數據科學項目失敗最常見的4個原因

數據挖掘專家稱2017年為數據掃盲和數字轉換年。雖然數據是推動真正數字轉換的關鍵要素，但企業往往以錯誤的方式處理數據和分析項目。事實上，只有13%的數據和分析項目已經完成，而在那些已經完成的項目中，只有8%的公司領導報告對結果完全滿意。

為什麼數據科學項目的結果如此慘淡？

大多數失敗可以追溯到四個主要的陷阱：從錯誤的問題開始；使用錯誤的數據；缺乏利益相關者的認同；以及缺乏多樣化的專業知識。

預先認識到這些常見的危害，會讓首席信息官和IT主管更好地領導數據科學項目，這些項目將推動有價值的洞察力，並為組織的全面成功的數字變革做出貢獻。

1. 從錯誤的問題開始

很多時候，數據科學項目從分析數據開始，期望有趣的洞察力會顯露出來，成為商業案例的基礎，證明轉換是正確的。

這種「探索性分析」方法常常產生數十個潛在的數據項目，這些項目可能產生引人注目的結果。但是他們中的任何一個都能產生一個強有力的商業案例，例如，可以降低成本、鼓勵重複的客戶或留住員工嗎？「探索性」項目的範圍太廣，無法推動有用的分析，這是對IT資源的浪費。

更好的方法是以直接映射到創建業務價值的既定目標啟動項目。遵循「假設檢驗」方法的項目從一組明確定義的問題開始，這些問題表明哪些數據應該分析。

這種有針對性的方法通過將業務合理性與業務操作結合起來，簡化了數據挖掘和分析過程，從而將信息技術資源導向最有可能產生可信和有意義的發現的信息。從正確的問題開始，通過提高準確性和效率，為一個成功的數據科學項目奠定基礎，從而產生有目的的洞察力。

2. 使用錯誤的數據

使用準確的數據是項目成功的根本，但糟糕的數據是最被低估的失敗原因。很多時候，公司根本沒有花足夠的時間清理數據。由於清潔數據十分重要，一個很好的指導方針需要將預計項目時間表的80%分配給數據清理。

雖然這看起來有些過分，但是做一項徹底的工作將成為該項目最重要的節省時間的方法，因為使用乾淨的數據可以加快後續的所有步驟。考慮一下，即使是一個簡單的錯誤，也會產生一個錯誤的洞察，有可能使整個項目失敗，並導致領導層撤回對未來數字改造計劃的支持。

現代雲和數據獲取工具促進了非結構化數據的合併，然後可以以不同的方式提取、挖掘和關聯這些數據，從而使數據更容易管理，同時減少時間、基礎設施和錯誤。

3.缺乏利益相關者的認同

數據科學項目可能會影響整個公司的商業領袖。如果沒有利益相關者的支持和實施變革的承諾，項目可能會陷入停滯或失敗。

確保整個組織的業務一致的較佳方法是制定一個可靠的數據策略和路線圖，以使每個人都走上正軌。

利益相關者必須相信項目的目的，並在時機成熟時承諾在部門內貫徹執行。當涉眾看到由堅實的業務案例支持的計劃的價值時，由涉眾障礙引起的項目失敗的可能性就會大大降低。

4. 缺乏多樣化的專業知識

一個常見的誤解是，任何涉及數據的項目都應該是IT部門的責任。這種目光短淺的觀點對項目的成功再危險不過了。使用正確的數據分析工具很重要，但是產出不能提供有意義和有用的洞察力。讓合適的人才參與這個項目是至關重要的，不管他們是哪個部門的。

最成功的數據科學項目僱用具有多種技能的部門的團隊成員，包括對定量研究、統計和專題知識的理解，這取決於該倡議的問題和重點。

它們可以一起帶來不同的視角、熟練程度和經驗，以塑造項目的目標和方向。

數據項目還得益於團隊中有一位了解業務內部運作的人，以確保其與最初的業務目標保持一致。更多地關注項目，發現錯誤的機會，同時充分利用整個團隊的集體知識和人才。

文章與部分圖片來源於網路，如有疑問，請聯繫刪除

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！