Data-analyseprojecten:van theorie tot praktijk

In mijn laatste blogpost beschreef ik de eerste belangrijke stappen om een ​​succesvol resultaat van een data-analyseproject te verzekeren:

Ten eerste is een nauwe samenwerking tussen de ideeënleverancier (afdeling) en de datawetenschappers een absolute must om het gedefinieerde projectdoel te bereiken. Ten tweede is het noodzakelijk om de kwaliteit en kwantiteit van de gegevens te verifiëren voordat de gegevenswetenschappers aan de slag gaan.

In dit bericht wil ik je op de hoogte houden van enkele aanbevelingen:Hoe werken data-analyseprojecten in de praktijk? Hoe kan het Bosch-voorspellingsmodel worden toegepast in use-cases?

1. Is het doel van het data-analyseproject bereikt?

Bron:Bosch.IO

Soms, zelfs aan het einde van een project, realiseert u zich misschien dat het project zijn doel niet heeft bereikt of volledig heeft gemist. Terwijl u werkt aan het bereiken van uw gedefinieerde projectdoelstellingen, zijn er een aantal punten waarmee u rekening moet houden. Vind hier enkele typische fouten:

a. Onnauwkeurig voorspellingsmodel

Aan het einde van het project kan het zijn dat u zich realiseert dat het resultaat (bijvoorbeeld een voorspellingsmodel) niet aan de vereiste nauwkeurigheid voldoet of de gehoopte nieuwe inzichten oplevert.

Waarom zou dat zijn?

De eerste vraag die je moet stellen is of de vereiste nauwkeurigheid van het model bij aanvang van het project is gedefinieerd. Dit is natuurlijk een basisvoorwaarde en moet vanaf de projectplanningsfase worden overwogen. De eerder genoemde aspecten met betrekking tot datakwaliteit en -kwantiteit kunnen ook leiden tot een onnauwkeurig resultaat omdat de data "niet meer informatie opleveren".

Zo wordt duidelijk dat de uitvoering van het project niet verantwoordelijk is voor het minder dan bevredigende projectresultaat, maar dat er valkuilen aanwezig zijn in de planningsfase die het resultaat aanzienlijk beïnvloeden.

b. Te lang een niet-duurzame use-case nastreven

Vaak zijn bij de start van een project alle betrokkenen euforisch. De technische en commerciële doelstellingen klinken veelbelovend. “Het project moet een succes worden!”

Achter deze zin schuilt echter een risico. Ondanks alle euforie is het belangrijk om een ​​zekere neutraliteit en scepsis te behouden ten aanzien van de (tussen)resultaten. Het hardnekkig nastreven van een niet-duurzame use case kan betekenen dat u uiteindelijk veel tijd en geld in een project investeert zonder het verhoopte resultaat te behalen.

Het is daarom cruciaal om tussentijdse resultaten met een kritische en open geest te analyseren met betrekking tot de haalbaarheid van het bereiken van het projectdoel.

We raden u ten zeerste aan om waarschuwingssignalen in acht te nemen en geen projectdoel na te streven dat realistisch onbereikbaar is, simpelweg omdat u er "moet" komen!

Laat me hier de mantra "fail fast" of "change it" noemen, die stelt dat het beter is om een ​​onbereikbaar doel snel te herkennen of aan te passen dan het na te streven en onnodige middelen te investeren - zonder waarde toe te voegen of een nuttig resultaat te behalen.

Wij bieden ondersteuning in verschillende fasen. Na elke fase analyseert het de tot dan toe behaalde resultaten. Dit maakt het mogelijk om de projectdoelen of onderliggende data op verschillende punten in het proces aan te passen, waardoor risico's transparant en vermijdbaar worden.

2. Theorie en praktijk – van Proof of Concept (PoC) tot operationele use case

Niet alles wat werkt onder “laboratoriumomstandigheden” blijkt in de praktijk effectief te zijn. Helaas is dit de conclusie die we soms moeten trekken aan het einde van een project. Maar eerst moeten we het testen.

Het ontwikkelde voorspellingsmodel heeft gefunctioneerd in lijn met de eisen op basis van de historische trainingsgegevens. Nu is het tijd om het te integreren in de operationele omgeving.

Zelfs in dit vroege stadium kan desillusie optreden. Het voorspellingsmodel is ontworpen om op een besturingssysteem te draaien en voorspellingen te doen in realtime (in het millisecondebereik). Deze vereiste was echter niet bekend toen het model werd ontwikkeld. De algoritmen zijn complex, omdat ze moeten voldoen aan hoge normen met betrekking tot nauwkeurigheid, maar door beperkte middelen kunnen ze niet worden toegepast op de doelhardware.

Dus wat aanvankelijk een geweldig projectresultaat leek, kan uiteindelijk niet worden geïntegreerd in de echte use case. De reden is wederom tekortkomingen in de planningsfase.

We voeren data-analyseprojecten uit in overeenstemming met de CRISP-DM-standaard - met één cruciale toevoeging:we leggen een bijzondere nadruk op het verkrijgen van een deskundig begrip van het probleem van de klant. (Zie ook vraag 3 van de blogpost:Hoe start je een data-analyseproject in de productie.)

Om dit te doen, leren onze data analytics engineers tijdens de Initial Insights-fase meer over de productieprocessen van de klant en het specifieke probleem dat moet worden opgelost. Ze stellen ook veel vragen om een ​​diepgaand begrip te ontwikkelen. Deze fase is uiterst belangrijk voor het succes van het project, omdat het de basis legt voor het leggen van de correlaties tussen de echte processen, problemen en de gegevens. Je kunt geen oplossingen vinden in de digitale wereld als je het proces en het probleem in de echte wereld niet begrijpt.

Bron:Bosch.IO Bron:Bosch.IO

Best practices voor het succes van data-analyseprojecten

Er zijn veel redenen waarom data-analyseprojecten kunnen mislukken. Vaak is er niet één reden alleen; in plaats daarvan ligt het probleem in de som van individuele aspecten.

Besteed de nodige tijd en aandacht aan de voorbereidingsfase en planning van uw data analytics project. Als u de belangrijkste regels en best practices in acht neemt en volgt, bent u op weg naar succes met uw project.