Risolvere la delusione di Data Science Insights

I data scientist sono già difficili da trovare e costosi da assumere. Tuttavia, molte aziende con investimenti significativi nei team di scienza dei dati rimangono scarse e reattive invece di essere leader lungimiranti guidati da informazioni basate sui dati.

“In alcune organizzazioni sembra esserci una discrepanza tra le aspettative dei leader aziendali e ciò che un data scientist può fornire realisticamente. Man mano che i leader aziendali apprendono la scienza dei dati, molti credono che l’intelligenza artificiale (AI) e la scienza dei dati possano trasformare istantaneamente le loro attività”, afferma Suganthi Shivkumar, vicepresidente dell’Asia presso Alteryx.

“Somigliava a una piramide invertita, la parte superiore ampia riflette le aspettative sovradimensionate dei leader aziendali per l’impatto sulla scienza dei dati e il punto piccolo rappresenta le capacità attuali del team di scienza dei dati”, aggiunge.

Anche la visione dell’azienda sull’IA deve cambiare. Shivkumar ritiene che troppi leader aziendali vedano l’IA come una “proiettile d’argento” che può aiutarli a trovare una soluzione con “uno schiocco di dita”. “La realtà è lontana dalle loro aspettative. I progetti di scienza dei dati in genere implicano metodi per tentativi ed errori e l’esecuzione dello stesso processo più volte prima di raggiungere il risultato finale. Potrebbero volerci mesi per raggiungere questo obiettivo”.

I team di data science devono anche affrontare altri motivi per la lentezza delle informazioni: riluttanza a condividere i dati tra le linee dipartimentali e tempi più lunghi per preparare i dati non strutturati.

“Questi scenari lasciano i team di data science dipendenti dalle linee temporali degli altri. Quando arrivano i dati obsoleti, gli stakeholder aziendali potrebbero essere passati a nuove domande o svalutato il ruolo che le informazioni dettagliate sui dati possono svolgere nel prendere decisioni aziendali”, osserva Shivkumar.

La democratizzazione non è facile

Con la domanda che supera l’offerta di talenti nella scienza dei dati, è tempo di inquadrare questo problema crescente in modo diverso. Un approccio popolare è quello di democratizzare l’analisi dei dati e non renderla una funzione di pochi professionisti.

In sostanza, la democratizzazione dell’analisi riguarda l’empowerment dei dipendenti. “Rende meno scoraggiante lavorare con i dati, consentendo ai knowledge worker un accesso più rapido alle informazioni attraverso il self-service. Ciò si traduce in un aumento del ROI nell’analisi e in una maggiore innovazione per l’organizzazione nel suo insieme, poiché il potere degli insight basati sui dati è nelle mani di molti, non solo dei team di data scientist”, afferma Shivkumar.

Ma alcune cose devono essere fatte e messe in atto prima che ciò accada. In primo luogo, le aziende hanno bisogno di un’adeguata governance dei dati, che richiede un po’ di riorganizzazione.

Tradizionalmente, le aziende hanno lavorato con data scientist o team di analisti integrati con dipartimenti che lavorano su una vista isolata del disparato set di dati aziendali. I CDO devono allineare l’etica dei dati, l’accesso e le politiche di sicurezza per democratizzare l’analisi.

“Questo aiuta anche quando il CDO misura gli investimenti aziendali in analisi con una panoramica delle priorità di trasformazione, casi d’uso, competenze, personale e risultati aziendali”, afferma Shivkumar.

È inoltre necessario modernizzare i dati e l’area dati contemporaneamente. Implica la migrazione dei dati dall’infrastruttura legacy a un database moderno. Il percorso più comune per la modernizzazione dei dati è la migrazione dei dati in un database cloud.

La rovina del silo di dati

La modernizzazione della struttura dei dati supera un ostacolo cruciale che rallenta molti team di data science nel guidare più rapidamente le informazioni dettagliate: i silos di dati.

La raccolta, la gestione e l’analisi non standardizzate dei dati tra i reparti rende i silos di dati un problema iniziale. Aggiungono complessità e mettono in secondo piano i team di data science. Anche la proprietà dei dati poco chiara, le politiche e le preoccupazioni interdipartimentali possono intralciarsi.

In questo caso, l’automazione basata sulla tecnologia può essere parte della risposta. “Per abbattere i silos di dati e garantire che i dati siano accessibili a tutte le parti, le piattaforme di automazione dell’analisi avanzata fungono da ponte aggregando i dati e collegando database e origini dati disparati”, afferma Shivkumar.

Oltre alla semplice scomposizione dei silos di dati, una piattaforma di automazione dell’analisi avanzata incentrata sull’uomo, come la piattaforma di automazione dell’analisi di Alteryx, garantisce che i dati siano accessibili alle parti necessarie automatizzando i processi di analisi e scienza dei dati di un’organizzazione, descrive Shivkumar.

Basta chiedere a Pacific Life, un fornitore di assicurazioni sulla vita. Alteryx ha consentito di risparmiare tempo, ridurre le spese operative e aiutare i team ad accelerare le analisi e i report. I progetti manuali o basati su fogli di calcolo che hanno richiesto più di 60 ore per essere completati ora possono essere eseguiti in 30 secondi. Ora, il 75% dei progetti di analisi dei team viene eseguito con la piattaforma Alteryx.

Schlumberger, il principale fornitore mondiale di tecnologia per l’industria petrolifera e del gas, ha creato un centro di eccellenza per l’analisi e l’automazione che è iniziato con un membro e si è esteso a sessanta in soli tre anni. L’azienda ha sfruttato 80 flussi di lavoro Alteryx per automatizzare i processi contabili e ridurre il tempo del processo di analisi per ciascuno dei suoi 400 contabili da quattro a sei ore a due o tre minuti. Il loro flusso di dati automatizzato ha consentito all’azienda di risparmiare oltre 7.500 ore all’anno.

Nell’accelerare il time-to-value con flussi di lavoro di processo automatizzati, il National Electronics and Computer Technology Center (NECTEC) della Thailandia ha utilizzato Alteryx per creare analisi dei dati geospaziali per la gestione dell’uso del suolo agricolo per costruire il sistema Smart Farming in Thailandia.

Di fronte alla missione di trasformare l’industria agricola thailandese, Agri-Map è un’iniziativa per abituare gli agricoltori all’agricoltura intelligente produttiva, analizzando i cambiamenti ambientali che potrebbero potenzialmente influenzare i prodotti agricoli del paese. Poiché il progetto era a livello nazionale e operava in modalità open source, il team di ricerca è stato sopraffatto dalla quantità di tipi di dati e fonti da ripulire, preparare, verificare e analizzare durante l’inizio del progetto.

Automatizzando il suo processo end-to-end di pulizia, preparazione e verifica dei dati per il processo geografico per proiettare i dati perfezionati sull’applicazione Agri-Map utilizzando Alteryx, il team ha fornito un feedback accurato ai propri partner in un arco di tempo più breve risparmiando notevoli ore di lavoro.

L’automazione può anche svelare il nodoso problema della privacy e della sicurezza dei dati. I governi di tutta l’Asia hanno aumentato il controllo e aggiunto nuove leggi sui dati per proteggere i dati personali.

“Sul fronte normativo, le imprese asiatiche sono ritenute responsabili quando creano e utilizzano i dati dei clienti a livello operativo per migliorare l’efficienza aziendale e migliorare le relazioni con i clienti. Poiché la forza lavoro utilizza Alteryx APA, una piattaforma self-service, per ricevere analisi diagnostiche, predittive e prescrittive, ogni dipendente ha il potere di esercitare la responsabilità per la sicurezza dei dati”, afferma Shivkumar.

la giusta cultura

Nella democratizzazione dell’analisi, la cultura è essenziale. Favorisce la collaborazione tra persone di discipline diverse per riunirsi e concentrarsi su un problema critico utilizzando i dati.

Questo è stato uno dei principali motivatori per la creazione di centri di eccellenza. Ma in molte aziende, tali centri rimangono sottoutilizzati e non possono fornire il tipo di pensiero basato sui dati che le aziende desiderano e di cui hanno bisogno.

Shivkumar pensa che sia ora che le aziende guardino più da vicino ai centri di abilitazione. “I centri di eccellenza si concentrano sul riunire persone di diverse discipline e fornire leadership, migliori pratiche, supporto e formazione per un’area specializzata. D’altra parte, un centro di abilitazione è un team che funziona su un modello operativo IT che consente alle aziende di creare risorse riutilizzabili, raccogliere API e consentire di sfruttare il self-service e la fornitura efficiente di processi decisionali basati su informazioni dettagliate”.

Le aziende devono anche esplorare nuovi modi per portare la cultura sulla pista dell’innovazione basata sui dati. Ad esempio, gli hackathon si stanno rivelando efficaci.

Ad esempio, i processi manuali senza valore aggiunto di Deutsche Bank Manila hanno ostacolato la loro trasformazione digitale e gli sforzi di conformità. Anche il consiglio di regolamentazione delle Filippine, Bangko Sentral ng Pilipinas (BSP), ha imposto misure più severe per il settore bancario e finanziario. La Deutsche Bank Manila era a rischio a causa dell’aumento dei costi operativi, che potrebbero avere un impatto sui ricavi dei profitti e creare una perdita di controllo e gestione.

Quindi, Deutsche Bank Manila voleva costruire una cultura per ispirare un pensiero innovativo, esplorare nuove idee e adottare nuove tecnologie. Quindi, in linea con il loro obiettivo di essere basati sui dati, la banca ha lanciato l’hackathon Alteryx nel marzo 2021.

Con 17 pod, 68 partecipanti e numerosi punti deboli da affrontare durante l’hackathon, Deutsche Bank Manila mira a raggiungere circa 566 ore al mese di efficienza della forza lavoro. Oltre a una maggiore efficienza organizzativa, l’hackathon Alteryx ha migliorato la collaborazione della forza lavoro di Deutsche Bank Manila, ha consentito loro di fare la differenza e ha rafforzato l’esperienza che la piattaforma di Alteryx è facile da usare e intuitiva.

Abbiamo ancora bisogno di team di data science

Quindi, cosa succede al team di scienza dei dati se gli analisti dei dati dei cittadini ora dispongono degli strumenti e di un moderno patrimonio di dati da analizzare?

Dobbiamo prima capire cosa possono e non possono fare gli analisti cittadini per rispondere a questa domanda.

“La cultura di un citizen analyst promuove i dipendenti non tecnici a condurre processi decisionali basati su insight senza le tradizionali competenze necessarie. Secondo Gartner, un citizen data scientist è una persona che crea o genera modelli che sfruttano l’analisi predittiva o prescrittiva, ma la cui funzione lavorativa principale è al di fuori del campo della statistica e dell’analisi”, afferma Shivkumar.

Ma questi stessi set di competenze tradizionali saranno necessari quando le aziende risponderanno a domande più complesse, identificheranno importanti valori anomali, ad esempio un evento in arrivo da cigno nero, o correlano set di dati apparentemente non correlati. È anche fondamentale per garantire che non vi sia alcuna deriva del modello durante la creazione di uno con un algoritmo di intelligenza artificiale con set di dati aziendali.

“C’è un malinteso comune sul fatto che i citizen data scientist sostituiranno i data scientist esperti. In realtà, sono complementari ai ruoli di analisi esistenti. Mentre i citizen data scientist apportano le proprie competenze speciali e abilità uniche che possono guidare attività di successo basate sull’analisi, i team di data science sono responsabili della convalida dei modelli che i citizen data scientist formano prima che questi modelli vengano spostati in collaborazione”, spiega Shivkumar.

Concentrandosi su problemi di dati di valore superiore, i team di data science possono anche trasformare le delusioni in aspettative scoprendo nuove entusiasmanti possibilità basate sui dati.

Scopri di più su come creare la giusta cultura dei dati e colmare le lacune delle aspettative alla nostra prossima tavola rotonda virtuale, organizzata da CDOTrends e Alteryx il 25 maggio 2022. Per registrarti, fai clic qui.

Winston Thomas è il caporedattore di CDOTrends e DigitalWorkforceTrends. È un sostenitore della singolarità, un appassionato di blockchain e crede che viviamo già in un metaverso. Puoi raggiungerlo a [email protected].

Credito immagine: iStockphoto/Rolling Camera

.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *