Если бы каждый раз, когда кто-то спрашивал меня, как приступить к созданию пользовательского решения для ИИ или машинного обучения, я получал бы долларовую купюру… у меня было бы много долларовых купюр. (Когда я рос, это выражение относилось к пятицентовикам, а не к долларовым банкнотам, но вы знаете, к инфляции.)
Существует много болтовни об аналитике, которая очень волнует многих людей. Будь то прогнозная аналитика, наука о данных, машинное обучение, а теперь особенно искусственный интеллект… список можно продолжить. Большая часть этой болтовни описывает аналитику так, как будто это что-то простое, для чего вам просто нужен алгоритмический гений, чтобы волшебным образом получить то, что вы хотите.
Бесчисленные запросы на платформах для фрилансеров отражают это мышление. Они просят полную индивидуальную разработку всего за несколько недель и всего несколько сотен долларов за ресурс в США. Они неизменно указывают, что начинают заниматься аналитикой.
Чего никогда не становится ясно из болтовни, так это того, что аналитика — это не просто алгоритмическое волшебство. Есть фундаментальные, решающие соображения, которые обычный разработчик аналитики просто не может решить. Многое из этого находится за пределами зоны комфорта многих аналитиков, даже самых опытных. К сожалению, когда вы только начинаете, то, скорее всего, все пойдет не так.
Ключевые вопросы, которые следует задать, если вы только начинаете заниматься аналитикой
Чтобы добиться успеха в аналитике, требуется больше, чем просто обилие данных и специалист по данным. Обратите внимание, что различные исследовательские источники оценивают текущую частоту неудач инициатив в области данных и аналитики выше 70–80%. Так как же не стать жертвой ажиотажа?
Обычно ко мне приходит кто-то, кто плохо знаком с аналитикой, и хочет заняться проектом разработки аналитики. Ниже приведены некоторые из первых ключевых вопросов, которые я им задаю.
1. Как вы используете данные и аналитику сегодня и какие у вас есть возможности?
Ответ на это обрамляет оставшиеся вопросы. Если у них есть некоторый опыт работы с аналитикой, последующие вопросы будут более наводящими. Но часто ответ заключается в том, что это их первое путешествие в аналитику. Они услышали о прецеденте, который их взволновал, и просто хотят сделать то же самое как можно скорее.
2. Какие бизнес-потребности вы хотите решить с помощью данных и аналитики?
Вы удивитесь, как часто я не получаю четкого ответа на этот вопрос. Их цель — использовать аналитику в некоторых возможностях, а не решать бизнес-проблемы. Но этот фокус — типичная ситуация, когда молоток ищет гвоздь, чтобы попасть.
Причины разные: они хотят большей объективности или эффективности, они находят это интригующим, они не хотят отставать от своих конкурентов, они видели успешные примеры и т. д. всегда лучшая отправная точка для вашей конкретной ситуации.
3. Каков ваш бюджет?
Я получаю запросы на консультацию по созданию индивидуального решения для прогнозной аналитики. Индивидуальные решения для предиктивной аналитики стоят дорого. Также нетривиально то, что каждое индивидуальное прогностическое/рекомендательное решение одновременно решает только одну бизнес-проблему. Это редко имеет смысл в качестве первого шага в аналитике, если только эффективность выполнения одной операции большого объема не является вашей самой большой проблемой. Есть и другие способы удовлетворения ваших насущных потребностей с помощью аналитики, чтобы получить наибольшее общее влияние на бизнес.
4. Хорошо ли определена ваша бизнес-проблема или вы хотите «учиться на данных»?
Говоря о влиянии — самые эффективные, низко висящие аналитические плоды часто очень исследовательские и имеют очень нечеткие цели. Если вы хотите «учиться на данных», сосредоточиться на AI/ML — все равно, что пытаться съесть тарелку бульона вилкой.
ИИ/МО — это «как» аналитика, которая не предназначена для информирования лиц, принимающих решения, стратегическими выводами. Скорее, он разработан, чтобы помочь вам операционализировать решения проблем, которые очень четко определены и больше ориентированы на выполнение. И на самом деле, это не всегда лучший выбор для этого тоже.
AI/ML не всегда подходит. Вам необходимо аналитическое решение, разработанное для удовлетворения ваших потребностей.
5. Есть ли у вас показатели качества данных? Если да, то как они выглядят?
Качество данных, воспринимаемое в операционной среде, часто отличается от качества, необходимого для эффективной аналитики. Это связано с тем, что критерии «понятности» в этих двух сценариях различаются.
Так много усилий «аналитики» тратится на решение проблем с качеством данных, которые бросаются в глаза специалистам по управлению данными (не аналитикам). Эти проблемы делают типичного разработчика аналитики и/или его/ее продукт весьма неэффективным, не говоря уже о дороговизне. Есть более щадящие подходы к аналитике, когда вы еще не имеете четкого представления о качестве ваших данных. А полноценная разработка аналитики — редкость.
6. Готовы ли вы к текущему обслуживанию и обслуживанию аналитического решения?
Аналитика — это не «установи и забудь». Вся аналитика требует обслуживания и поддержки после разработки. Мир (или только ваш бизнес) меняется, и данные меняются. Это означает, что связь между двумя изменениями и структура связи, захваченная вашим исходным алгоритмом, теперь устарела.
Я встречал многих людей, которые ожидают, что аналитическое решение будет продолжать функционировать вечно, как и предполагалось изначально. С риском грубого упрощения, конечно, это в основном верно для программного обеспечения. Однако аналитические продукты со временем ухудшаются, даже если ничего не меняется в том, как вы их используете или где они находятся.
Некоторые из них изнашиваются быстрее, чем другие, и в целом более сложные решения менее стабильны с течением времени. Чем сложнее техника, тем быстрее она изнашивается и тем чаще требует обслуживания и обновления.
Вы можете сказать себе: «Подождите, я думал, что ИИ должен обновляться автоматически». Такой ИИ во многих случаях нереалистичен. Это еще менее реалистично в подавляющем большинстве случаев эффективного использования для первых попыток аналитики. Даже если бы он был, он все равно не свободен от вмешательства. Вся аналитика требует обслуживания и поддержки, если вы хотите избежать проблем, некоторые из которых могут быть довольно серьезными.
7. Разработана ли ваша технологическая архитектура специально для поддержки аналитики?
Архитектурные потребности в данных и аналитике отличаются от архитектурных потребностей в операциях. Вполне логично, что большинство предприятий начинают с технологической архитектуры, оптимизированной для бизнес-операций. Однако архитектура для аналитических нужд имеет совершенно иные соображения, чем архитектура для операционных нужд. Этой разницы может быть достаточно, чтобы сделать аналитическое решение, построенное на архитектуре операционных данных, малоэффективным.
Вы уверены, что готовы к аналитике?
После этих вопросов многие в конце концов понимают, что для достижения успеха в аналитике требуется гораздо больше. Наем специалиста по данным, хотя и несложный (не обязательно легкий), как правило, не лучший первый шаг. Как я часто говорил, подавляющее большинство организаций слишком рано нанимают своих первых специалистов по данным.
Я не говорю, что вы не должны заниматься аналитикой. Наоборот! Я хочу, чтобы все добились больших успехов в аналитике. Но вы должны убедиться, что делаете первый шаг, который подходит вам. Вы должны убедиться, что вы настроены на успех и не попасть в ловушку. И лично я предпочел бы, чтобы мои долларовые купюры поступали от помощи людям в достижении успеха, а не от того, чтобы быть заваленным вопросами, вызванными шумихой!
Подпишитесь на DDIntel Здесь.
Посетите наш сайт здесь: https://www.datadriveninvestor.com
Присоединяйтесь к нашей сети здесь: https://datadriveninvestor.com/collaborate
