Dlaczego projekty z zakresu analizy danych nie przynoszą spodziewanych rezultatów

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.

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.