Sauter dans le train de l'analytique: le faire correctement

Il y a aujourd'hui beaucoup de battage publicitaire autour de l'analyse et le potentiel des entreprises est véritablement excitant. Mais si vous n’avez pas la bonne approche, vous risquez peut-être d’échouer avant même de commencer.

L’analyse est au sommet de son cycle de battage médiatique. Partout où vous regardez, c’est une conversation au niveau du conseil. Les PDG ont clairement indiqué que s'ils n'intègrent pas l'analyse et la science des données, ils périront. Chaque programmeur veut devenir un scientifique de données. Les sociétés de capital-risque injectent de l'argent dans des sociétés d'analyse, exactement comme lors de la bulle Internet. Si le battage médiatique existe, il doit également y avoir une opportunité. C’est précisément la raison pour laquelle il est devenu très facile de recruter un dirigeant de Fortune 100 pour écouter une start-up dans le domaine de l’analyse. Cependant, la conversation se déroule de la manière suivante (EC désigne ici un client enthousiaste):

EC: L’un des principaux points de mon ordre du jour cette année consiste à inclure la science des données et l’apprentissage automatique dans ma BU / organisation. Moi: Excellent. Quel est le problème commercial que vous essayez de résoudre en utilisant la science des données?

EC: Je veux faire des prédictions. Avez-vous une offre d’analyse prédictive?

Moi: C’est génial et oui, nous en avons. Mais que voulez-vous prédire?

EC: Vous devez comprendre cela, car vous êtes un expert et avez une offre d'analyse prédictive. Quoi qu'il en soit, que pouvez-vous prédire pour moi?

Moi: Nous pouvons faire des prévisions d’échec, de prévision de répartition des actifs, de dégradation d’actifs, etc. Avez-vous les données nécessaires? Dites les données du capteur de série temporelle? Environ 3-6 mois?

EC: Pas grand chose. Nous collectons des données via des capteurs et avons des données de processus? Nous avons de très vieilles machines, mais nous n’y avons jamais vraiment installé de capteurs. Pouvez-vous appliquer l'apprentissage automatique sur ces machines?

Moi: L'apprentissage automatique pour résoudre quoi? Sans données, la machine ne peut rien apprendre et il serait donc préférable de reprendre l'engagement lorsque vous êtes prêt.

EC: Ok. Je te tiendrai au courant. Merci pour votre temps.

Maintenant, quel est le défaut de cet argument? Le fait même que le client n’ait pas réfléchi au problème qu’il souhaitait résoudre, ne se demandait pas s’il disposait des données ni n’envisageait ce que la solution allait apporter était fondamentalement le début d’une spirale descendante. Faire un apprentissage automatique parce que la haute direction a un agenda autour de lui ou que vous avez entendu votre concurrent l'appliquer n'est pas la meilleure façon d'aborder le problème. Ci-dessous, les questions que vous devriez vous poser pour voir si vous avez réellement besoin de la science des données et de l'apprentissage automatique:

1. Quel est le problème que je tente de résoudre?
2. Quelles données ai-je pour résoudre ce problème?
3. Est-ce que je cherche à prédire? Est-ce que je prédis des problèmes? Si oui, est-ce que j'ai suffisamment d'informations sur ces problèmes?
4. Mes données sont-elles volumineuses et complexes (grand nombre d'attributs) ou petites et simples (attributs limités)?
5. Quels seraient les critères de succès si je devais s'engager auprès d'une société d'analyse aujourd'hui?

Trois piliers clairs doivent être pris en compte:

1. Un problème clair et défini
2. Les données permettant de résoudre le problème
3. Critères de réussite pour élaborer l'analyse de rentabilisation

Si aucun de ces trois ne sont remplies alors le projet est susceptible d'échouer. J'ai des clients qui ont investi des milliers de dollars dans le Big Data de la même manière, pour me rendre compte qu'ils n'avaient jamais défini d'énoncé de problème pour celui-ci. Suivez la stratégie KISS (restez simple et stratégique) ici et tout ira bien.