Data science

เหตุใดแพลตฟอร์มการวิเคราะห์จึงล้มเหลว Data Scientists

ด้วยตลาดการวิเคราะห์ที่อิ่มตัวและระบบธุรกิจอัจฉริยะ (A&BI) เหตุใดเราจึงยังคงดิ้นรนเพื่อให้แพลตฟอร์มการวิเคราะห์ทำงานให้กับ Data Scientists และบางทีที่สำคัญกว่านั้นคือ เหตุใดเราจึงไม่เห็นผลตอบแทนจากโครงการ Data Science ที่มีราคาแพงของเรา ไม่ใช่เพราะขาดความพยายาม ขาดการใช้จ่าย หรือขาดความปรารถนา แล้วรออะไรอยู่ล่ะ? อ่านต่อไปเพื่อหาข้อมูล. เมื่อต้นปีนี้ บริษัทวิจัย Market Research Future คาดการณ์ว่าตลาดการวิเคราะห์ข้อมูลทั่วโลกจะมีอัตราการเติบโตต่อปี ผ่าน 30 มีมูลค่าตลาดเกือบ $78 พันล้าน ตามข้อมูลของ Digital Analytics Association เปอร์เซ็นต์ของทีมวิเคราะห์ใช้เวลามากกว่าครึ่งในการเข้าถึงและเตรียมข้อมูล แทนที่จะทำการวิเคราะห์จริง นั่นเป็นระดับการลงทุนที่น่าทึ่งสำหรับผลตอบแทนที่น้อยมาก การนำ BI ไปใช้ล้มเหลวเนื่องจากใช้แพลตฟอร์มการวิเคราะห์ที่ไม่ถูกต้องหรือไม่ ต่อไปนี้คือห้าวิธีที่แพลตฟอร์มการวิเคราะห์ทำให้ Data Scientists ของคุณล้มเหลว: บุคคลที่เลือกแพลตฟอร์มการวิเคราะห์ของคุณไม่ใช่คนที่ใช้หรือได้รับประโยชน์จากข้อมูลเชิงลึก แม้จะมีเจตนาบริสุทธิ์ในตอนเริ่มต้นของกระบวนการประเมิน แต่ก็เป็นเรื่องปกติที่จะเห็นข้อกำหนดด้านการทำงานสำหรับการวิเคราะห์ แพลตฟอร์มมีน้ำหนักอย่างไม่สมส่วนต่อผู้ใช้ที่ปลายอีกด้านของสเปกตรัม แพลตฟอร์มการวิเคราะห์จำนวนมากรองรับผู้ใช้ทั่วไปที่ใช้ข้อมูลเพียงเล็กน้อยเท่านั้น แพลตฟอร์มอื่นๆ ดึงดูดผู้ใช้กลุ่มเล็กๆ ที่ต้องการการวิเคราะห์ที่ซับซ้อนเป็นพิเศษ ซึ่งก็คือนักวิทยาศาสตร์ข้อมูลในฐานผู้ใช้ ในทั้งสองกรณี ฐานผู้ใช้หลักของคุณมีเครื่องมือที่ไม่เหมาะกับความต้องการในชีวิตประจำวันของพวกเขา เราเคยเห็นสถานการณ์ที่แพลตฟอร์มได้รับการประเมินโดยผู้ใช้ที่ไม่ใช่ด้านเทคนิค ซึ่งอาจสร้างความหงุดหงิดให้กับเจ้าหน้าที่ด้านเทคนิคที่ต้องการความซับซ้อนในการวิเคราะห์ในระดับที่ลึกกว่า นอกจากนี้เรายังได้เห็นสถานการณ์ต่างๆ ที่นักวิทยาศาสตร์ด้านข้อมูลกำลังตัดสินใจเกี่ยวกับเครื่องมือนี้ แต่ไม่จำเป็นต้องใช้เวลามากในการคิดเกี่ยวกับผลลัพธ์ทางธุรกิจ บางครั้งทั้งผู้บริหารและนักวิทยาศาสตร์ด้านข้อมูลต่างก็อยู่ในห้องด้วยกัน และถึงแม้อดีตจะเป็นคนตัดสินใจในขั้นสุดท้าย แต่ผู้ที่จะใช้เครื่องมือจริงๆ คือผู้ที่จะทำรายงาน ไม่ได้ขอให้ชั่งน้ำหนักในการตัดสินใจ คุณอาจพูดได้ว่า ถ้าเราต้องการการวิเคราะห์ที่ซับซ้อนกว่านี้ เราจำเป็นต้องเลือกแพลตฟอร์มที่จัดลำดับความสำคัญความต้องการของนักวิทยาศาสตร์ข้อมูล หรือคุณอาจพูดได้ว่า เพื่อสร้างวัฒนธรรมการวิเคราะห์ แพลตฟอร์มต้องใช้งานง่ายที่สุดเท่าที่จะเป็นไปได้ เพื่อให้มีผู้ใช้จำนวนมากที่สุดต้องการใช้งานจริง เพื่อให้การนำการวิเคราะห์ไปใช้ประสบความสำเร็จ จะต้องเน้นที่เปอร์เซ็นต์ 80 ในกลุ่มผู้ใช้ระดับกลางอย่างเต็มที่ แพลตฟอร์มในอุดมคติพบว่าจุดกึ่งกลาง: มีอินเทอร์เฟซผู้ใช้ (UI) ที่เข้าถึงได้ซึ่งผู้ใช้ทั่วไปสามารถชื่นชมได้ แต่มีการวิเคราะห์ที่ซับซ้อนพร้อมความเรียบง่าย เพื่อให้ผู้ใช้ขั้นสูงสามารถสำรวจความท้าทายที่ยากขึ้นได้ กลยุทธ์การวิเคราะห์ของคุณดูดีบนกระดาษ เหตุการณ์ทั่วไปอีกอย่างหนึ่งคือความไม่ตรงกันระหว่างกลยุทธ์การวิเคราะห์ขององค์กรกับการวิเคราะห์แบบวันต่อวันและเวิร์กโฟลว์ข้อมูล การตัดการเชื่อมต่อนี้อาจเกิดขึ้นได้จากหลายสาเหตุ: บ่อยครั้งที่ปรึกษาหรือหุ้นส่วนการดำเนินการที่ให้ความช่วยเหลือในการเลือกแพลตฟอร์มขาดมุมมอง 360 ของธุรกิจหรือมาพร้อมกับการตั้งค่าของผู้ขายที่คิดล่วงหน้า ในกรณีอื่นๆ กระบวนการคัดเลือกผู้ขายที่ขับเคลื่อนภายในจะได้รับการถ่วงน้ำหนักอย่างไม่สมส่วนเพื่อแก้ไขกรณีการใช้งานเฉพาะ ไม่ว่าจะด้วยวิธีใด หากเครื่องมือวิเคราะห์ที่ได้รับเลือกให้เป็นศูนย์กลางของกลยุทธ์การวิเคราะห์ไม่สามารถปรับตัวและรองรับการเปลี่ยนแปลงที่หลีกเลี่ยงไม่ได้กับข้อมูลหรือความต้องการทางธุรกิจ หรือหากไม่สามารถนำผู้ใช้มารวมกันเพื่อทำงานร่วมกันอย่างมีความหมายได้ ก็จะล้มเหลว ตัวอย่างเช่น หากคุณออกแบบเวิร์กโฟลว์ข้อมูลที่กำหนดเพียงเพื่อจะพบว่าคุณไม่สามารถเชื่อมต่อแหล่งข้อมูลหนึ่งที่มีความสำคัญต่อการวิเคราะห์ของคุณและแพลตฟอร์มไม่สามารถรองรับได้ ผู้ใช้อาจหาวิธีแก้ไขปัญหาชั่วคราว อาจเป็นตัวเชื่อมต่อแบบออฟไลน์หรือ เครื่องมือวิเคราะห์ที่แตกต่างกันโดยสิ้นเชิง อนุญาตให้ดำเนินการต่อ ในไม่ช้าคุณอาจพบว่าตัวเองอยู่ในสถานการณ์ที่คุณกำลังใช้ผู้ขายที่แตกต่างกันหกรายเพื่อจัดการส่วนที่ไม่ต่อเนื่องของการวิเคราะห์และไปป์ไลน์ข้อมูลของคุณ สิ่งที่เดิมคิดว่าเป็นการใช้งานที่เรียบง่ายกลายเป็นเรื่องที่ซับซ้อนโดยไม่จำเป็น คุณยังอาจพบว่าตัวเองอยู่ในสถานการณ์ที่พนักงานกำลังใช้ข้อมูลหรือเครื่องมือวิเคราะห์เวอร์ชันของตนเองที่พวกเขารู้สึกสบายใจที่จะใช้มากขึ้น ดังนั้น แม้ว่าคุณจะซื้อและ “ใช้งาน” แพลตฟอร์มการวิเคราะห์ระดับองค์กรที่มีราคาแพงแล้ว คุณอาจพบว่าไม่มีใครใช้ สภาพแวดล้อมที่ยืดหยุ่น ใช้ร่วมกัน และอยู่ภายใต้การควบคุม ช่วยให้คุณยอมรับการเปลี่ยนแปลงในรูปแบบของแหล่งที่มาใหม่และข้อกำหนดด้านโครงสร้างพื้นฐานที่เปลี่ยนแปลงไป แอปพลิเคชันการวิเคราะห์ระดับองค์กรจำเป็นต้องขจัดความยุ่งยากที่เกิดจากการใช้ชุดเครื่องมือหลายชุด ทุกคนที่เกี่ยวข้องกับวงจรการตัดสินใจ ไม่ว่าจะเป็นไอที นักวิเคราะห์ นักวิทยาศาสตร์ข้อมูล ผู้ใช้ในชีวิตประจำวัน จะต้องมีความสามารถในการโต้ตอบกับข้อมูลที่แบ่งปันและสอดคล้องกัน คุณภาพของข้อมูลเป็นเรื่องที่น่าปวดหัวอยู่เสมอ และ Data Scientists ของคุณใช้เวลาในการล้างข้อมูลมากกว่าการวิเคราะห์ เหตุผลที่คุณเลือกใช้แพลตฟอร์มการวิเคราะห์ระดับองค์กรคือการควบคุมข้อมูลทั้งหมดของคุณโดยนำข้อมูลมารวมกันไว้ที่ศูนย์กลาง อย่างไรก็ตาม ในขณะที่คุณสามารถเข้าถึงข้อมูลได้ ดูเหมือนว่าคุณไม่เคยมีข้อมูลที่ชัดเจนหรือข้อมูลที่ตอบคำถามความท้าทายทางธุรกิจที่ยากที่สุดของคุณ และแม้จะพยายามรวมศูนย์ที่จัดเก็บข้อมูลของคุณ แต่ก็ยังอยู่ในหน่วยธุรกิจหรือแผนกต่างๆ คุณอาจเริ่มต้นด้วยวิธีแก้ปัญหาที่สวยงามบนกระดาษ เพียงเพื่อจะพบว่าตัวเองใช้ผู้ขายที่แตกต่างกันหกรายเพื่อแย่งชิงแหล่งข้อมูลหนึ่งๆ Data Scientists เก่งเรื่องการเข้าถึงข้อมูล หากไม่มีสิ่งนี้ พวกเขาจะพัฒนาวิธีแก้ปัญหาชั่วคราวและใช้เวลากับงานที่มีผลกระทบน้อยกว่า เช่น การล้างข้อมูลและการทำให้เป็นมาตรฐาน นี่คือสถานการณ์สมมติทั่วไปทั้งหมด: นักวิทยาศาสตร์ข้อมูลถูกขอให้เตรียมการวิเคราะห์ในแหล่งข้อมูล หากข้อมูลไม่ได้รับการปรับให้เหมาะสมสำหรับการวิเคราะห์ พวกเขาจะต้องใช้เวลาในการเตรียมข้อมูลก่อน จากนั้นพวกเขาอาจเตรียมการวิเคราะห์โดยใช้แอปพลิเคชันซอฟต์แวร์แมชชีนเลิร์นนิง (ML) แบบสแตนด์อโลน จากนั้นจึงส่งออกไฟล์แบบแฟลตเพื่อให้นักวิเคราะห์ธุรกิจโหลดซ้ำลงในแอปพลิเคชัน BI ที่ทำงานบนเดสก์ท็อปหลายตัว ซึ่งส่งผลให้มีวงจรการแยก นำเข้า วิเคราะห์ ส่งออก นำเข้าใหม่ และวิเคราะห์ข้อมูลซ้ำอย่างต่อเนื่อง กระบวนการทั้งหมดนั้นยุ่งยากและไม่มีประสิทธิภาพ ข้อมูลเชิงลึกที่มีความหมายที่ได้จากการริเริ่ม AI และ ML ยังคงมีอยู่อย่างจำกัด การทำให้กระบวนการเป็นมาตรฐานเป็นสิ่งสำคัญสำหรับคุณภาพของข้อมูลที่จะสูง การทำซ้ำ (หรือการจำลอง) การไหลของข้อมูลเป็นสิ่งสำคัญ สิ่งสำคัญคือกลไกในการทำเช่นนี้สำหรับผู้ใช้ส่วนใหญ่ ซึ่งมักจะเป็นเรื่องยากเมื่อคุณมีหลายแอปพลิเคชันที่เป็นส่วนหนึ่งของกลุ่มการวิเคราะห์ของคุณ การนำส่วนต่างๆ ของเวิร์กโฟลว์การวิเคราะห์มาใช้ เช่น การเตรียมข้อมูล การรวมอัลกอริธึม ML การเตรียมการสร้างแบบจำลอง การสร้างภาพข้อมูล และการประกอบแดชบอร์ดและรายงาน ลงในแอปพลิเคชันเดียวทำให้สร้าง (และทำให้) เวิร์กโฟลว์ข้อมูลขึ้นใหม่ได้ง่ายขึ้น คุณมุ่งเน้นที่การเพิ่มประสิทธิภาพเวิร์กโฟลว์ Machine Learning ของคุณจนคุณมองไม่เห็นภาพรวม เครื่องมือวิเคราะห์ที่ไม่ถูกต้อง—หรือแอปพลิเคชัน ML แบบสแตนด์อโลนทั้งหมด—สามารถแยกนักวิทยาศาสตร์ข้อมูลของคุณออกจากการปฏิบัติในการวิเคราะห์ในชีวิตประจำวัน หากเครื่องมือไม่มีสภาพแวดล้อมที่ผู้ใช้ขั้นสูงสามารถทำงานร่วมกับผู้ใช้แพลตฟอร์มทั่วไปได้ กระบวนการทั้งหมดก็จะแตกย่อยออกไปอีก ดังนั้น ในตอนนี้ ไม่เพียงแต่จะมีคลังข้อมูลเท่านั้น แต่ยังมีกลุ่มของการวิเคราะห์อีกด้วย—ประเภทผู้ใช้ที่แตกต่างกันกำลังดำเนินการวิเคราะห์ของตนเองด้วยแอปพลิเคชันของตนเอง นักวิทยาศาสตร์ข้อมูลจะเติบโตได้ดีเมื่อสร้างอัลกอริธึม การตั้งค่าพารามิเตอร์ของแบบจำลอง และผลการทดสอบ ด้วยเครื่องมือที่ไม่ถูกต้อง งานจริงส่วนใหญ่ที่พวกเขาทำนั้นดูธรรมดากว่ามาก: การล้างข้อมูล การบำรุงรักษาที่เก็บข้อมูล การหาวิธีแชร์ผลลัพธ์อย่างมีความหมายกลับไปยังผู้ใช้ทางธุรกิจ แพลตฟอร์มการวิเคราะห์ควรทำให้ส่วนที่ไม่สนุกนั้นง่ายขึ้นมาก เพื่อให้นักวิทยาศาสตร์ข้อมูลสามารถใส่แบบจำลอง อัลกอริทึม และรายงานลงในสภาพแวดล้อมการผลิตได้รวดเร็วยิ่งขึ้น ลักษณะเฉพาะของธุรกิจทำให้ผู้ใช้วิเคราะห์ขั้นสูงของคุณเครียด คุณน่าจะสร้างความคิดริเริ่มของ AI และ ML เพราะคุณตระหนักดีว่าในการเพิ่มความสามารถในการวิเคราะห์ คุณต้องมุ่งมั่นที่จะจ้างนักวิทยาศาสตร์ข้อมูล ลงทุนในโครงสร้างพื้นฐานของ Big Data และเลือกเทคโนโลยีการวิเคราะห์ที่ สามารถนำข้อมูลเชิงลึกขั้นสูงมาสู่สถานการณ์ทางธุรกิจทั่วไปได้ สิ่งที่มักจะเกิดขึ้นคือความกระตือรือร้นโดยทั่วไปขององค์กรในการยอมรับการวิเคราะห์ รวมกับลักษณะเฉพาะของธุรกิจ ซึ่งจะครอบงำทรัพยากรด้านวิทยาศาสตร์ข้อมูลของคุณอย่างรวดเร็ว ตัวอย่างเช่น รองประธานฝ่ายการตลาดมาที่ทีมวิทยาศาสตร์ข้อมูลเพื่อถามว่าแคมเปญโฆษณาบนโซเชียลและกลุ่มเป้าหมายใดที่ส่งสัญญาณถึงความตั้งใจสูงสุดในการซื้อโดยพิจารณาจากพฤติกรรมในอดีต จากนั้นรองประธานฝ่ายขายจะถามว่าผลิตภัณฑ์และตลาดใดที่พวกเขาควรจัดลำดับความสำคัญตามยอดขายในปัจจุบัน โดยการแยกแต่ละคำขอนั้นสมเหตุสมผลและมีค่า อย่างไรก็ตาม หากทีมวิทยาศาสตร์ข้อมูลของคุณทำทุกอย่างนอกกระแสข้อมูลปกติของคุณ (ด้วยเครื่องมือแบบสแตนด์อโลน) กระบวนการจากมุมมองของทรัพยากรพนักงานจะไม่มีประสิทธิภาพและถูกตัดการเชื่อมต่อจากองค์กรที่กว้างขึ้น หากไม่มีกระบวนการที่เข้มงวดในการจัดการโปรเจ็กต์ขั้นสูงเหล่านี้ นักวิทยาศาสตร์ข้อมูลของคุณจะถูกขยายอย่างรวดเร็ว: พวกเขาทำซ้ำงานที่ใช้เวลานาน และไม่ได้ให้คุณค่าแก่องค์กรจากมุมมองเชิงกลยุทธ์ที่กว้างขึ้น หากคุณกำลังใช้แพลตฟอร์มที่รวบรวมสิ่งเหล่านี้ไว้ในสภาพแวดล้อมเดียว คุณสามารถนำแบบจำลองไปใช้งานจริงได้อย่างรวดเร็วและง่ายดายยิ่งขึ้น นอกจากนี้ ผลลัพธ์ยังถูกรวมเข้าด้วยกันและพร้อมใช้งานมากขึ้นอีกด้วย สิ่งที่ต้องทำแทน ในบทความนี้ เราได้อธิบายวิธีสำคัญทั้งหมดที่แพลตฟอร์มการวิเคราะห์ที่ไม่ถูกต้องอาจทำให้ Data Scientists ของคุณล้มเหลว เราพบว่าสูตรสำเร็จรวมถึงแพลตฟอร์มการวิเคราะห์แบบ end-to-end ที่กำหนดเป้าหมายไปยังกลุ่มผู้ใช้ที่กว้างที่สุด กุญแจสำคัญคือการสร้างสภาพแวดล้อมการวิเคราะห์ที่มีชุดเครื่องมือและฟังก์ชันเฉพาะที่เป็นประโยชน์ต่อผู้เข้าร่วมในวงจรการตัดสินใจ ผู้ใช้ปลายทาง และนักวิทยาศาสตร์ข้อมูล สิ่งนี้จะเพิ่มมูลค่าไม่เพียงแต่ในระดับแผนก แต่ทั่วทั้งองค์กร ในขณะที่การนำผู้ใช้ไปใช้เพิ่มขึ้น ผู้นำด้านไอทีและการวิเคราะห์ยังคงมองเห็นข้อมูลที่สำคัญเกี่ยวกับการใช้ข้อมูล ด้วยวิธีนี้ ในที่สุด Analytics ก็จะเริ่มนำเสนอคำแนะนำที่นำไปปฏิบัติได้สำหรับความต้องการทางธุรกิจทั้งหมดทั่วทั้งองค์กร

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button