biznes technologie innowacje
technologiczna strona biznesu
biznes technologie innowacje
najważniejsze informacje zebrane w jednym miejscu
X
Następny artykuł dla ciebie
Wyświetl >>
Dlaczego projekty z zakresu analizy danych nie przynoszą spodziewanych rezultatów

Dlaczego projekty z zakresu analizy danych nie przynoszą spodziewanych rezultatów

Premium

(Nr 9, czerwiec 2021)

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.

Zostało 86% artykułu.

Materiał dostępny tylko dla subskrybentów

Dołącz do subskrybentów ICAN Business Insight i korzystaj z treści Premium!





Jesteś subskrybentem? Zaloguj się »

Mayur P Joshi

Jest adiunktem (wykładowcą) w dziedzinie technologii finansowych systemów informatycznych w Alliance Manchester Business School, The University of Manchester, Wielka Brytania.

Ning Su

Jest ekspertem w zakresie globalnych strategii innowacji i outsourcingu oraz jakościowych metod badawczych. Bada transformację organizacji i rynków w dobie cyfryzacji i globalizacji, w oparciu o dogłębne studia przypadków z różnych sektorów, w tym usług finansowych, technologii, konsultingu, produkcji i przemysłu kreatywnego.

Anand K. Sundaram

Jest doświadczonym analitykiem w zakresie BI & Data Management. Absolwent CA i IIM; zdobywca wielu nagród, m.in. Asian Banker Aards za zastosowanie analityki danych..