7 raisons pour lesquelles l’analyse et l’apprentissage automatique ne parviennent pas à atteindre les objectifs commerciaux

Solution: Les équipes de science des données devraient envisager quelques techniques pour résoudre ce problème, notamment la mise en œuvre de tests A/B pour mesurer l’impact sur les utilisateurs de différentes implémentations et une enquête qualitative sur les utilisateurs finaux. Les développeurs et les data scientists doivent également s’assurer que les applications et les flux de travail sont observables pour capturer et examiner les problèmes de performances, logicieldes problèmes avec les modèles d’apprentissage automatique ou des problèmes d’utilisabilité.

Fournissez des analyses sans automatisation ni intégration

Mettre davantage de données, de prédictions, de tableaux de bord et de rapports entre les mains des utilisateurs finaux peut être précieux, mais cela entraîne un coût potentiel en termes de productivité. Les équipes de science des données peuvent créer davantage de travail pour les employés lorsque les outils de reporting déployés sont déconnectés des plateformes utilisées pour les flux de travail et la prise de décision. Une deuxième préoccupation concerne les cas où les analyses offrent de nouvelles informations, mais où un travail manuel important est nécessaire pour les exploiter. L’automatisation et l’intégration doivent être des priorités du programme de livraison d’analyses.

« Les analyses sont conçues pour être utilisées par des humains, et elles constituent la partie qui n’est pas évolutive », dit-il. Vanja Josifovski, PDG et co-fondatrice de Kumo. « La plupart des cas d’utilisation clés en entreprise, tels que la personnalisation et les recommandations, sont prédictifs. « La voie à suivre pour libérer de la valeur ici est de rendre l’apprentissage automatique plus facile et plus automatisé, puis de l’étendre aux cas d’utilisation de l’IA. »