为什么数据项目会失败

作者：马尤尔·乔希（Mayur P. Joshi） 苏宁  罗伯特·奥斯汀（Robert D. Austin） 阿南德·孙达拉姆（Anand K. Sundaram）

 

如今越来越多的公司都把数据科学看作一项职能、一种能力，但有很多公司始终无法从对大数据、人工智能和机器学习的投资中持续获取商业价值。为了考察公司在实施数据科学项目时所犯的错误，找到避免犯错的方法，我们在印度十大私营银行中选取了拥有完善分析部门的三家，对它们的数据科学活动展开深入研究。该研究最终揭示了以下五大常见错误。

 

错误一：用错地方 有些问题并不需要高精尖的解决方案，否则无异于用高射炮打蚊子。有的时候，我们看到某个数据科学解决方案在一个领域得到成功应用后，其他领域也纷纷跟进，殊不知它并不适合，也不见得有效。此类错误的根源并不在于分析技术的执行问题，而在于它用错了地方。

 

高管层通常借助培训手段来解决这个问题，例如数据专家跟客户经理一起接受产品培训。这可以促进数据专家和业务经理之间的知识交叉渗透，帮助他们加深对彼此工作的了解。

 

错误二：未识别偏差来源 某数据专家开发了一种算法，供公司核保团队使用。六个月过后，使用该工具后的贷款拖欠率明显高于以往，原因就在于建模输入数据来自信贷审批备忘录，而列入备忘录的都是由经验丰富的客户经理事先筛选好、很可能顺利过审的客户申请。模型开发过程中没有纳入在预筛阶段被拒绝的贷款申请数据，造成了巨大的选择性偏差。

 

数据专家需要熟悉用于建模的数据源，以避免未能识别的偏差。数据专家也可以和业务专家组成项目团队，采用正式的筛检偏差流程。

 

错误三：对的解决方案，错误的时间 有的时候，数据专家提供了好的数字化模型，但业务团队可能只是因为预算用完或工作重点发生变化，就不予以采纳。为避免这种情况，需要在数据科学与经营战略、业务系统之间建立更紧密的关联。

 

数据专家应当集中精力解决业务领导认为最重要的问题。如果分析得出的结论跟组织当前的工作重心和体系不相符，却有可能为公司带来巨大的价值，那么数据专家有责任向管理层进言，把信息反馈给他们。

 

错误四：对的工具，错误的使用者 某业务分析团队开发了一个推荐引擎，并嵌入到该行的移动钱包App、银行网站和电子邮件中。它能向银行客户提供精准定位的新产品和新服务，但是客户对推荐产品的接受度大大低于预期，原因就在于许多客户不信任通过App、网站和电邮渠道推荐的产品。当该团队重新发布推荐引擎，供客户经理使用，客户经理再向客户介绍该引擎，客户的接受度就大大提升。

 

为了给客户和企业创造最大价值，应当将用户体验分析纳入数据科学的设计流程，至少应当把用户测试作为数据科学项目生命周期的一个明确组成部分。更理想的是，把数据科学实践置于人本设计框架中。

 

错误五：艰难的最后一公里 某银行旨在挽回流失客户的计划始终没有进展。数据专家关注的是如何识别最有可能挽回的客户。产品经理给数据专家施压，要他们立即肩负起实施该计划的责任。数据专家开始对此颇有抱怨，觉得执行是产品经理的分内工作。不过，数据专家后来了解到信息系统部过去曾多次向产品经理提供可挽回的流失客户名单，但这些名单在实际使用中难度极大，部分原因在于无法追踪客户的联络方式。

 

数据专家从产品经理的角度出发，对该问题有了新的理解之后，随即在自己的项目规划中新增了为本行电话营销人员、电子邮件管理团队、分行员工和资产团队开发前端软件应用的内容。这为他们提供了一种工具，将与客户互动中获取的信息输入系统，从而更好地利用数据科学团队提供的名单。最后，该项目终于取得了进展。