۷ دلیلی که تجزیه و تحلیل و ML در رسیدن به اهداف تجاری شکست می خورند

تجزیه و تحلیل داده ها و یادگیری ماشینی می توانند ارزش واقعی کسب و کار را به ارمغان بیاورند، اما بسیاری از پروژه ها علامت خود را از دست می دهند. در اینجا هفت اشتباهی که باید مراقب آنها بود و در عوض چه کاری باید انجام داد، آورده شده است.

وضعیت Foundry’s CIO 2024 گزارش می دهد که ۸۰٪ از CIOها وظیفه دارند در حال تحقیق و ارزیابی افزوده‌های AI احتمالی به پشته فناوری خود هستند و ۷۴٪ در حال همکاری نزدیک‌تر با رهبران تجاری خود در زمینه برنامه‌های کاربردی هوش مصنوعی هستند. علیرغم مواجهه با تقاضا برای ارائه ارزش کسب و کار از طریق داده ها، یادگیری ماشینی و سرمایه گذاری های هوش مصنوعی، تنها ۵۴ درصد از مدیران ارشد اطلاعات افزایش بودجه فناوری اطلاعات را گزارش می دهند. سرمایه‌گذاری‌های هوش مصنوعی تنها عامل سوم بودند، در حالی که پیشرفت‌های امنیتی و افزایش هزینه‌های فناوری رتبه‌بندی بالاتری داشتند.

تیم‌های مدیریت اطلاعات، فناوری اطلاعات و علم داده باید مراقب باشند که هیجان هوش مصنوعی باعث ایجاد شور و هیجان غیرمنطقی نشود. یک مطالعه اخیر نشان می دهد که مهمترین معیارهای موفقیت برای تجزیه و تحلیل پروژه‌ها شامل بازگشت سرمایه، رشد درآمد و کارایی بهبودیافته است، اما تنها ۳۲ درصد از پاسخ‌دهندگان بیش از ۶۰ درصد از مدل‌های یادگیری ماشین خود را با موفقیت به کار می‌گیرند. این گزارش همچنین بیان کرد که بیش از ۵۰ درصد به طور منظم عملکرد پروژه‌های تحلیلی را اندازه‌گیری نمی‌کنند، که نشان می‌دهد حتی تعداد بیشتری از پروژه‌های تحلیلی ممکن است ارزش تجاری را ارائه نکنند.

سازمان‌ها نباید انتظار نرخ بالای استقرار در سطح مدل را داشته باشند، زیرا برای تبدیل اهداف تجاری به مدل‌های دقیق، داشبوردهای مفید و جریان‌های کاری مبتنی بر هوش مصنوعی که باعث بهبود بهره‌وری می‌شوند، نیاز به آزمایش و تکرار دارد. با این حال، سازمان‌هایی که در ارائه ارزش تجاری از مجموعه سرمایه‌گذاری‌های خود در علم داده عملکرد ضعیفی دارند، ممکن است هزینه‌ها را کاهش دهند، به دنبال روش‌های اجرای جایگزین باشند یا از رقبای خود عقب بمانند.

در حالی که دلایل فنی و مرتبط با داده های زیادی وجود دارد که باعث می شود تلاش های تجزیه و تحلیل شکست بخورند یا عملکرد ضعیفی نداشته باشند، دو کتاب اخیراً منتشر شده نشان می دهد که مشکلات بیشتر سازمانی و مرتبط با فرآیند هستند. در برنده شدن با علم داده، نویسندگان فریدمن و سوامیناتان پیشنهاد می کنند که رهبران کسب و کار باید مستقیماً با تیم های علم داده همکاری کند و چرخه عمر توسعه یادگیری ماشین را درک کند. نویسنده سیگل در راهنمای هوش مصنوعی پیشنهاد می کند که استقرار یادگیری ماشینی یک “هنر کمیاب” و اینکه تیم های علم داده باید تلاش های خود را با ایجاد اهداف استقرار و پیش بینی آغاز کنند.

من مسائل سازمانی و فرآیندی را که منجر به عملکرد ضعیف می شود بررسی کردم. در اینجا، من پیشنهاد می‌کنم که تیم‌های علم داده چه چیزی را می‌توانند بهبود بخشند، در حالی که در نظر داشته باشید که استقرار آخرین بازی نیست. برای افزایش بازگشت سرمایه، رشد و کارایی، تیم‌های علم داده باید از استقرار مدل فراتر رفته و اطمینان حاصل کنند که تیم‌های تجاری از قابلیت‌های تحلیلی ارائه شده استفاده می‌کنند.

چرا بسیاری از تلاش‌های تحلیلی و یادگیری ماشینی به نتیجه نمی‌رسند

ما دلایل زیر را بررسی خواهیم کرد که چرا تحلیل‌ها و تلاش‌های یادگیری ماشین ممکن است ارزش کسب‌وکار را آنطور که در نظر گرفته شده ارائه نکنند، و تیم‌ها چگونه می‌توانند بهبود یابند:

1. Analytics به گردش کار کاربر نهایی متصل نیست
2. همکاری ناکافی بین دانشمندان داده و توسعه دهندگان
3. توجه کافی به مدیریت تغییر
4. نگرفتن از آزمایشات
5. تحلیل بدون اتوماسیون یا ادغام
6. اثبات مفهوم بدون نتایج تولید
7. شکاف مهارت های رهبری و استعداد

Analytics به گردش کار کاربر نهایی متصل نیست

یک مشکل کلیدی که از رهبران علم داده می‌شنوم این است که تیم‌ها باید نحوه اتصال مدل‌ها و تجزیه و تحلیل‌هایشان به گردش‌های کاری کاربر نهایی را بهتر درک کنند. زمانی که یک مدل پیش‌بینی در سیستم ثبتی که در آن افراد تصمیم می‌گیرند یکپارچه یا خودکار نباشد، پذیرش کاربر نهایی سخت‌تر است.

Soumendra Mohanty، مدیر ارشد استراتژی در Tredence. در فضای تجزیه و تحلیل و علم داده، مهم است که با کاربران نهایی مصاحبه کنید و بفهمید مشکل چیست به جای انداختن دسته‌ای از داشبوردهای جدا شده از سیستم‌های تجاری آن‌ها.”

راه حل: حتی زمانی که تیم های علم داده فقط مسئول مدل ها هستند، فرآیند توسعه مدل باید با یک بیانیه چشم انداز تعریف شده برای ارائه ارزش و نحوه کارکرد راه حل های تحلیلی در فرآیند کسب و کار موجود، یا در برخی موارد مختل می شود.

همکاری ناکافی بین دانشمندان داده و توسعه دهندگان

برای دستیابی به یک گردش کار تولید توسط کاربر نهایی، مراحل فراتر از استقرار مدل نیاز به همکاری بین دانشمندان داده و توسعه‌دهندگان نرم‌افزار برای انجام یکپارچه‌سازی، اصلاحات برنامه‌ها و تغییرات گردش کار دارد.

ریتا پریوری، مدیر ارشد فناوری در تیرونا. زمانی که مدل‌ها به اندازه کافی بالغ می‌شوند تا بتوانند تولید شوند، تیم‌های علم داده و توسعه نرم‌افزار باید زودتر گرد هم آیند تا مراحل بعدی را هماهنگ کنند و اطمینان حاصل کنند که توسعه‌دهندگان از نحوه قرار گرفتن این کار در حوزه خود آگاه هستند.

یک سوال کلیدی این است که چه زمانی باید تیم های نرم افزاری را برای درک مدل و شناسایی تغییرات سیستم مورد نیاز وارد حلقه کرد. پریوری می‌گوید: «اوردن تیم‌های نرم‌افزاری خیلی زود در مرحله آزمایشی غیرعملی است، و برداشتن ایده‌ها در مسیر بسیار دور بدون ورودی تیم دریافت‌کننده می‌تواند ناکارآمد باشد». “ارتباط انتظارات روشن در مورد زمانی که دانشمندان داده و توسعه دهندگان باید مدل را تغییر دهند برای ارائه ارزش از طریق تلاش های تولیدی بسیار مهم است.”

راه‌حل: یک رویکرد ایجاد تیم‌های علم داده انعطاف‌پذیر و چابک است که مجموعه‌های مهارت‌های مختلفی را در طول چرخه حیات تجزیه و تحلیل ارائه می‌کنند. در دوره برنامه‌ریزی اولیه، این تیم‌ها ممکن است شامل شش سیگما و متخصصان UX باشند تا گردش‌های کاری موجود را بررسی کنند و تغییرات گردش کار را در نظر بگیرند. از آنجایی که مدل‌ها نتایج امیدوارکننده‌ای را نشان می‌دهند، تیم می‌تواند توسعه‌دهندگان نرم‌افزار را برای برنامه‌ریزی پیاده‌سازی، از جمله تغییرات و ادغام برنامه‌ها، مبادله کند.

توجه کافی به مدیریت تغییر

مدیریت تغییر یکی دیگر از مسئولیت های تیم های چند رشته ای علم داده و توسعه است. انتظار از کاربران نهایی برای پذیرش و پذیرش بهبودهای گردش کار مبتنی بر یادگیری ماشین بدون فرآیند مدیریت تغییر، اشتباه است، به خصوص زمانی که مدل‌های یادگیری ماشینی قابلیت‌های تصمیم‌گیری را تغییر می‌دهند یا با اتوماسیون‌های گردش کار ارائه می‌شوند.

لوکس نارایان، مدیرعامل و یکی از بنیان‌گذاران StreamAlive می‌گوید عدم هماهنگی بین تیم‌های فنی و تجاری و عدم خرید کارمندان -in از ابتدای یک ابتکار مانعی برای پذیرش ایجاد می کند. کارمندان و تیم‌ها باید در مورد اهمیت تلاش‌های نوآوری کاملاً همسو باشند تا بتوانند نحوه دستیابی به اهداف خود را درک کنند. رهبران تیم و رؤسای سازمان باید ارتباطات ساده را تضمین کنند، فناوری ارتباطات همزمان و ناهمزمان را فراهم کنند، و از همسویی منظم بین تیم‌های تجاری، تیم‌های فناوری اطلاعات و رهبران تحلیلی که واقعاً در حال بررسی پیاده‌سازی هستند اطمینان حاصل کنند.»

راه‌حل: بهترین شیوه‌ها با گنجاندن ذینفعان و کاربران نهایی منتخب در تهیه پیش‌نویس بیانیه چشم‌انداز، بررسی اینکه چه پیش‌بینی‌هایی مهم هستند، به اشتراک گذاشتن تأثیرات آنها بر گردش کار و تعریف معیارهای موفقیت آغاز می‌شود. در طول فرآیند توسعه و علم داده، از ذینفعان کلیدی و کاربران نهایی دعوت کنید تا جلسات برنامه ریزی اسپرینت را برای کمک به الزامات و بررسی های سریع برای بررسی پیشرفت های جاری انجام دهند.

نگرفتن از آزمایشات

در حالی که دانشمندان داده ماهیت آزمایشی و تکراری کار خود را درک می‌کنند، ممکن است تشخیص ندهند که جاسازی مدل‌ها در تجربیات کاربر و بهبود گردش کار نیز باید از طریق تکرار نسخه‌ها و گرفتن بازخورد بهبود یابد. حتی زمانی که تیم جمعی یک تجربه حداقل قابل دوام را به کار می گیرد، باید با کاربران نهایی و ذینفعان مصاحبه کند و یاد بگیرد که چه تغییرات و بهبودهایی لازم است.

Cody De Arkland، مدیر ارشد جوجه کشی محصول در LaunchDarkly. رهبران محصول باید اطمینان حاصل کنند که عملکرد هوش مصنوعی برای همسویی با گردش کار مورد نظر کاربران نهایی آنها به‌عنوان یک تجربه «افزودنی» به‌جای مخالفت اجرا می‌شود. استفاده از آزمایش‌ها برای اطمینان از احساسات مثبت کاربر به شما کمک می‌کند قابلیت‌های هوش مصنوعی را به سرعت بدون خطر از دست دادن مشتریان ارسال کنید، زیرا تجربه بدی را بدون داده ایجاد کرده‌اید.

راه‌حل: تیم‌های علم داده باید چند تکنیک را برای حل این مشکل در نظر بگیرند، از جمله اجرای آزمایش A/B برای اندازه‌گیری تأثیر کاربر پیاده‌سازی‌های مختلف و بررسی کیفی کاربران نهایی. توسعه‌دهندگان و دانشمندان داده همچنین باید اطمینان حاصل کنند که برنامه‌ها و گردش‌های کاری برای ثبت و بررسی مشکلات عملکرد، نقص‌های نرم‌افزار، مشکلات مدل‌های یادگیری ماشین، یا مشکلات قابلیت استفاده قابل مشاهده و بررسی هستند.

ارائه تجزیه و تحلیل بدون اتوماسیون یا ادغام

ارائه داده‌ها، پیش‌بینی‌ها، داشبوردها و گزارش‌های بیشتر به دست کاربران نهایی ممکن است ارزشمند باشد، اما هزینه بالقوه در بهره‌وری وجود دارد. هنگامی که ابزارهای گزارش دهی مستقر از پلتفرم های مورد استفاده برای گردش کار و تصمیم گیری جدا شوند، تیم های علم داده ممکن است کار بیشتری برای کارمندان ایجاد کنند. نگرانی دوم زمانی است که تجزیه و تحلیل ها بینش های جدیدی ارائه می دهند، اما برای انجام اقدامات دستی روی آنها به کار دستی قابل توجهی نیاز است. اتوماسیون و ادغام باید اولویت برنامه تحویل تجزیه و تحلیل باشد.

وانیا جوسیفوسکی، مدیر عامل و یکی از بنیانگذاران Kumo< می‌گوید: «تحلیل‌ها برای مصرف انسان‌ها طراحی شده‌اند، و آن‌ها بخشی هستند که مقیاس‌پذیر نیستند. /a>. «بیشتر موارد استفاده کلیدی سازمانی، مانند شخصی‌سازی و توصیه‌ها، پیش‌بینی‌کننده هستند. راه برای باز کردن قفل ارزش در اینجا این است که یادگیری ماشین را آسان‌تر و خودکارتر کنید، سپس به موارد استفاده از هوش مصنوعی گسترش دهید.”

راه‌حل: یکی از روش‌های ادغام یکپارچه‌سازی ساده بین داشبوردها و برنامه‌ها از طریق تحلیل‌های تعبیه‌شده، که در آن تصاویر از ابزار تجسم داده یا هوش تجاری در رابط‌های کاربری با جاوا اسکریپت یا iframe ادغام می‌شوند. همانطور که آریل کاتز، مدیر عامل Sisense در یک پست وبلاگ اخیر در عصر جدیدی از تحلیل های جاسازی شده. روی آوردن به APIها برای تجزیه و تحلیل های جاسازی شده با این امکان که توسعه دهندگان بتوانند به سرعت با تغییرات سازگار شوند و ارزش جدیدی برای کاربران خود ایجاد کنند، بازگشت سرمایه بسیار بالاتری به همراه خواهد داشت.»

اثبات مفهومی بدون نتایج تولید

مدیریت محصول، تفکر طراحی و رشته‌های شش سیگما نقش‌های رهبری مهمی در نظارت بر همکاری تیم‌های چابک با تجارت، علوم داده و توسعه نرم‌افزار به عنوان اعضای تیم هستند. با این حال، حتی با همکاری، خطر اجرای بیش از حد اثبات مفاهیم (POC) و بهبود مکرر آنها بدون فشار دادن یک گردش کار با قابلیت‌های تحلیلی آن به تولید وجود دارد.

وقتی این مسائل در یک دوره زمانی قابل توجه رخ می دهد، ممکن است نشانه آن باشد که POC ها با جهت استراتژیک کسب و کار هماهنگ نیستند، یا شاید رهبری اولویت های تحلیل استراتژیک خود را مشخص نکرده باشد.

هیلاری اشتون، مدیر ارشد محصول سازمان های داده محور کلیدی است، که موفق ترین سازمان هایی هستند که متوجه می شوند. که برتری در تجزیه و تحلیل مستلزم داشتن یک استراتژی پیاده سازی است که بر اساس خود ساخته شود. ایجاد مجموعه داده‌های قابل استفاده مجدد و قابل گسترش، مدل‌های یادگیری ماشین و اجزای تجسم نه تنها کارآمد است، بلکه به دانشمندان داده کمک می‌کند تا محصولات تجزیه‌وتحلیلی قابل اعتماد و سازگار ارائه کنند و به بهبود آنها ادامه دهند.

راه حل: اگر یک تیم علم داده در حال چرخاندن چرخ POC است بدون اینکه چیز زیادی برای خود نشان دهد، رهبری باید وارد عمل شود و راهنمایی در مورد اولویت ها ارائه دهد و هنگامی که مدل ها آماده تولید هستند، تغییرات گردش کار را ترویج دهند. پل بوینتون، یکی از بنیانگذاران و مدیر عامل CsiBizInfo، می‌گوید: «ارزش واقعی از این می‌آید که رهبری این بینش‌ها را در نظر بگیرد و یافته‌ها را به‌کار گیرد. بهبودهای ملموس در سازمان.”

شکاف مهارت‌های رهبری و استعداد

سازمان‌ها باید با استعداد و مهارت‌های رهبری دست و پنجه نرم کنند تا با تغییرات سریع در قابلیت‌های هوش مصنوعی، فن‌آوری‌های جدید و استراتژی‌های کسب‌وکار در حال تکامل همگام شوند. یک مشکل زمانی است که سازمان‌ها در فرهنگ یادگیری مادام‌العمر و داده‌ها مشترک نمی‌شوند. به علم و فناوری فرصت کافی برای اتخاذ رویکردهای تحلیلی مدرن داده نمی شود. در مواقع دیگر، تیم‌های با استعداد غرق در پشتیبانی از فناوری‌های قدیمی هستند و نمی‌توانند بر کسب‌وکار جدید، تحلیل‌ها و فرصت‌های فناوری تمرکز کنند.

کریشنان ونکاتا، مدیر ارشد مشتری کسب و کار کافی دارد یا خیر acumenارتباط قابلیت های تحلیلی با نیازها و فرصت های تجاری. گرگ کوچینو از Trustwise می‌گوید: «می‌تواند شکاف قابل‌توجهی بین کارکنان ماهر سازمان وجود داشته باشد که فناوری را درک می‌کنند و همچنین می‌دانند که چگونه آن را در واقعیت به کار ببرند. -چالش های کسب و کار جهانی.”

این بحث وجود دارد که آیا هوش مصنوعی، به‌ویژه هوش مصنوعی مولد، یک رشته جدید رهبری است یا اینکه یک توسعه یافته است. مسئولیت های علم و فناوری داده کیل کارلسون، رئیس استراتژی علم داده و تبشیر در دومینو، می‌گوید: «شرکت‌هایی که با موفقیت پروژه‌های هوش مصنوعی را اجرا می‌کنند، نقش‌های رهبری هوش مصنوعی را ایجاد کرده‌اند که چند رشته‌ای ساخته شده‌اند. تیم‌های AI/ML، فرآیندهایی را ساختند که چرخه حیات هوش مصنوعی را در بر می‌گیرد، و روی پلت‌فرم‌های هوش مصنوعی یکپارچه‌ای سرمایه‌گذاری کردند که توسعه، عملیاتی‌سازی و مدیریت پروژه‌های هوش مصنوعی را ساده می‌کند.

راه حل: در حالی که هیاهویی در مورد هوش مصنوعی وجود دارد، بسیاری از شرکت‌ها نتایج سرمایه‌گذاری در علم داده خود را ثابت کرده‌اند. سازمان ها باید سازمان های خود را برای موفقیت راه اندازی کنند. ملاحظات داده، فناوری و حاکمیت زیادی در مورد هوش مصنوعی و علم داده وجود دارد، اما رهبران باید ابتدا به افراد نگاه کنند و زمانی که سرمایه‌گذاری‌های تحلیلی عملکرد ضعیفی دارند، مسائل را پردازش کنند. سازمان ها با تعریف نقش های رهبری، تعیین اولویت ها، هدایت همکاری های چند رشته ای و ترویج فعالیت های یادگیری موفق می شوند.