10 Gründe, warum Data-Science-Projekte scheitern

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

Die hohe Ausfallquote

Wenn ich mit meinen Kollegen aus der Datenwissenschaft über erfolgreiche Projekte spreche, die wir in der Vergangenheit durchgeführt haben, taucht ein immer wiederkehrendes Thema auf. Wir fragen uns: Welche unserer Data-Science-Projekte haben es bis zur Implementierung geschafft und werden von dem Unternehmen genutzt, das sie in Auftrag gegeben hat, und welche Projekte sind gescheitert?

Ich denke, für die meisten von uns ist die Realität so, dass nur eine Minderheit unserer Taten am Ende einen Unterschied macht.

Laut einem aktuellen Gartner-Bericht werden nur zwischen 15 und 20 % der Data-Science-Projekte abgeschlossen. CEOs geben an, dass von den abgeschlossenen Projekten nur etwa 8 % einen Mehrwert generieren. Wenn diese Zahlen stimmen, würde dies einer Erfolgsquote von erstaunlichen 2 % entsprechen.

80–85 % der Projekte scheitern vor der Fertigstellung. Dann kommt es zu einem weiteren Rückgang, wenn Organisationen die Erkenntnisse der Datenwissenschaftler nicht umsetzen.

Was ist die Ursache für das Scheitern von Projekten?

Was läuft also schief?

Wenn Sie mit den Datenwissenschaftlern und Analysten sprechen, werden Sie vielleicht hören: „Ich habe ein großartiges Modell erstellt, es hat eine wunderbare Genauigkeit . Warum hat es niemand verwendet?“ Die Geschäftsinteressenten und Führungskräfte waren schwer zu erreichen und uninteressiert .

Wenn Sie mit den Stakeholdern sprechen, werden sie sagen, dass die Datenwissenschaftler ein hübsches Modell erstellt haben und ich von ihren Qualifikationen beeindruckt war, aber es beantwortet unsere Frage nicht.

Mögliche Fehlerursachen

Auf der geschäftlichen Seite

Auf Unternehmensseite gibt es einen Verfechter der Datenwissenschaft, aber diese Person hatte Schwierigkeiten, bei den Führungskräften Fuß zu fassen, um die von den Datenwissenschaftlern empfohlenen Änderungen umzusetzen.
Die Person, die das Projekt in Auftrag gegeben hat, ist in der Organisation weitergekommen und ihr Nachfolger wird sich nicht für das Projekt einsetzen, weil sie dafür keine Anerkennung erhält.
Die Kommunikation ist zusammengebrochen, da die Geschäftsinteressenten zu sehr mit dem Tagesgeschäft beschäftigt waren. Wenn die Beteiligten keine Zeit haben, sich zu engagieren, ist es sehr schwierig, das Projekt zu retten. Dies passiert häufig, wenn die Datenwissenschaftler geografisch weit vom Kern des Unternehmens entfernt sind.

Fast Data Science - London

Need a business solution?

NLP , ML und Data Science Leader seit 2016 – kontaktieren Sie uns für eine NLP- Beratungssitzung.

Data-Science-Projekte sind langfristig angelegt. In dieser Zeit hat das Unternehmen möglicherweise die Richtung geändert oder die Führungskräfte haben möglicherweise die Geduld verloren, auf einen ROI zu warten.
Obwohl einige Interessengruppen beteiligt waren, war die Führungskraft, deren Genehmigung erforderlich war, nie an dem Projekt interessiert. Dies ist häufig bei großen Unternehmen in konservativen Branchen der Fall.

Auf der datenwissenschaftlichen Seite

Der Datenwissenschaftler verlor den Fokus und experimentierte zu lange mit Modellen, als wären sie in der Wissenschaft.
Der Datenwissenschaftler war nicht in der Lage, seine Ergebnisse effektiv den richtigen Personen mitzuteilen.
Der Datenwissenschaftler war auf der Suche nach der falschen Metrik.
Der Datenwissenschaftler verfügte nicht über die richtigen Fähigkeiten oder Werkzeuge für das Problem.

Auf beiden Seiten,

Das Hauptziel des Projekts war der Wissenstransfer, der jedoch nie stattfand, weil das Unternehmen zu beschäftigt war oder der Datenwissenschaftler über unzureichende Kommunikationsfähigkeiten verfügte.

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 zusammenbricht.

Geschäftsfrage : Zunächst sollte das Projekt mit einer Geschäftsfrage beginnen, anstatt sich auf Daten oder Technologien zu konzentrieren. Die Datenwissenschaftler und Führungskräfte sollten gemeinsam in einem Workshop genau formulieren, welche Fragestellung sie lösen wollen. Dies ist die Ausgangshypothese .

Datenerfassung : Zweitens sollte der Datenwissenschaftler damit fortfahren, nur die relevanten Daten zu sammeln, die zur Annahme oder Ablehnung der Hypothese erforderlich sind. Dies sollte so schnell wie möglich geschehen, anstatt zu versuchen, alles perfekt zu machen.

Zurück zu den Stakeholdern: Drittens muss der Datenwissenschaftler den Stakeholdern erste Erkenntnisse präsentieren, damit das Projekt den richtigen Umfang hat und wir festlegen können, was wir erreichen wollen. Zu diesem Zeitpunkt sollten die Geschäftsinteressengruppen umfassend einbezogen werden, und der Datenwissenschaftler sollte sicherstellen, dass sie zu diesem Zeitpunkt verstehen, wie hoch der ROI sein wird, wenn das Projekt fortgesetzt wird. Wenn die Entscheidungsträger zu diesem Zeitpunkt nicht engagiert sind, wäre es Geldverschwendung, das Projekt fortzusetzen.

Untersuchungsphase: Nun fährt der Datenwissenschaftler mit dem Projekt fort. Ich empfehle mindestens wöchentliche Treffen mit dem Hauptakteur und etwas weniger regelmäßige Treffen mit der hochrangigen Führungskraft, deren Unterstützung für das Projekt benötigt wird. Der Datenwissenschaftler sollte einfache gegenüber komplexen bevorzugen und nach Möglichkeit transparente KI-Lösungen wählen. In allen Phasen sollte der Datenwissenschaftler bestrebt sein, sein Engagement aufrechtzuerhalten. Die in Besprechungen mit den Stakeholdern verbrachte Zeit ist keine Verschwendung, sondern fördert das geschäftliche Engagement. Beide Parteien sollten stets im Auge behalten, ob die Untersuchung zu einem ROI für die Organisation führt.

Präsentation der Erkenntnisse: Am Ende des Projekts sollte der Datenwissenschaftler seine Erkenntnisse und Empfehlungen für das Unternehmen dem Stakeholder 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 Executive Summarys als auch ausführliche Übergabedaten für alle Ebenen der auftraggebenden Organisation von der Technik zur Verfügung stehen Leute zum CEO.

Im Abschnitt „Ressourcen“ der Website haben wir eine Checkliste für den Kickoff von Data-Science-Projekten , 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 zu diesem Zeitpunkt für die hochrangigen Führungskräfte klar sein. Die wechselseitige Kommunikation zwischen dem Data-Science-Team und den Stakeholdern sollte eine kontinuierliche Zustimmung und Unterstützung seitens des Unternehmens gewährleisten und außerdem dafür sorgen, dass die Data-Science-Arbeit auf dem richtigen Weg bleibt, um bis zum Ende des Projekts einen Mehrwert zu liefern.