4 errori comuni per cui i progetti di Data Science falliscono


Condividi:

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram

Sempre più aziende stanno abbracciando la Data Science come strumento di analisi dei dati a loro disposizione.

Molte di esse non riescono però a tradurre i loro progetti di Data Science in un vero valore di business.

In poche parole, tradurre l’analisi dei dati in un ritorno economico per la propria compagnia.

In questo articolo, cercheremo di capire quali sono gli errori che le aziende commettono quando iniziano un progetto di Data Science e come evitarli.

Per cui, ecco i 4 errori comuni che le aziende commettono nei progetti di Data Science.

Infatuazione per la Data Science

Molto spesso, le aziende tendono a voler utilizzare gli strumenti di Data Science là dove non ce ne è in realtà bisogno.

Un esempio è dato da una banca indiana che aveva assunto un Data Scientist specializzato nell’analisi di dati tramite l’algoritmo k-nearest neighbour.

Il motivo dell’assunzione era quello di utilizzare l’algoritmo per trovare tra le aziende clienti della banca, le più profittevoli.

Utilizzare il Data Science in questo modo è come andare a fare la spesa al supermercato con uno Space Shuttle.

Infatti, la banca poteva scoprire le sue aziende più profittevoli con strumenti e calcoli molto più semplici e che avevano già a disposizione.

In questo caso, si tratta di un’infatuazione della banca per la scienza dei dati, visto come lo strumento per risolvere tutti i loro problemi.

Al contrario, sarebbe stato più utile utilizzare gli strumenti di Data Science per capire quali sono i clienti più profittevoli, ovvero spostare l’analisi a livello delle persone fisiche rispetto che alle aziende.

Non riconoscere le sorgenti di bias

Il problema più grande per le aziende che cercano di ottenere valore di business dal Data Science è come distinguere in anticipo le fonti di bias e assicurarsi che non si insinuino nei modelli.

Questo è un grattacapo comune per chi investe in progetti di Data Science, perché gli esperti di Data Science stessi molto spesso non riescono a dire esattamente da dove gli algoritmi tirano fuori i risultati dai dati.

Inoltre, non sanno spesso dire se ci sono dei bias nei dati acquisiti.

Un modo per evitare questa difficoltà, è permettere ai Data Scientist che hanno iniziato da poco a lavorare in azienda, di capire quali sono le sorgenti da cui provengono i dati.

Magari affiancare al Data Scientist un esperto del business dell’azienda che gli permetta di capire potenziali variabili che possono dare dei bias.

Progetto di Data Science e business tradizionale: sincronizzazione sbagliata

Un errore che le aziende commettono quando decidono di affidarsi al Data Science è quello di non effettuare una sincronizzazione tra il processo legato al progetto stesso ed il processo di business collegato.


Per evitare questo, occorre necessariamente collegare i progetti con le strategie di business di cui la compagnia ha bisogno.

Per fare ciò, ad esempio, si potrebbero integrare i Data Scientist direttamente nei team aziendali sulla base di un progetto.

In questo modo, i Data Scientist possono confrontarsi con il team aziendale, diventando più consapevoli delle sue priorità e scadenze e, in alcuni casi, anticipando effettivamente le esigenze aziendali.

In più, se durante l’analisi il team scopre un insight utile per il team aziendale, glielo può far subito notare.

Target di clienti sbagliato

Quando un’azienda investe tempo e denaro in un progetto di Data Science con lo scopo di creare un tool per i propri clienti finali, occorre capire i clienti a cui ci si sta riferendo.

Ad esempio, un azienda finanziò un progetto di Data Science per la creazione di un tool per la propria applicazione basato sul recommendation system, in modo da aiutare i clienti nelle proprio scelte di prodotto.

L’azienda scoprì che gli utenti non usavano molto il sistema o comunque non ascoltavano i loro consigli. Questo perché i clienti dubitavano della credibilità dei loro consigli.

Il problema qui non sta nel modello di raccomandazione, come si potrebbe pensare in un primo momento, ma nel dubbio dei clienti sulla credibilità dell’azienda.

Occorre dunque migliorare il modo in cui i consigli vengono forniti ai clienti.

Un modo per risolvere questo ostacolo potrebbe essere quello di affiancare al team che sviluppa il tool, il personale che si occupa delle relazioni con i clienti.

Conclusioni

In questo articolo ti ho mostrato quali sono i 4 errori comuni in cui le aziende falliscono nell’applicazione di progetti di Data Science.

È ormai facile cadere nell’infatuazione di usare questa materia per risolvere qualsiasi cosa, ma bisogna usarla con moderazione e attenzione.

Conosci altri errori? Fammelo sapere nei commenti.

A presto e al prossimo articolo

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram
Fabio Bernardini

Fabio Bernardini

Sono laureato in Ingegneria delle Telecomunicazioni e adesso lavoro come dottorando al Dipartimento di Ingegneria dell’Informazione a Pisa. Mi occupo di progettare sistemi di localizzazione in tempo reale in ambienti indoor o outdoor in ambito Internet of Things per l’Artificial Intelligence e il Data Science. Sono in costante contatto con persone che come me credono che l’Internet of Things sia la base per la rivoluzione digitale del nostro Paese. Per tale motivo creo contenuti su questo ambito e mi aggiorno continuamente.

Iscriviti
Notificami
guest
0 Commenti
Inline Feedback
Vedi tutti i commenti
Neuragate