Post1

Основано на реальном опыте команды Reshape Analytics.

 

1. Проекты по анализу данных и машинному обучению без четких бизнес-целей и вовлечения топ-менеджмента с большой вероятностью не приведут ни к каким результатам.

 

2. Если в командe аналитического проекта не найдется места для представителей линейного и среднего менеджмента, задействованных в анализируемых бизнес-процессах, впоследствии может не найтись места для продуктов проекта в их работе.

 

3. Не стоит отвечать на вопрос, найдется ли место этому менеджменту в бизнесе после реализации проектов… сделайте это, когда проекты будут завершены.

 

4. Модели машинного обучения прогнозируют будущее, выявляют закономерности исключительно на основе массива располагаемых ими данных и заданной целевой функции. Они не могут заглянуть за пределы данных на входе и сформулировать для себя какую-либо иную цель на выходе, поэтому еще долго наиболее эффективным будет их союз с человеком, который укажет "куда копать", разберется "почему" и "как" у них что-то получилось.

 

 

5. С большой вероятностью в начале проекта вы перепрофилируете его из проекта по машинному обучению в проект по повышению качества данных, а срок исполнения проекта удвоите.

 

6. В первую очередь вы столкнетесь с тем, что у вас хуже всего оцифрованы процессы планирования и принятия управленческих решений. Этот факт дополнительно усложнит последующих анализ предпосылок, повлиявших на формирование данных, которыми вы будете оперировать.

 

7. Лучше всего организовать работу по проекту так, чтобы он шел итеративно и вовлекал с каждым шагом все больше и больше профессионалов, тогда решаемые задачи не будут устаревать, а качество суждений будет постоянно улучшаться.

 

8. Проекты по анализу данных и машинному обучению - комплексные. Учитывайте особенности всех бизнес-процессов и их готовность к масштабированию, чтобы не столкнуться с бутылочным горлышком неготовой к изменениям реальности.

 

 

9. Анализ данных, машинное обучение доступны сейчас каждому. Даже если у вас мало данных, собирая их, организовывая для последующего изучения, вы расширяете знания о своем бизнесе, понимаете его логику и увидите существующие проблемы. Это позволит делать правильные выводы о том, как развиваться дальше.

 

10. Невысокая сложность используемых аналитических методов, среднее качество данных, но с хорошо выстроенным процессом координации, принесут лучшие результаты, чем самые современные методы машинного обучения, безграничное хранилище данных и посредственная координация.

 

11. Использование опыта других компаний, применения практики из других бизнес-функций может оказаться эффективным. Например, методы маркетинговой аналитики могут органично вписаться в HR-аналитику, а методы из аналитической оптимизации цепей поставок - в маркетинг.

 

12. Самая продвинутая организация не та, где работают самые продвинутые аналитики, а та, где все сотрудники - аналитики. Поэтому развивайте в вашей компании аналитическую культуру, открывайте доступ к данным и внедряйте в работу аналитические решения, позволяющие делать продвинутый анализ данных не аналитикам, например, совсем без программирования, как это реализовано в Loginom.