Harvard Business Review только что опубликовал статью под названием Почему вы не получаете пользы от своей науки о данных.

В нем говорится, что специалисты по обработке данных ошеломлены сложностью и количеством данных. Со своей стороны, бизнес-эксперты не в восторге от результатов работы этих специалистов по данным.

Почему это не приносит пользы для бизнеса?

Специалисты по обработке данных были одержимы тонкой настройкой сложных моделей, а не формулированием новых прогнозных вопросов, теряя основную цель своей работы: создание ценности для бизнеса. Фактически, когда автор спросил комнату, заполненную 150 специалистами по данным, которые когда-либо создавали доказанную ценность для бизнеса, никто не поднял руку.

Удивлен?

Я тоже. Я ожидал, что около 5 из 150 рук выйдут вверх.

Тем не менее, суть остается в том, что отрасль науки о данных действительно достигла точки, когда избыток неподготовленных и плохо руководимых аналитиков создает очень высокий потенциал неудач.

Исходя из своего многолетнего опыта руководства и оценки программ аналитики, я бы назвал три ключевые проблемы, которые обычно встречаются в программах по анализу данных:

  1. Неспособность преодолеть разрыв между бизнес-целями и аналитическими усилиями

Математические люди сосредотачиваются на математической работе, обычно производя ряд более быстрых и более точных математических методов. «Хорошие, но нерелевантные» инструменты для анализа данных тщательно превращаются в «даже лучшие, но все же нерелевантные» инструменты.

2. Неспособность работать рационально

Проекты в области науки о данных обычно носят исследовательский характер и не дают никаких результатов. Сосредоточение внимания на нескольких усилиях с высоким риском означает высокую вероятность неудачи. Это называется «положить все яйца в одну корзину», и это плохая идея.

3. Отсутствие дисциплины в оценке результатов

Могу поспорить, что большинство из 150 специалистов по обработке данных, опрошенных в этом исследовании, действительно приносили измеримую ценность для бизнеса, хотя и не знали об этом. Я также готов поспорить, что ни у кого не хватило дисциплины оценивать результаты.

Четыре совета, как начать получать прибыль от ваших усилий в области науки о данных:

Вот мой совет для программ по науке о данных

  1. Живите и дышите деловой интуицией. В компании, безусловно, есть люди с большим опытом работы с заказчиком, продуктом, рынком. Преследуйте их. Возвращайтесь к ним каждые несколько дней и демонстрируйте свои данные и первые результаты. Они будут смеяться над вами, когда увидят, что вы делаете что-то явно не так. Вы очень быстро начнете делать все правильно.
  2. Измерение результатов. Не начинайте проект по науке о данных, если не знаете, зачем вы это делаете и как он будет выглядеть в случае успеха. Как говорится, «если не ведешь счет, значит, просто тренируешься».
  3. Работайте гибко. Гибкое управление проектами является ключом к повышению эффективности аналитической программы и тесно связано с первым пунктом выше. Бизнес-интуиция будет подпитывать петли обратной связи и обеспечивать исходные данные для определения многих результатов проекта. Работайте с минимальным количеством жизнеспособных продуктов и короткими циклами доставки.
  4. Назначьте руководителя, который понимает как бизнес-цели, так и аналитические возможности. В идеале, один человек может сопоставить ценность бизнеса с аналитическим потенциалом и возглавить группу специалистов по данным в достижении ценных результатов. Найти такого человека бывает сложно (см. Мою статью Как нанять главного специалиста по данным).

Как и в случае с большинством других вещей, которые стоит сделать, повышение эффективности программы обработки и анализа данных может потребовать значительных усилий и потребует нескольких итераций, прежде чем программа будет эффективно структурирована. Не сдавайтесь, если кажется, что первоначальная программа дает сбой. Как сказал Маккинси в своем недавнем отчете Эпоха аналитики: конкуренция в мире, управляемом данными, ведущие фирмы, которые уже разработали сильные аналитические программы, не только выигрывают в своих областях, но и активно ищут для способов подорвать смежные отрасли. Не позволяйте им мешать.

  1. Https://hbr.org/2016/12/why-youre-not-getting-value-from-your-data-science
  2. Http://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/The-age-of-analytics-Competing-in-a-data-driven-world

Полная версия этой статьи опубликована в моем блоге по науке о данных.

Я хотел бы услышать мысли и опыт людей в комментариях ниже.