10 Gründe, warum Data-Science-Projekte scheitern

Mehr als 80 % der Data-Science-Projekte scheitern und erzielen nie einen ROI für das Unternehmen. Was steckt hinter der hohen Misserfolgsrate und wie können wir das ändern?

Die hohe Ausfallrate

Wenn ich mit meinen Data-Science-Kollegen über erfolgreiche Projekte spreche, die wir in der Vergangenheit durchgeführt haben, kommt immer wieder ein Thema zur Sprache. Wir fragen uns, welche unserer Data-Science-Projekte es bis zur Markteinführung geschafft haben und von dem Unternehmen genutzt werden, das sie in Auftrag gegeben hat, und welche Projekte sind gescheitert?

Ich glaube, für die meisten von uns besteht die Realität darin, dass nur ein kleiner Teil dessen, was wir tun, letztlich einen Unterschied macht.

Einem aktuellen Gartner-Bericht zufolge werden nur zwischen 15 und 20 % der Data Science-Projekte abgeschlossen. Von den abgeschlossenen Projekten generieren nach Angaben der CEOs nur etwa 8 % einen Mehrwert. Wenn diese Zahlen stimmen, ergäbe sich eine Erfolgsquote von erstaunlichen 2 %.

80–85 % aller Projekte scheitern, bevor sie abgeschlossen sind. Ein weiterer Rückgang ist zu verzeichnen, wenn es den Organisationen nicht gelingt, die Erkenntnisse der Datenwissenschaftler umzusetzen.

Was ist die Hauptursache für das Scheitern von Projekten?

Was läuft also schief?

Wenn Sie mit Datenwissenschaftlern und -analysten sprechen, hören Sie vielleicht: „Ich habe ein großartiges Modell erstellt, es ist unglaublich genau , warum hat es niemand verwendet?“ Die Geschäftspartner und Führungskräfte waren schwer zu erreichen und zeigten kein Engagement .

Wenn Sie mit den Beteiligten sprechen, werden diese sagen: „Die Datenwissenschaftler haben ein hübsches Modell erstellt und ich war von ihren Qualifikationen beeindruckt“, aber das beantwortet unsere Frage nicht.

Mögliche Fehlerursachen

Auf der geschäftlichen Seite

1. Auf der Unternehmensseite gibt es einen Verfechter der Datenwissenschaft, dieser hatte jedoch Schwierigkeiten, die Führungskräfte davon zu überzeugen, die von den Datenwissenschaftlern empfohlenen Änderungen umzusetzen.

2. Die Person, die das Projekt in Auftrag gegeben hat, hat innerhalb der Organisation einen anderen Posten eingenommen, und ihr Nachfolger wird das Projekt nicht weiterführen, da er dafür keine Anerkennung bekommt.

3. Die Kommunikation ist zusammengebrochen, da die Geschäftspartner zu sehr mit dem Tagesgeschäft beschäftigt waren. Wenn die Geschäftspartner keine Zeit haben, sich zu engagieren, ist es sehr schwer, das Projekt zu retten. Dies passiert häufig, wenn die Datenwissenschaftler geographisch weit vom Kerngeschäft entfernt sind.

1. Data Science-Projekte sind langfristig angelegt. In dieser Zeit hat das Unternehmen möglicherweise seine Ausrichtung geändert oder die Führungskräfte haben möglicherweise die Geduld verloren, während sie auf einen ROI gewartet haben.

2. Obwohl einige Stakeholder beteiligt waren, war die Führungskraft, deren Zustimmung erforderlich war, nie an dem Projekt interessiert. Dies ist häufig in großen Unternehmen in konservativen Branchen der Fall.

Auf der Seite der Datenwissenschaft

1. Der Datenwissenschaftler verlor seinen Fokus und verbrachte zu viel Zeit damit, mit Modellen zu experimentieren, als ob er an einer Universität arbeiten würde.

2. Der Datenwissenschaftler war nicht in der Lage, seine Ergebnisse den richtigen Leuten effektiv mitzuteilen.

3. der Datenwissenschaftler war auf der Suche nach der falschen Messgröße.

4. Der Datenwissenschaftler verfügte nicht über die richtigen Fähigkeiten oder Werkzeuge für das Problem.

Auf beiden Seiten,

1. Das Hauptziel des Projekts war ein Wissenstransfer, der jedoch nie stattfand, weil das Unternehmen zu beschäftigt war oder die Kommunikationsfähigkeiten des Datenwissenschaftlers unzureichend waren.

Wie können wir das Scheitern von Data-Science-Projekten verhindern?

Wir müssen das Data-Science-Projekt effektiv in eine Reihe von Phasen strukturieren, damit die Zusammenarbeit zwischen dem Analyseteam und dem Unternehmen nicht abreißt.

Geschäftsfrage : Das Projekt sollte zunächst mit einer Geschäftsfrage beginnen, anstatt sich auf Daten oder Technologien zu konzentrieren. Die Datenwissenschaftler und Führungskräfte sollten gemeinsam in einem Workshop die Frage formulieren, die sie lösen möchten. Dies ist die Ausgangshypothese .

Datensammlung : Zweitens sollte der Datenwissenschaftler nur die relevanten Daten sammeln, die zum Akzeptieren oder Ablehnen der Hypothese erforderlich sind. Dies sollte so schnell wie möglich erfolgen, anstatt zu versuchen, alles perfekt zu machen.

Zurück zu den Stakeholdern: Drittens muss der Datenwissenschaftler den Stakeholdern erste Erkenntnisse präsentieren, damit der Umfang des Projekts richtig eingeschätzt werden kann und wir festlegen können, was wir erreichen wollen. An diesem Punkt sollten die geschäftlichen Stakeholder umfassend einbezogen werden, und der Datenwissenschaftler sollte sicherstellen, dass sie bereits jetzt verstehen, wie hoch der ROI sein wird, wenn das Projekt fortgeführt wird. Wenn die Entscheidungsträger an diesem Punkt nicht einbezogen werden, wäre es Geldverschwendung, das Projekt fortzusetzen.

Untersuchungsphase: Jetzt führt der Datenwissenschaftler das Projekt weiter. Ich empfehle mindestens wöchentliche Besprechungen mit dem Hauptbeteiligten und etwas weniger regelmäßige Besprechungen mit dem hochrangigen Manager, dessen Unterstützung für das Projekt benötigt wird. Der Datenwissenschaftler sollte einfache gegenüber komplexen bevorzugen und, wo immer möglich , transparente KI-Lösungen wählen. In allen Phasen sollte der Datenwissenschaftler danach streben, das Engagement aufrechtzuerhalten. Die Zeit, die in Besprechungen mit dem Beteiligten verbracht wird, ist nicht verschwendet, sondern fördert das geschäftliche Engagement. Zu jedem Zeitpunkt sollten beide Parteien im Auge behalten, ob die Untersuchung auf einen ROI für die Organisation hinausläuft.

Präsentation der Erkenntnisse: Am Ende des Projekts sollte der Datenwissenschaftler seine Erkenntnisse und Empfehlungen für das Unternehmen den Stakeholdern und allen anderen hochrangigen Führungskräften präsentieren. Sie können es mit den Materialien übertreiben: Erstellen Sie eine Präsentation, eine Videoaufzeichnung, ein Whitepaper und übergeben Sie auch Quellcode, Notizbücher und Daten, sodass sowohl Zusammenfassungen als auch ausführliche Übergabedaten für alle Ebenen der beauftragenden Organisation vom technischen Personal bis zum CEO verfügbar sind.

Im Abschnitt „Ressourcen“ der Website haben wir eine Checkliste zum Start eines Data-Science-Projekts , ein Risikotool für NLP-Projekte und einen Data-Science-Roadmap-Planer bereitgestellt, die auf unseren Erfahrungen mit Schwachstellen und Risikofaktoren basieren.

Wenn die oben genannten Schritte befolgt werden, sollte der Wert für die Führungskräfte zu diesem Zeitpunkt klar sein. Die wechselseitige Kommunikation zwischen dem Data Science-Team und den Stakeholdern sollte eine kontinuierliche Zustimmung und Unterstützung durch das Unternehmen sicherstellen und die Data Science-Arbeit auf Kurs halten, um bis zum Ende des Projekts einen Mehrwert zu liefern.

Verweise

• Henrion, Warum die meisten Big Data Analytics-Projekte scheitern (2019)

• Laut van der Meulen, Gartner plant fast die Hälfte der CIOs den Einsatz künstlicher Intelligenz (2018)