در این مقاله، من قصد دارم توضیح بدهم که چگونه پر کردن شکاف بین دانشمندان و مهندسان داده ممکن است به شرکت شما کمک کند تا پتانسیل کامل داده ها را باز کند. من استراتژی‌های مشترکی را نشان خواهم داد که بر پایداری تمرکز دارند و بر رابطه تأکید می‌کنند
بین علم داده و پایداری بر اساس پروژه ای با عنوان "گام". Step یک برنامه انتخاب پایدار است که ما در Yapı Kredi Bankası (YKB)، که یکی از بزرگترین بانک های تجاری در ترکیه است، اجرا کردیم. در سال 2023، یک ارتباط معتبر PRİDA دریافت کرد
جایزه در نامزدی ارتباطات پایدار.

در این تصویر: ماکت پروژه Yapı Kredi Step

علم داده و مهندسی داده: تفاوت چیست؟

برای درک شکاف بین علم داده و مهندسی، باید به عملکردهای اصلی دو شاخه نگاه کنیم. اگرچه هر دو بر روی داده ها تمرکز می کنند، دانشمندان داده و مهندسان داده معمولاً اهداف متفاوتی دارند. 

علم داده بر استخراج بینش و الگوها از داده ها تمرکز دارد و مسئول ذخیره سازی بهینه و قابل اعتماد داده، تبدیل داده ها و دسترسی سریع و راحت به داده ها است. دانشمندان داده با استفاده از مدل‌های پیش‌بینی‌کننده (و فراتر از آن) ایجاد و آموزش می‌دهند
الگوریتم‌های یادگیری ماشین و شبکه‌های عصبی برای کمک به کسب‌وکارها در یافتن الگوهای پنهان، پیش‌بینی تحولات و بهینه‌سازی فرآیندهای کلیدی کسب‌وکار.

هدف مهندسی داده ایجاد خطوط لوله و زیرساخت داده است. مهندسان داده مستقیماً نیازهای کسب و کار را با آزمایش فرضیه ها و ساختن مدل های پیش بینی پاسخ می دهند. 

حتی اگر هر دو جهت نزدیک به هم باشند، ناهماهنگی بین آنها غیر معمول نیست. این ممکن است منجر به مشکلات و ناتوانی در تبدیل داده های تحلیلی به بینش عملی شود. پر کردن این شکاف بین علم داده و مهندسی ضروری است
از رویکردهای نوآورانه به داده ها نهایت استفاده را ببرید و بیشتر در ایجاد همکاری سالم بین تیم ها نهفته است. 

تاکتیک های همکاری

• تیم های متقابل عملکردی

ایجاد تیم های چند رشته ای و تقویت همکاری ابزار شناخته شده ای است که به اطمینان از برآورده شدن الزامات فنی و تجاری کمک می کند. Ww تیم های متقابلی از دانشمندان داده، مهندسان و متخصصان حوزه را برای مقابله با
نیازهای پیچیده مدیریت داده

• اشتراک دانش

تشویق اسناد و مدارک سازمان‌یافته و به اشتراک‌گذاری دانش بین تیم‌های علم داده و مهندسی به تیم‌ها کمک کرد تا روند کار و الزامات یکدیگر را بهتر درک کنند و همدلی و همکاری را تا حد زیادی بهبود بخشید. 

در طول پروژه، ما استفاده از ابزارها و فرآیندهای مشترک، مانند سیستم‌های کنترل نسخه و خطوط لوله یکپارچه‌سازی/استقرار مداوم (CI/CD) را تشویق کردیم. این به ما کمک کرد تا مشکلات احتمالی را زودتر شناسایی و برطرف کنیم و ثبات را در سراسر جهان بهبود بخشید
پروژه های داده 

• روش های چابک

در نهایت، ما فرآیندهای چابک خود را برای ارتقای توسعه تکراری و همکاری مکرر بین تیم‌های علم داده و مهندسی تنظیم کردیم که امکان حلقه‌های بازخورد سریع و تکرار سریع را فراهم می‌کرد. 

پروژه مرحله YKB: مطالعه موردی هدف پروژه

پروژه YKB Step به یکی از آثاری تبدیل شده است که در دوره اخیر تغییراتی را ایجاد کرده است.

هدف این بود که شیوه‌های پایداری در بخش بانکداری از طریق ابتکارات مبتنی بر داده تقویت شود. ما می‌خواستیم به کسانی که نمی‌دانستند چگونه در برابر مسائل مهمی مانند بحران آب و هوا و کسانی که خود را ضعیف می‌دانند اقدام کنند انگیزه بدهیم.
برای تغییر، انتخاب های پایدار.  

ایده پروژه Step در تبدیل انتخاب های پایدار مشتریان به امتیاز است. این اقدامات شامل عدم چاپ رسید خودپرداز، انتخاب حمل و نقل سازگار با محیط زیست یا حمل و نقل عمومی، کمک مالی به سازمان های غیرانتفاعی و موارد دیگر است. این
نام پروژه در یکی از فعالیت ها، صدور امتیاز برای تعداد معینی از اقدامات انجام شده در طول روز نهفته است. 

با Yapı Kredi Step عادات مصرف، سبک زندگی و انتخاب های روزانه را برای پایداری تغییر می دهد. ما مشتریان خود را قادر می‌سازیم تا امتیازاتی را که جمع‌آوری می‌کنند به پروژه‌های مسئولیت اجتماعی اهدا کنند و با هم اقدام می‌کنیم تا دنیا را به دنیایی بهتر تبدیل کنیم.
در بسیاری از زمینه ها، از آموزش گرفته تا محیط زیست.

آنچه انجام شد 

هدف اولیه پروژه استپ، ادغام اصول پایداری در خدمات و عملیات بانکی YKB، همسو با اهداف پایداری جهانی و انتظارات اجتماعی بود. این امر مستلزم جمع آوری، پردازش و تجزیه و تحلیل مقادیر زیادی بود
از داده های کاربر

ما تیم‌های چند رشته‌ای متشکل از دانشمندان داده، مهندسان، کارشناسان حوزه و ذینفعان تجاری را گرد هم آوردیم تا بتوانند به طور یکپارچه در پروژه همکاری کنند. 

پروژه استپ با جمع آوری و پیش پردازش داده ها آغاز شد که شامل یکپارچه سازی منابع داده های مختلف مانند سوابق تراکنش ها، جمعیت شناسی مشتری و شاخص های پایداری بود. ما به یک همکاری قوی بین علم داده و
مهندسی برای تجزیه و تحلیل رفتار مشتری، شناسایی الگوهای مرتبط با عادات خرج کردن پایدار، و ایجاد یک راه حل پایدار که راهی برای عادات روزانه مشتریان پیدا کند.  

دانشمندان داده تجزیه و تحلیل داده های اکتشافی (EDA) را برای شناسایی ویژگی ها و متغیرهای بالقوه مرتبط با رفتار هزینه های پایدار انجام دادند. آنها از الگوریتم های یادگیری ماشین و داده کاوی برای جمع آوری داده ها و تجزیه و تحلیل حجم زیادی از تراکنش ها استفاده کردند
جزئیات برای استخراج بینش های مربوط به الگوهای هزینه، سپس مدل های پیش بینی رفتار مشتری را توسعه و آموزش داد. 

بر اساس اهداف پروژه، مهندسان داده مدل‌های یادگیری ماشینی را برای تجزیه و تحلیل ساختند و خطوط لوله داده مقیاس‌پذیر را برای پردازش کارآمد و درست داده‌های جمع‌آوری‌شده ایجاد کردند. تیم های مهندسی از روش های چابک و شیوه های DevOps استفاده کردند
برای توسعه موفقیت آمیز، استقرار، و تکرار خطوط لوله و مدل های داده. خطوط لوله داده های مقیاس پذیر و مدل های یادگیری ماشین پیاده سازی شده به پردازش و تجزیه و تحلیل سریع و کارآمد حجم زیادی از داده های تراکنش کمک کردند. 

دانشمندان و مهندسان داده برای تجزیه و تحلیل داده های تراکنش مشتری، شناسایی الگوهای مربوط به عادات خرج کردن پایدار، و توسعه توصیه های شخصی برای مشتریان همکاری کردند. این همکاری همچنین YKB را قادر ساخت تا تمرکز بیشتری بر پایداری راه اندازی کند
محصولات و خدمات، مانند پورتفولیوهای سرمایه گذاری سبز و گزینه های تامین مالی کارآمد از نظر انرژی، تاثیرات مثبت زیست محیطی و اجتماعی را به همراه دارد. 

بدیهی است که به دلیل ماهیت حوزه مالی، ما مجبور بودیم بهترین شیوه ها را برای حاکمیت داده، امنیت و انطباق با راه حل خود بکار ببریم. این چالشی بود که مستلزم مشارکت عمیق تیم های حقوقی، امنیت اطلاعات و سایر تیم ها بود
فرآیند. این امر بر اهمیت پرورش فرهنگ بهبود مستمر و همکاری قوی تیم ها در سطوح مختلف به منظور ایجاد یک محصول موفق تأکید می کند.

تاثیر

این تلاش مشترک منجر به ایجاد بیشتر طرح‌های بانکداری پایدار پیچیده‌تر شد: پرتفوی سرمایه‌گذاری سبز، ابزارهای ردیابی ردپای کربن و گزینه‌های تامین مالی کارآمد. این پروژه شهرت YKB را به عنوان یک رهبر در این زمینه افزایش داد
شیوه های بانکداری پایدار، به جذب مشتریان جدید و تقویت روابط بلندمدت با مشتریان فعلی کمک کرد. 

از فوریه 2024، تعداد اعضای برنامه انتخاب پایدار STEP به 570 هزار نفر رسیده است. با انتخاب های پایدار خود، اعضای STEP تاکنون 50 میلیون قطعه کاغذ و نزدیک به 4500 درخت را نجات داده اند. 

ادراک شرکت به عنوان امتیاز «حمایت از جامعه در مسئولیت اجتماعی» 9 درصد و امتیاز «راهنمای پایداری» نسبت به سه ماهه قبل 10 درصد افزایش یافته است. این امر Yapı Kredi را به برندی با بالاترین برند تبدیل کرد
افزایش این معیارها در مقایسه با رقبای اصلی خود.

از طریق بینش های جمع آوری شده از پروژه Step، YKB توانست پیشنهادات خود را برای برآورده کردن نیازهای مشتریان آگاه از محیط زیست و جلب توجه توده ها به مسائل زیست محیطی تنظیم کند. ما پروژه ای را اجرا کرده ایم که مصرف کنندگان را راهنمایی می کند
در مورد پایداری از طریق برنامه خود، به کاربران امتیاز می دهد و آنها را قادر می سازد از امتیازهای اهدایی به سازمان های غیردولتی استفاده کنند.  

موفقیت این پروژه الهام بخش YKB شد تا ابتکارات پایداری خود را فراتر از بانکداری گسترش دهد. اکنون ما با شرکای صنایع مختلف برای ارتقای پایداری و ایجاد تغییرات محیطی همکاری می کنیم و مشتاق به اشتراک گذاری بهترین شیوه ها هستیم.
و درس های آموخته شده از پروژه استپ برای تشویق سایر سازمان ها به استفاده از علم و مهندسی داده برای منافع اجتماعی.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://www.finextra.com/blogposting/26021/bridging-data-science-and-engineering-for-sustainable-banking-experience?utm_medium=rssfinextra&utm_source=finextrablogs