Згідно зі звітом Gartner за 2019 рік, близько 80 відсотків усіх проєктів у сфері Data Science зазнали невдачі. За прогнозами на 2022 рік, 85% проєктів будуть видавати помилкові результати через перекручені дані, проблеми з алгоритмами або з відповідальними за управління командами. Тільки 20% аналітичних инсайтів принесуть бізнесу користь. Фахівці Harvard Business Review провели дослідження, результати якого показали, що основна причина провалу аналітичних ініціатив полягає в недостатній організаційної узгодженості між командою розробки та бізнесом. Це одна з багатьох проблем проєктів, які швидше за все зазнають невдачі і не будуть реалізовані.

Неправильне співвідношення очікувань і реальності може негативно вплинути на успіх, тому варто заздалегідь визначити чіткі цілі проєкту і очікування від нього. Оцініть наявні дані, на основі яких вам належить побудувати моделі машинного навчання. Які потенційні проблеми з ними ви помітили? Обговоріть ці проблеми і їх рішення з керівниками проєкту, таким чином ви зможете уникнути провалу, заощадите час і сили команди.

Використання точних даних має основоположне значення для успіху проєкту, а погані дані є найбільш недооціненою причиною невдачі. Найчастіше компанії не витрачають достатньо часу на їх очищення, хоча ретельна підготовка даних є одним з найбільш ефективних методів економії часу команди в майбутньому. Робота з чистими, структурованими даними прискорює всі наступні кроки реалізації проєкту.

Багато фахівців вважають надані їм дані неповними і / або суперечливими. Якщо команда проєкту створює модель машинного навчання на поганих даних, вона отримає невірні результати. Навіть якщо алгоритм працює зі стовідсотковою точністю, але вся класифікація даних невірна, то і передбачення будуть некоректними. Помилки приведуть до помилкової інтерпретації результатів і заллють весь проєкт. Це також може бути причиною відмови від підтримки майбутніх ініціатив по цифровій трансформації.

Інша причина провалу полягає в тому, що базами даних управляють тільки на рівні організації. Це призводить до надмірності і поганої керованості. Проєкти в Data Science часто заходять в глухий кут і закриваються саме через проблеми, пов'язані з неякісними даними, які не ідентифіковано і не виправлено заздалегідь.

Більшість ініціатив не приносять користі бізнесу, тому що вони вирішують зовсім іншу проблему. Проте, багато організацій намагаються використовувати машинне навчання, прогнозну аналітику або будь-які інші можливості Data Science без чіткої мети. Основна проблема з цими пілотами: вони занадто орієнтовані на технології, зовсім як проєкти наукової ярмарки. В кінцевому підсумку це не приносить бізнесу користі.

Проєкт повинен починатися з бізнес-питання, а не фокусуватися на даних або технологіях. Фахівці з обробки даних та керівники повинні проводити час разом, формулюючи саме те питання, яке вони хочуть вирішити. Спільний мозковий штурм допоможе їм визначити майбутні перешкоди для досягнення бізнес-цілей. Обговоріть і розставте пріоритети проєкту за трьома факторами:

Вплив на бізнес;

терміновість;

Здійсненність.

Далі виберіть найбільш важливі бізнес-завдання і розробіть рішення за допомогою технологій Data Science.

Одна з помилок керівників і фахівців з обробки даних полягає в переконаності, ніби моделі машинного навчання повинні бути складними. Насправді чим простіше модель і її інтеграція, тим легше команді розробників буде підтримувати алгоритм в майбутньому. При побудові моделі відштовхуйтесь від бажаних результатів і поставлених завдань.

Нездатність зрозуміти реальну бізнес-проблему часто відбувається через погану комунікацію між командою Data Scientist і зацікавленими сторонами з бізнесу. Одна з проблем, з якими стикаються консультанти Data Science полягає в нездатності команди пояснити цінність проєкту. Для цього потрібні ... дані! Надайте керівникам показники зекономлених ресурсів, отримані конкурентні переваги і т. Д. Якщо наміри проєкту не узгоджені з цілями керівників, він приречений на провал.

Якщо команда не має навичок роботи з Hadoop, навіщо вам створювати кластери? В першу чергу оцініть набір навичок вашої команди. Не вмикайте в завдання проєкту навички, якими команда не володіє і на освоєння яких потрібно багато часу. Це значно сповільнить роботу команди, тому варто відштовхуватися від наявних навичок і використовувати їх для вирішення поставлених завдань.

Відсутність досвідченого лідера проєкту є однією з головних причин його потенційного провалу. Data Science - все ще відносно нова галузь, але лідер повинен мати відповідний досвід командної роботи. Успіх проєкту неможливий без керівника, який зможе правильно організувати роботу команди по інтеграції технологій Data Science в бізнес.

Успішна модель команди складається з:

Людей з високими технічними знаннями в області Data Science і Big Data;

Експертів в предметній області, які можуть надати інформацію в потрібний момент;

Осіб, що розбираються в бізнесі, які зуміють перетворити ідею в який має практичну користь проєкт, а також володіють навичками презентації та storytelling;

Підрядників і консультантів, які повинні привнести в команду інший підхід і досвід.

Існує безліч інших причин, чому проєкти в сфері Data Science продовжують зазнавати невдач. Ця галузь знань з'явилася відносно недавно і все ще вимагає оптимізації як наукових, так і робочих стратегій. Проте, якщо ви візьмете ситуацію під контроль і спробуєте уникнути зазначених в статті помилок, ймовірність успіху істотно збільшиться.