Прокрутить вниз
Категории
//Часть 1: Как решить, какие Data Science (Дата Сайенс) проекты внедрять

Часть 1: Как решить, какие Data Science (Дата Сайенс) проекты внедрять

13.05.2019Категория : Data Science

Выбор между проектами Data Science

В 2018 году каждая организация имеет стратегию данных. Но что делает великого?

Мы все знаем, как выглядит неудача. Ресурсы инвестируются, команды формируются, время идет, но ничего не получается. Никто не может обязательно сказать, почему; Это всегда кто-то другой.

Труднее определить разницу между скромным успехом и превосходством. Действительно, в науке о данных они могут выглядеть очень похоже на год. Однако через несколько лет отличная стратегия даст на несколько порядков более ценные результаты.

И посредственные, и превосходные стратегии начинаются с серии экспериментов и инвестиций, ведущих к проектам данных. Через несколько лет некоторые из этих проектов разрабатываются и находятся на пути к производству.

В посредственной стратегии один или два из этих проектов могут даже иметь четкую рентабельность бизнеса. Как правило, эти проекты будут своего рода автоматизацией для экономии затрат или применения машинного обучения к существующему процессу для повышения его эффективности или производительности. Это похоже на успех, и этого может быть достаточно, но в нем упущены уникальные преимущества превосходной стратегии обработки данных.

В отличной стратегии разработано больше проектов обработки данных, и их разработка оказалась на удивление экономически эффективной. Кроме того, процесс создания первых нескольких проектов вдохновляет новые идеи проекта. В отличной стратегии проекты будут включать в себя автоматизацию, а также повышение эффективности и производительности, но они также будут включать проекты и идеи для получения нового дохода и для совершенно новых предприятий, управляемых вашими уникальными активами данных. Группы данных хорошо работают вместе, опираются на работу друг друга и беспрепятственно сотрудничают со своими деловыми партнерами. Существует четкое представление о том, как может выглядеть будущее бизнеса, основанное на машинном обучении, и все работают вместе для его достижения.

Создание превосходной стратегии данных

Для разработки стратегии обработки данных требуется участие многих сторон, в том числе экспертов в области данных, руководства по технологиям, а также экспертов по бизнесу и предметной области. Это также требует поддержки со стороны руководства, которая выходит за рамки простого желания отметить флажок «машинное обучение».

Вот как большинство компаний решают, какие проекты данных следует использовать, что само по себе является рецептом посредственной стратегии обработки данных. Руководство идентифицирует набор проектов, которые оно хотело бы видеть построенными, и создает вездесущую диаграмму рассеивания приоритетов: одна ось представляет ценность данного проекта для бизнеса, а другая ось представляет его предполагаемую сложность или стоимость разработки. Каждому проекту присваивается место на диаграмме, и руководство выделяет ограниченные ресурсы компании на проекты, которые, по их мнению, будут стоить меньше всего и будут иметь самую высокую ценность для бизнеса.

Это не так, но это также не оптимально. Отличная стратегия обработки данных выходит за рамки простой оценки каждого проекта в отдельности, чтобы рассмотреть несколько дополнительных аспектов.

Во-первых, отличная стратегия обработки данных включает в себя хорошо скоординированное организационное ядро. Он основан на централизованных инвестициях в технологии и хорошо подобранных и скоординированных настройках по умолчанию для архитектуры приложений данных. Такая централизация значений по умолчанию позволяет каждому приложению принимать различные решения, если это необходимо, при этом поддерживая максимальную совместимость во всей организации и гибкость во времени по умолчанию.

Например, одна глобальная медиа-компания, с которой я работал, значительно выросла за счет приобретений. У каждой бизнес-линии был свой технологический стек и независимая ИТ-группа, что приводило к сложностям в интеграции уже существующих данных и разной архитектуре для всех будущих инвестиций. Централизация этой практики была ключом к их постоянному успеху.

Во-вторых, отличная стратегия данных специфична в краткосрочной перспективе и гибкая в долгосрочной перспективе. Мы достаточно много знаем о том, как будут выглядеть возможности машинного обучения завтрашнего дня, но меньше о том, как будут выглядеть возможности следующего года. Мы можем только догадываться, что будет возможно через пять лет. Аналогичным образом, бизнес-ландшафт трансформируется, что приводит к новой конкуренции и новым возможностям. Организации, участвующие в пятилетних циклах планирования, упустят возможности, которые появляются в это время. Отличная стратегия – это стратегия, которая адаптируется и считается живым документом.

Лучшие стратегии сильны в направленном убеждении, но гибки в деталях. Вы хотите знать, где вы хотите оказаться, но не обязательно заранее определять каждый шаг, который вам нужно сделать, чтобы туда попасть.

Наконец, отличная стратегия обработки данных учитывает одну ключевую идею: проекты по науке о данных не зависят друг от друга. С каждым завершенным проектом, успешным или нет, вы создаете основу для более легкого и более дешевого построения последующих проектов.

Выбор между проектами Data Science

Вот как выглядит выбор проекта в компании с отличной стратегией обработки данных: во-первых, компания собирает идеи. Эти усилия должны быть как можно более широко распространены по всей организации, на всех уровнях. Если вы видите только идти

  • 7 просмотров
  • 0 Comment

Leave a Reply

Your email address will not be published. Required fields are marked *

Close