Cómo asegurar el éxito de un proyecto de Analítica de datos – Parte 1
Todas las organizaciones tienen grandes oportunidades en proyecto de analítica, pero encontrar el equipo correcto y los casos de uso adecuado en muchas ocasiones son el gran reto.
En la actualidad la incorporación de proyectos de analítica avanzada donde la ciencia de datos, el aprendizaje automático (Machine Learning) y la inteligencia artificial es algo común. También se han identificado algunos obstáculos comunes, por ejemplo, empresas que luchan por encontrar los mejores casos de uso para sus proyecto, empresas que no pueden acceder fácilmente a los datos y empresas que carecen del talento técnico o personal con la experiencia necesaria.
En esta primera entrega mencionaré 3 ideas para disminuir el riesgo de fracaso de proyectos de analítica avanzada. Algunos pueden verlo desde la óptica de garantizar el éxito de los proyectos.
1. Asegure el acceso a los datos y cuente con una estrategia integral de datos
En anteriores ocasiones he comentado que un proyecto exitoso de analítica de datos se basa y comienzan con una sólida estrategia de datos. Recordemos que cualquier proyecto de ciencia de datos o Machine Learning es tan bueno como los datos que utiliza, y los datos a menudo son el mayor desafío para adoptar una iniciativa de datos.
Si hay problemas con los datos, los científicos de datos o los ingenieros de datos terminarán dedicando su tiempo a la limpieza y administración de estos, e incluso sentirán frustración. Adicionalmente las empresas deben asegurarse que su estrategia de datos sólida tenga en cuenta los siguiente:
Los datos se ven como un activo de la organización, no como propiedad de los áreas de negocio que crearon o recopilaron los datos.
Los datos se democratizan, lo que significa que están disponibles de manera fácil, segura yd e acuerdo con los requisitos legales y reglamentarios. Es conocido que muchas empresas enfrentan obstáculos para acceder a los datos que ya tienen, y algunos proceso necesitan de conjuntos de datos de diferentes lugares.
Los datos ayudan al análisis, para la toma de mejores decisiones, para ser más competitivos e impulsar la innovación.
Es el momento de preguntarnos los siguiente:
¿Qué datos hoy están disponibles?
¿Qué datos no están del todo disponibles, pero con un esfuerzo moderado podrían estarlo?
¿Qué datos hoy no tengo, pero me gustaría tener en los próximos seis meses o un año, y qué pasos puedo seguir para comenzar a recopilarlos?
¿Existe algún posible sesgo en mis datos o en los orígenes de estos?
2. Seleccione los casos de uso adecuados y establezca métricas de éxito (KPIs)
Las empresas deberían comenzar identificando los inconvenientes o retos de negocio existentes, ver cuáles podrían resolverse mediante proyecto de analítica de datos y definir métricas claras para medir el éxito de estos proyectos. En la definición de estos casos de uso es necesario tener en cuenta aspectos tales como la preparación de los datos, el impacto comercial y la aplicabilidad de la analítica. En pocas palabras seleccionar casos de «Alto impacto».
Tengamos en cuenta que un caso de uso sin muchos datos o aplicabilidad no resulta atractivo para el negocio, incluso puede traer consecuencias en el equipo de analítica (bajar la motivación) y en consecuencia con una gran probabilidad de fracaso. Es probable que el negocio no adopte un caso de uso con una gran cantidad de datos y una alta aplicabilidad del aprendizaje automático, pero con un bajo impacto en el negocio. Ligado al punto anterior, el establecer métricas de éxito, la cuales pueden en muchos casos reflejar el impacto en los ingresos y la eficiencia del proyecto, dará certeza a los patrocinadores sobre los beneficios a obtener.
3. Asegure que los expertos técnicos y de negocio de la mano
Seleccionar el equipo correcto para el desarrollo de un proyecto es fundamental para elegir el caso de uso correcto y para asegurar una implementación exitosa. Además este punto nos ayuda a cerrar las brechas culturales existentes: si las partes interesadas (Stakeholders) son parte de todo el proceso, es más probable que todos acepten, adopten e implementen la solución.
Cuando el equipo técnico, por ejemplo, los científicos de datos, trabajan aislados, los modelos de analítica que dan respuestas a las preguntas de los beneficiarios rara vez son adoptados y en consecuencia se se implementan. Incluso, también es posible detectar en equipo, durante el análisis del reto, que buscar una solución mediante analítica avanzada no es el camino.
No responses yet