資料價值有效發揮的障礙：高階資料分析常見的五種挑戰

我們經常聽到高階分析的成功案例。人們對人工智慧的期望很高——據預測人工智慧和人工智慧的年經濟價值將在9.5萬億到15.4萬億美元之間——因此，只要有可能，許多人都想把目光聚焦在資料分析技術的發展上。

然而，實踐者們都非常清楚，高階分析並不都是成功的。對於每一個令人印象深刻的案例研究或令人興奮的頭條新聞，都有幾十個專案未能發揮其潛力。高階分析專案的探索性、反直覺性和技術性通常是每個專案面臨挑戰的原因。這些失敗的背後還有什麼原因呢?

在過去的幾個月裡，我們回顧了自己的經驗，並與多個行業的高階分析領導者和實踐者討論了分析專案失敗的原因。以下五種跨領域的障礙與行業無關，它們是專案需要克服的共同主題，以便充分發揮潛力。

1. 問題定義不明確的挑戰

糟糕的問題定義是分析團隊面臨的重大挑戰。將一個組織面臨的廣泛挑戰分解為可解決的部分通常是非常困難的，而評估哪些部分在解決後將產生最大的影響則更加困難。

那麼，當分析專案專注於錯誤的問題——或者至少是正確問題的錯誤方面時，它們的後果是什麼?當這個問題出現時，專案最終會：

●沒有解決明確的業務需求

●與整體業務戰略不一致

●缺乏實現投資回報的明確途徑

●與企業成功的真正驅動力脫節

●專注於有趣的事情，而不是產生最大影響的事情

2. 資料質量低、不一致或缺失的挑戰

任何模型的強大程度都取決於它所依賴的資料。然而，獲取正確的資料而且足夠多可能會很困難。在以上情況下可能會發生：

●所需資料不存在

●資料質量不足以繼續進行專案

●專案團隊無權訪問必要的資料

●資料訪問成本太高

●資料工程太昂貴或太耗時而無法使資料可用

3. 執行中技術方法與問題不一致的挑戰

不幸的是，確定正確的業務問題供分析解決並擁有解決問題所需的資料不足以構建交付業務成果的模型。即使前兩個步驟正確，團隊也可能由於以下原因無法完成工作模型：

●在整個過程中缺乏適當的技術人才或領域專家

●過度規劃專案並試圖一次實現太多目標

●在開發解決方案時使用了錯誤的技術、演算法或方法

●沒有建立足夠準確的模型來進行預測

●可用資源不足，無法達到產生影響所需的質量或範圍

●該專案的交付時間比預期的要長，並且沒有足夠的預算來完成模型

4.未能考慮到人為因素的挑戰

即使交付了一個工作模型，如果目標使用者不採用它，或者沒有整合到現有的技術或業務流程中，它仍然可能會失敗。雖然技術整合會帶來問題，但使用者採用是分析專案失敗的更大原因。最好的資料科學和結構最完善的模型如果不容易使用和部署以增強人類決策，那麼它們將產生很小的影響。在以下情況下會出現採用和可用性失敗：

●目標使用者沒有參與或積極拒絕採取干預措施

●操作程式和激勵措施不鼓勵使用者將模型納入他們的持續行為中

●模型的互動或介面太難使用

●該解決方案不容易整合到現有技術堆疊、當前基礎架構或組織缺乏必要的資料倉儲、雲處理和儲存等能力

5. “一次性”陷阱的挑戰

雖然一種模式在最初被採用時可能會蓬勃發展，但如果長期被拋棄，可能是由於缺乏內部支援，或者是由於在建立它的組織發生重大變化後沒有適應。

●未能調整模型以適應組織需求、業務戰略或目標的變化

●由於環境、模式或行為的變化，模型效能隨時間惡化

●沒有足夠的技術支援來調整資料管道中的問題、源系統或 API 的更改等。

●缺乏長期採用，終端使用者回滾到舊的工作方式，建立新的解決方法或使用次優系統

雖然不同的組織處於其資料分析過程的不同階段，但我們已經看到整個高階分析行業的整體成熟度不斷提高。技術人才、適當資料的可訪問性和模型概念背後的思想通常最初是合理的，因此導致問題、資料和執行失敗模式的因素通常比兩年前更普遍。上面強調的問題四和問題五代表了許多高階分析專案的最新瓶頸，很大程度上取決於使用者的採用。僅靠資料科學無法解決這個問題。根據經驗，以人為本的設計，超越介面和資料視覺化，在消除這一瓶頸和確保分析專案發揮其全部影響方面發揮著不可或缺的作用。

從專案一開始就整合設計，早在問題定義階段，就可以更早地開始變更管理過程，並在許多導致失敗的問題之前進行處理。考慮未滿足的需求，並儘早發現潛在的使用者問題。正如一位經驗豐富的分析高管所說，“分析的50%影響在於你的模式有多好，另外50%則是使用者接受度。兩者缺一不可，不會給你帶來任何有價值的東西。”