Perché i progetti di dati non riescono a produrre impatti nella vita reale 5 elementi critici da tenere d’occhio come responsabile dell’analisi dei dati

Perché i progetti di dati non hanno impatto nella vita reale? 5 elementi critici da considerare come responsabile dell'analisi dei dati

Una guida semplice per capire gli elementi macro che possono influire negativamente sul tuo lavoro

Ti sei mai trovato profondamente impegnato in un progetto di dati, solo per renderti conto che non sta andando da nessuna parte? È un sentimento più comune di quanto si possa pensare:

• VentureBeat ha riportato che l’87% dei progetti di scienza dei dati non viene portato in produzione
• Gartner ha previsto nel 2018 che entro il 2022 l’85% dei progetti di intelligenza artificiale fornirà risultati errati. Nel 2016 hanno stimato che il 60% dei progetti di big data falliscono.

Due settimane fa abbiamo discusso su come fare analisi di dati di qualità, ma produrre un’analisi di alta qualità è solo metà della battaglia. Molto lavoro impressionante non arriva mai alla vita reale e finisce per essere solo “esempi di capacità analitiche dei dati” (nel migliore dei casi). Quindi come superare il divario tra un lavoro di qualità e un lavoro di impatto?

Il primo passo è capire le regole del gioco e avere una buona visibilità sugli elementi macro che determineranno se il tuo progetto avrà successo o fallirà.

PESTEL – ma per l’analisi dei dati

Se hai mai avuto a che fare con alcuni consulenti (o se tu stesso hai una formazione in consulenza), potresti aver sentito parlare del termine “PESTEL”. Sta per “Politico, Economico, Sociale, Tecnologico, Ambientale, Legale”. Questo framework viene utilizzato per comprendere i fattori macroambientali che influenzano un’organizzazione e per avere una migliore prospettiva sui punti di forza, le debolezze, le opportunità e le minacce per un’azienda.

• La (Lunga) Coda fa Ondulare il Cane le Impreviste Conseguenze dell’Arte Personalizzata dell’IA
• Scopri ClimSim un innovativo set di dati di simulazione del clima a scala multipla per unire l’apprendimento automatico e la fisica nella ricerca sul clima
• Incontra LLM360 i primi Large Language Models (LLM) completamente open-source e trasparenti

In certa misura, lo stesso principio può essere applicato per valutare il potenziale successo dei tuoi progetti di dati, ma con una variazione (dopotutto, i framework sono strumenti destinati ad essere adattati, non adottati interamente). Per la nostra variante, abbiamo la Disponibilità dei dati, le Competenze, la Tempistica, la Preparazione organizzativa e l’Ambiente politico. Ognuno di questi fattori è come un pezzo di puzzle nell’immagine complessiva del successo del tuo progetto di dati. Comprendere e allineare questi elementi è come sintonizzare un motore: se lo fai bene, il tuo progetto funzionerà splendidamente; se sbagli, avrai problemi nel percorso.

Disponibilità dei dati

Sembra una tautologia, ma per qualsiasi progetto di dati hai bisogno dei dati. La disponibilità e l’accessibilità dei dati rilevanti sono fondamentali. Se scopri che i dati necessari non sono disponibili, o risulta impossibile ottenerli, il tuo progetto affronterà sfide significative. È importante non arrendersi immediatamente di fronte a questo ostacolo, ma esplorare altre opzioni per acquisire i dati o identificare un proxy valido (e la perseveranza in questa fase è fondamentale, ho visto innumerevoli progetti essere abbandonati anche se esisteva una soluzione adatta). Ma se, dopo un’indagine molto approfondita, si conclude che i dati sono veramente irraggiungibili e non esiste un proxy adatto, allora è sicuramente una decisione valida (e anche corretta) rivalutare la fattibilità del progetto.

Esempio: immagina di pianificare uno studio per analizzare il comportamento dei consumatori in un mercato di nicchia, ma scopri che dati specifici sui consumatori per questo segmento non sono raccolti da alcuna fonte esistente. Prima di abbandonare il progetto, potresti esplorare alternative come le tendenze dei social media, studi di mercato correlati o persino condurre un sondaggio mirato per raccogliere dati approssimativi. Se tutti questi sforzi non producono dati utili, sarebbe giustificato interrompere il progetto.

Competenze

Ora che hai i dati, hai le competenze giuste per analizzarli? Non si tratta solo di avere padronanza delle competenze tecniche come SQL o Python; è altrettanto importante possedere le conoscenze specifiche richieste per il tipo di analisi che stai svolgendo. Questo diventa particolarmente cruciale quando i requisiti del progetto esulano dalla tua area di competenza abituale. Ad esempio, se la tua specialità è la costruzione di pipeline di dati, ma il progetto in corso riguarda previsioni sofisticate, questa discrepanza delle competenze può diventare un ostacolo significativo. A seconda della distanza tra le competenze attuali del tuo team e quelle che devono acquisire, potresti valutare di migliorare le competenze del team, che può essere molto gratificante a lungo termine, purché si allinei con i tempi del progetto. Si tratta di trovare il giusto equilibrio: cogliere le opportunità per lo sviluppo, ma essere anche realistici sui tempi e le priorità del progetto.

Esempio: Gestisci un team di ricerca sanitaria esperto nell’analisi dei dati dei pazienti e ti viene chiesto di intraprendere un progetto che richiede loro di applicare la modellazione epidemiologica per prevedere la diffusione di una malattia. Sebbene siano abili nel gestire i dati dei pazienti, le specifiche richieste della previsione epidemiologica – un diverso campo di competenza – potrebbero rappresentare una sfida significativa.

Timeframe

Quando si tratta di tempo, ci sono due elementi da capire:

• Se non si lascia abbastanza tempo per completare un progetto, la qualità del progetto può essere fortemente influenzata.
• Dopo una certa durata, si raggiunge un punto di rendimenti decrescenti, in cui aggiungere più tempo non equivale necessariamente allo stesso livello addizionale di qualità.

Questo video (il disegno virale di Spider-Man) è una grande rappresentazione di questo fenomeno. Il salto di qualità tra un disegno di 10 secondi e uno di 1 minuto è notevole, mostrando un miglioramento significativo con solo 50 secondi aggiuntivi. Ma, confrontando il disegno di 1 minuto con uno che ha richiesto 10 minuti, sebbene quest’ultimo sia innegabilmente migliore, il grado di miglioramento è meno evidente nonostante l’ampio incremento di tempo impiegato.

Esempio: Lavori per un’azienda di vendita al dettaglio che desidera analizzare i modelli di acquisto dei clienti per ottimizzare i livelli di stock per la prossima stagione delle festività. Se al tuo team di dati viene dato una settimana per condurre l’analisi, possono fornire informazioni di base, identificando le tendenze generali e gli articoli più venduti. Tuttavia, se loro vengono dati un mese, la qualità dell’analisi migliora significativamente, consentendo una comprensione più dettagliata delle preferenze dei clienti, delle variazioni regionali e dei potenziali problemi di stock. Tuttavia, estendere questo periodo a tre mesi potrebbe generarre solo informazioni marginalmente più dettagliate, ritardando le decisioni cruciali e potenzialmente perdendo opportunità di mercato.

Preparazione organizzativa

La preparazione organizzativa riguarda quanto un’azienda sia pronta e disposta a sfruttare al meglio le informazioni derivanti dai dati. Non riguarda solo il possesso dei dati o l’analisi, ma anche l’avere la giusta struttura e i processi adeguati per agire su quei risultati. In un articolo precedente, ho discusso dell’importanza di rendere “digeribile” lo studio per aumentare l’adozione delle informazioni. Tuttavia, c’è un limite oltre il quale questa facilitazione esula dal tuo controllo.

Esempio: Supponiamo che tu scopra che un determinato negozio non sta andando bene, principalmente a causa della sua posizione poco ideale. Proponi di spostare solo pochi isolati per aumentare significativamente i guadagni. Per dimostrare questo punto, collabori con un team operativo per allestire un negozio temporaneo nella nuova posizione proposta. Questo esperimento dura abbastanza a lungo da annullare qualsiasi effetto di novità, dimostrando in modo conclusivo il potenziale per un aumento dei ricavi. Tuttavia, qui entra in gioco la preparazione organizzativa: l’azienda è legata a un contratto di locazione di cinque anni nella posizione corrente poco performante, senza alternative disponibili in modo rapido nella zona desiderata.

Ambiente politico

Il preferito da tutti: navigare nel panorama politico all’interno di un’organizzazione ❤. Purtroppo è uno step cruciale per il successo di un progetto di analisi dei dati. Hai bisogno dell’allineamento degli interessati con gli obiettivi del progetto, ma anche sui ruoli e le responsabilità legate al progetto. A volte ci saranno interessi contrastanti tra i team o la mancanza di un consenso sulla proprietà del progetto: queste sono situazioni ad alto rischio per il tuo progetto che devi gestire prima di lavorare effettivamente sul progetto (se non vuoi che diversi team lavorino in modo isolato facendo la stessa cosa).

Esempio: Sei in una società multinazionale in cui due team regionali sono incaricati di analizzare le tendenze di mercato per il lancio di un nuovo prodotto. Tuttavia, a causa di rivalità storiche e di un’assenza di una chiara direzione di leadership, questi team operano in modo isolato. Ogni team utilizza metodologie e fonti di dati diverse, portando a conclusioni contrastanti. Una tale situazione non solo crea sfiducia nei dati, ma genera anche confusione a livello esecutivo su quali informazioni fidarsi e su cui agire. Questa dissonanza può alla fine portare al rifiuto di risultati preziosi, sottolineando l’impatto critico dell’armonia politica nell’utilizzo efficace dei dati.

Conclusione

Gli elementi chiave che abbiamo discusso – Dati, Competenze, Tempo, Preparazione organizzativa e Politica – sono gli ingranaggi che guidano il successo di qualsiasi progetto di dati. Senza i dati giusti, anche il team più competente non può costruire informazioni significative. Ma le competenze contano anche; trasformano i dati in analisi significative. Il tempo è la tua tela: troppo poco e la tua immagine è incompleta, troppo e rischi di perdere la concentrazione. La preparazione organizzativa riguarda il garantire che le tue scoperte non restino solo su uno scaffale a prendere polvere; devono essere applicabili. E non dimentichiamo la Politica – l’arte di navigare all’interno dell’organizzazione per assicurarsi che il tuo lavoro venga portato alla luce.

Alla fine, si tratta di comprendere le dinamiche che si svolgono all’interno della tua organizzazione per guidare i tuoi progetti verso il successo, ovvero non solo produrre idee ma anche promuovere il cambiamento.

Spero che tu abbia apprezzato la lettura di questo articolo! Hai qualche consiglio che vorresti condividere? Fallo sapere a tutti nella sezione commenti!

E se vuoi leggere altri miei articoli, ecco alcuni altri che potrebbero interessarti:

Come costruire un pannello di controllo di successo

Una lista di controllo da parte di qualcuno che ha costruito alcuni senza successo

towardsdatascience.com

Costruzione di organizzazioni analiticamente mature (AMO)

Alcuni semplici framework per individuare le esigenze analitiche della tua organizzazione e come migliorarla…

towardsdatascience.com

Generare più idee di qualità al mese

Come creare sistemi per generare di più – con meno

towardsdatascience.com

PS: Questo articolo è stato anche pubblicato su Analytics Explained, una newsletter in cui sintetizzo ciò che ho imparato in vari ruoli analitici (dalle startup di Singapore alle grandi aziende tech di San Francisco) e rispondo alle domande dei lettori su analisi, crescita e carriera.