiza tekstu 210 000 komentarzy w wolnym tekście rozkłada „nie pasuje” na pięć przyczyn i razem z rekomendacją rozmiaru obniża łączny wskaźnik zwrotów obliczenia modelowego we wszystkich kategoriach i 18 rynkach z 28 do około 23 procent.