Streszczenie: Organizacje mogą czerpać korzyści z zaawansowanej analizy danych, jeśli pokonają pięć typowych przeszkód. Pierwszym błędem jest stosowanie skomplikowanych narzędzi analitycznych do prostych problemów, co prowadzi do niepotrzebnego komplikowania procesów. Drugim jest brak jasnego zdefiniowania problemu, skutkujący nieefektywnymi rozwiązaniami. Trzeci to ignorowanie kontekstu biznesowego, przez co analizy nie przekładają się na praktyczne korzyści. Czwartym błędem jest niewłaściwe zarządzanie danymi, co prowadzi do błędnych wniosków. Piątym jest brak współpracy między zespołami analitycznymi a biznesowymi, co utrudnia wdrażanie wyników analiz w praktyce.
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.
Materiał dostępny tylko dla subskrybentów
Dołącz do subskrybentów MIT Sloan Management Review Polska Premium!
Kup subskrypcję
