Преодоление трех главных проблем внедрения аналитики

Прочитано: 67 раз(а)


Аналитика является растущей частью многих предприятий. Эксперты рассказывают о некоторых наиболее острых проблемах, с которыми могут столкнуться предприятия при внедрении новых стратегий аналитики.

Аналитика является ключом к принятию разумных бизнес-решений, но не каждый проект по внедрению аналитики оказывается успешным. И чем значительнее проект, тем больше препятствий.

Согласно опросу старших руководителей по технологиям, проведенному Appen, поставщиком данных, который был опубликован 23 июня, почти 75% опрошенных руководителей считают ИИ критически важным для своего успеха, но почти половина заявила, что их компании отстают в развитии ИИ .

Аналогичным образом, согласно отчету IDC, почти треть — 28% — всех инициатив в области искусственного интеллекта и машинного обучения терпит неудачу. По данным IDC, одной из основных причин провала этих проектов является неадекватность данных. По словам экспертов, еще одной серьезной проблемой является отсутствие заинтересованности заинтересованных сторон.

Данные, данные везде и ни капли для анализа

Стив Строл, старший управляющий консультант по цифровым инновациям в Insight, работал с крупной американской производственной фирмой над проектом по внедрению аналитики, когда столкнулся с серьезной проблемой данных.

«У этой фирмы, должно быть, было от 50 до 60 различных исходных систем, и каждая из них управлялась как отдельная страна », — сказал он.

В одних системах качество данных было превосходным, в то время как в других качество данных отсутствовало.

«Возможность собрать все это воедино может быть очень сложной задачей», — сказал Штрол. «У нас было 150 вариантов написания для одного и того же клиента, и в системах они рассматривались как разные клиенты. У нас не было возможности связать этого клиента с какой-либо другой системой в организации».

Компания потратила впустую более года и от четверти до полумиллиона долларов, и в конце концов ей пришлось отступить и сначала заняться проектом по обеспечению качества данных . По словам Строла, в итоге компания создала набор последовательных бизнес-правил, чтобы создать прочную основу для своих данных, а затем очистить ее.

«Аналитика будет настолько хороша, насколько хороши исходные данные, с которыми вы работаете», — сказал он.

Венкатесан Сукумаран, руководитель отдела бизнес-аналитики Tata Consultancy Services, обнаружил аналогичную проблему в крупном австралийском банке.

«Уровень неструктурированных данных на предприятии вырос, поскольку количество источников данных, связанных с неструктурированными данными , резко увеличилось», — сказал он.

Некоторые данные также поступали от внешних партнеров. По словам Сукумарана, решение этой возросшей сложности и сопутствующих расходов потребовало изменения мышления. Как только банк начал искать другие способы решения проблемы, они решили перенести данные и аналитику в облако , что повлияло на стоимость хранения, скорость и стоимость обработки и время выхода на рынок.

«Все три измерения достигли ощутимых результатов», — сказал он.

Другой банк, базирующийся в Европе, использовал аналитику, чтобы определить, какие финансовые продукты или услуги каким клиентам предлагать.

«У них было много-много продуктов, каждый из которых располагался на отдельной системе и не обязательно общался друг с другом», — сказал Сукумаран. «Значит, вы не оптимизируете на уровне клиента».

Например, клиенту может быть предложен продукт, но клиент не соответствует требованиям банка к рискам или цена на него неадекватна для этого клиента. Банк смог решить непосредственную проблему данных с помощью проекта машинного обучения, который создал единое унифицированное представление о клиенте.

Но для решения более серьезной проблемы — отсутствия согласованной корпоративной стратегии управления данными — банк создал новую должность директора по данным.

«Это помогло обеспечить централизацию управления и стандартизацию процессов», — сказал Сукумаран. И это помогло банку создать более сильную и гибкую ИТ-среду, которая подготовила его к работе с быстро растущими наборами данных.

Мы все на одном пути?

Наличие высшего руководства во многом помогает направить бизнес-подразделения в одном направлении, но это лишь часть проблемы, заключающейся в том, чтобы собрать все заинтересованные стороны на одной странице. Одной из наиболее важных групп заинтересованных сторон являются конечные пользователи.

В Sungard Availability Services, компании, занимающейся аварийным восстановлением данных, одна команда тратила три недели в месяц на подготовку отчетов для руководства компании. Компания хотела перевести команду на аналитическую платформу, в частности на Qlik Sense BI .

«Когда мы впервые представили этот инструмент, они были очень скептичны и нерешительны, — говорит Шрини Шринивасан, директор по корпоративной аналитике и доставке приложений в Sungard Availability Services. «Они настаивали на приобретении сервера и базы данных и найме небольшой группы разработчиков для автоматизации извлечения данных для отчета».

На объяснение функций и возможностей инструмента аналитики ушло несколько недель. По его словам, время, затраченное на обучение пользователей, окупилось.

«После того как команда купила этот инструмент, мы смогли внедрить и автоматизировать процесс создания отчета из 160 слайдов», — сказал Шринивасан. То, что раньше занимало три недели вручную, теперь заняло всего несколько часов.

«Осознав ценность инструмента, эта команда стала самым активным пользователем инструмента и рекомендует его другим командам в нашей организации», — сказал он.

Подобные образовательные усилия перевели HR-команду компании на аналитику . Раньше команда тратила несколько часов в месяц на создание электронных таблиц с данными о сотрудниках и рассылку их менеджерам по защищенной электронной почте.

Потребовались усилия, чтобы убедить команды попробовать аналитические панели самообслуживания и доказать, что они безопасны и хорошо управляются. Но теперь, по его словам, менеджеры могут использовать самообслуживаемый инструмент бизнес-аналитики, чтобы мгновенно получать актуальную информацию, когда она им нужна.

По словам Дэниела Элмана, аналитика Nucleus Research, обучение конечных пользователей является самой большой проблемой при внедрении аналитики.

«Большинство бизнес-пользователей не обучены продвинутой статистике и математике», — сказал он. «Этот первый шаг должен заключаться в установлении доверия пользователей к данным и результатам».

Компании также должны инвестировать в создание культуры данных , сказал Элман, где решения основаны на данных, а руководители отделов создают ключевые показатели эффективности на основе данных.

Отсутствие четких целей

Даже при наличии правильных данных и наличии всех заинтересованных сторон аналитические проекты могут пойти наперекосяк без четких достижимых целей.

Кэтлин Фетерингем, директор по стратегии и обучению искусственного интеллекта в Booz Allen Hamilton, сказала, что одной из проблем может быть то, что люди не понимают технологии, особенно когда в игру вступают расширенная аналитика , машинное обучение и искусственный интеллект.

«Они не понимают текущего состояния и возможностей», — сказала она.

Фезерингем сказал, что люди склонны возлагать нереалистичные надежды на точность новых технологий.

«Мы считаем, что точность машин должна составлять от 99% до 100%», — сказала она. «Возьмите беспилотные автомобили. Мы хотим, чтобы они были идеальными, но знаете ли вы людей, которые на 99% точны при вождении?»

То же самое относится и к бизнес-аналитике. Если пользователи ожидают, что аналитика будет точной на 100 %, а они точны только на 70 %, они могут счесть проект неудачным.

«Но если материал, который у вас есть сегодня, точен всего на 20%, то это большое улучшение», — сказал Фезерингем.

Точно так же, по ее словам, многие платформы становятся лучше, чем больше они используются. Если пользователи ожидают, что платформа будет работать прямо из коробки, они могут быть разочарованы.

«Модели нуждаются в обучении », — сказала она. «Не ожидайте, что это сработает с первого раза. Сейчас это может быть 50%, но в какой-то момент он поднимется до 80%».

Шринивасан предполагает, что для проектов по внедрению аналитики, требующих новых инструментов и процессов, полезно, если выбранный проект предлагает очевидные и значительные преимущества для пользователей. По его словам, смутные ожидания или идея о том, что аналитика волшебным образом решит давние бизнес-проблемы, являются распространенными причинами неудач проектов по внедрению аналитики.

«Удивительно, — сказал он, — многие аналитические проекты начинаются без четкой цели».

Преодоление трех главных проблем внедрения аналитики



Новости партнеров