Organizacje mogą uzyskać konkretne korzyści biznesowe dzięki zaawansowanej analizie, jeśli tylko uda im się zidentyfikować i pokonać pięć typowych przeszkód.
Coraz więcej firm uznaje naukę o danych za narzędzie i dodatkową umiejętność, a jednak wiele z nich nie jest w stanie konsekwentnie czerpać wartości biznesowej ze swoich inwestycji w big data, sztuczną inteligencję i uczenie maszynowe. Co więcej, dowody wskazują na to, że rośnie przepaść między organizacjami, które z powodzeniem czerpią wartość z danych, a tymi, które mają z tym problemy. Dla lepszego zrozumienia błędów popełnianych przez firmy przy wdrażaniu zyskownych projektów z zakresu nauki o danych i po to, by dowiedzieć się, jak ich uniknąć, przeprowadziliśmy dogłębne badania aktywności w tej dziedzinie w trzech z 10 największych indyjskich banków sektora prywatnego z dobrze rozwiniętymi działami analitycznymi. Zidentyfikowaliśmy pięć powszechnych błędów – ich przykłady opisujemy w kolejnych studiach przypadków. Proponujemy też rozwiązania umożliwiające zaradzenie im.
O BADANIU
Artykuł bazuje na pogłębionym badaniu działań w zakresie data science, przeprowadzonym w trzech dużych, prywatnych bankach indyjskich, których łączne aktywa przekraczają 200 milionów dolarów.
Badanie obejmowało obserwacje na miejscu, częściowo ustrukturyzowane wywiady z 57 członkami kadry kierowniczej, menedżerami i ekspertami zajmującymi się danymi, a także badanie archiwów.
Pięć przeszkód i rozwiązania służące ich przezwyciężeniu wyłoniły się w wyniku indukcyjnego procesu analitycznego opartego na danych jakościowych.
Błąd 1. Strzelanie z armaty do muchy
Hiren, specjalista nauki o danych, niedawno zatrudniony w jednym z analizowanych przez nas banków, jest analitykiem z rodzaju tych pożądanych przez organizacje. Hiren szczególnie upodobał sobie algorytm k najbliższych sąsiadów, który przydaje się do identyfikacji i klasyfikacji klastrów danych.
– Podczas studiów zastosowałem algorytm k najbliższych sąsiadów do kilku symulowanych zestawów danych – powiedział nam – i nie mogę się doczekać, kiedy użyję go dla prawdziwych danych.
