Efektivita projektů v oblasti Data Science je v současnosti jedním z nejžhavějších témat Business Intelligence. Na jedné straně uvažujeme o obrovském potenciálu umělé inteligence pro sofistikované byznysové využití, na straně druhé ale vidíme tvrdou realitu. Velké společnosti, jako jsou třeba bankovní instituce, se marně snaží nasadit pokročilá datová řešení a začlenit je do své ne vždy moderní infrastruktury. Podle společnosti Gartner zůstává 75 % dat shromážděných podniky nevyužito a více než polovina datových analytických modelů se nikdy nedostane do produkce. Jaké jsou příčiny takové neefektivnosti?
Budování analytických kompetencí
Společnosti nutnosti budování svých datových kompetencí bezesporu rozumí. Zejména v oblastech jako bankovnictví a pojišťovnictví o tom není pochyb. Data jsou drahocenným zdrojem a je nutné jim porozumět a využívat je v co nejvyšší možné míře. Je zcela nezbytné, aby se schopnost interních datově-analytických oddělení porozumět byznys tématům neustále zdokonalovala a rozvíjela. Byznys know-how musí zůstat „in-house“.
Data Science a analytické kompetence jsou proto klíčovou iniciativou každé moderní datově řízené společnosti. Ty se neobejdou bez kvalitního týmu se širokou škálou znalostí a technologických dovedností. Proto je nezbytné najít a zaměstnat vysoce specializované odborníky se silnými matematickými, statistickými a technickými znalostmi, kteří budou však zároveň schopni porozumět složitosti dané byznysové oblasti.
Budování takto komplexní a široce propojené kompetence datové analytiky je velmi náročný a svízelný proces. Samotný nábor náležitě kvalifikovaných odborníků je na současném trhu velice komplikovaným úkolem.
Výzkum vs. byznys
Udělat z vědecky nadaných, avšak v daném oboru často nezkušených talentů experty s doménovou znalostí je nedílnou součástí výzkumu a vývoje každého odvětví. V praxi je výsledkem takové přeměny posun od surového výzkumu dat k plně funkčnímu vývojovému procesu. Ano, hovoříme zde o výzkumu a vývoji (a jejich prvním skutečném kontaktu s bankovnictvím po velmi dlouhé době).
Je nezbytné pochopit, že základní myšlenkou výzkumu je zjistit, co funguje a co ne. Z tohoto úhlu pohledu čísla zmíněná na začátku článku ve skutečnosti nevypadají tak špatně – v oblasti akademického (i aplikovaného) výzkumu je 40% využitelnost řešení poměrně vysoké číslo.
Na druhou stranu, byznys vyžaduje plánování a měřitelnost úspěchu a ziskovosti. Oblast datové analytiky tedy přirozeně nemůže být pouze výzkumnou činností. Proto musí být řízena a plánována stejně jako jakýkoliv jiný projekt. Z pohledu projektového řízení lze říci, že se vždy jedná o otázku rizika.
Data Science projekty
Realizace projektů v prostředí s nízkou mírou datové vyspělosti znamená vysoké riziko i pro nejjednodušší úlohy. Nezáleží pouze na zkušenostech členů týmu, ale také na kvalitě provedeného výzkumu, množství objevených slepých cest a také na tom, kolik informací z dat již bylo vytěženo a správně pochopeno.
Výběr těch správných datově analytických projektů je zcela zásadní! Samotná realizace pak není nikdy rutinní prací – pokud by tomu tak bylo, nemluvili bychom o výzkumných projektech přinášejících nové poznatky a konkurenční výhodu, ale spíše o aplikacích známých technologií s očekávanými výsledky. Tak tomu ale není. To, že takové projekty nejsou rutinní, však neznamená, že jsou bez jakéhokoli řádu. Využití správné metodiky výzkumu, dobré návyky, zkušenosti a adekvátní porozumění datům významně eliminuje rizika a pomáhá identifikovat špatný směr hned na samém začátku.
Cesta k úspěchu
Jak již bylo zmíněno, kompetence v oblasti datové analytiky jsou klíčovým prvkem úspěchu, k jehož budování jsou nezbytné odborné znalosti i správná metodika. Díky nim váš výzkum neskončí v začarovaném kruhu a vy se budete schopni plně soustředit na plození nových poznatků a kýžených řešení pro váš byznys.
- Vyberte si správné „technologie“, které vám budou dobře sloužit, ale zároveň vám umožní udržet si technologickou nezávislost.
- Vždy se držte vytyčených cílů, stanovujte kritéria a měřte úspěch.
- Používejte iterativní přístup a postupujte od malých projektů, které vám přinesou velkou hodnotu, k větším řešením. To vám umožní sledovat správný směr vývoje.
- Při plánování a realizaci vždy zvažujte rizika. Je důležité využívat interní kompetence, ale v případě potřeby být připraven využít i externí zdroje.
- Zahrňte do vaší infrastruktury fungující řešení a využívejte osvědčené postupy. To vám pomůže dále rozvíjet své datové kompetence.
- Zapojte do procesu zkušené konzultanty s potřebnými doménovými znalostmi a technologickými dovednostmi.
Renomovaní externí dodavatelé znají osvědčené metody a technologie a disponují cennými zkušenostmi z obdobných projektů, čímž vám mohou pomoci se sdílením rizik. Obvykle se zaměřují na řešení podobných typů úloh, díky čemuž jsou schopni aplikovat opětovně použitelné postupy, využívat dílčí řešení a celý proces tak realizovat rychleji a s větší jistotou. Díky tomu zvládají přijímat větší rizika, obohacovat svými zkušenostmi váš tým a přinášet významnou přidanou hodnotu.
Autor: Lukáš Dvořák
Big Data & Data Science kompetence