Una semplice guida per comprendere i macroelementi che possono impattare negativamente sul tuo lavoro
Ti sei mai ritrovato immerso in un progetto di dati, solo per renderti conto che non porta da nessuna parte? È una sensazione più comune di quanto si possa pensare:
- VentureBeat ha riferito che l’87% dei progetti di scienza dei dati non arriva alla produzione
- Gartner nel 2018 aveva previsto che entro il 2022 l’85% dei progetti di IA avrebbe prodotto risultati errati. Nel 2016, hanno stimato che il 60% dei progetti relativi ai big data falliscono.
Due settimane fa abbiamo discusso come fare analisi dei dati di qualitàma produrre un’analisi di alta qualità è in realtà solo metà dell’opera. Molti lavori impressionanti non arrivano mai alla vita reale e finiscono per essere “dimostrazioni di acume nei dati” (nella migliore delle ipotesi). Allora come si supera il divario tra lavoro di qualità e lavoro di grande impatto?
Il primo passo è comprendere le regole del gioco e avere una buona visibilità sui macroelementi che determineranno se il tuo progetto volerà o affonderà.
Se hai mai interagito con alcune persone di consulenza (o se tu stesso hai un background di consulenza), potresti aver sentito parlare del termine “PESTEL”. Sta per “Politico, Economico, Sociale, Tecnologico, Ambientale, Giuridico”. Questo quadro viene utilizzato per comprendere i fattori macroambientali che influenzano un’organizzazione e per formare una prospettiva migliore dei punti di forza, di debolezza, delle opportunità e delle minacce per un’azienda.
In una certa misura, lo stesso principio può applicarsi alla valutazione del potenziale successo dei propri progetti di dati, ma con una svolta (i framework, dopo tutto, sono strumenti pensati per essere adattati, non adottati su larga scala). Per la nostra variante, abbiamo disponibilità dei dati, set di competenze, intervallo di tempo, preparazione organizzativa e ambiente politico. Ciascuno di questi fattori è come un pezzo di un puzzle nel quadro generale del successo del tuo progetto dati. Comprendere e allineare questi elementi è come mettere a punto un motore: fallo bene e il tuo progetto andrà avanti magnificamente; sbagli e ti ritroverai in una situazione accidentata.
Questa è una tautologia, ma per qualsiasi progetto di dati sono necessari dati. La disponibilità e l’accessibilità dei dati rilevanti sono fondamentali. Se scopri che i dati necessari non sono disponibili o se risulta impossibile ottenerli, il tuo progetto dovrà affrontare sfide significative. Tuttavia, è importante non ammettere la sconfitta immediatamente quando si incontra questo ostacolo: dovresti esplorare altre opzioni per acquisire i dati o identificare un proxy valido (e la perseveranza in questa fase è fondamentale: ho visto innumerevoli progetti abbandonati in questa fase anche se un esisteva una soluzione adeguata). Ma se dopo un’indagine molto approfondita si conclude che i dati sono veramente irraggiungibili e non esiste un proxy adeguato, allora è sicuramente una decisione valida (e persino sensata) riconsiderare la fattibilità del progetto.
Esempio: immagina di pianificare uno studio per analizzare il comportamento dei consumatori in un mercato di nicchia, ma di scoprire che i dati specifici sui consumatori per questo segmento non vengono raccolti da nessuna fonte esistente. Prima di abbandonare il progetto, potresti esplorare fonti di dati alternative come tendenze dei social media, studi di mercato correlati o persino condurre un sondaggio mirato per raccogliere dati approssimativi. Se tutti questi sforzi non riuscissero a produrre dati utili, sarebbe giustificato interrompere il progetto
Ora che hai i dati, hai le competenze giuste per analizzarli? Non si tratta solo di padroneggiare competenze tecniche come SQL o Python; si tratta anche di possedere le conoscenze specifiche richieste per il tipo di analisi che stai intraprendendo. Ciò diventa particolarmente cruciale quando i requisiti del progetto esulano dalla tua consueta area di competenza. Ad esempio, se il tuo punto di forza è la costruzione di pipeline di dati, ma il progetto in questione è incentrato su previsioni sofisticate, questo disallineamento nelle competenze può diventare un ostacolo significativo. A seconda della distanza tra le competenze attuali del tuo team e quelle che devono acquisire, potresti prendere in considerazione l’idea di migliorare le competenze del team, il che può essere anche molto gratificante a lungo termine, a condizione che sia in linea con la sequenza temporale del progetto. Si tratta di trovare il giusto equilibrio: cogliere le opportunità di sviluppo pur essendo realistici riguardo alla tempistica e alle priorità del progetto.
Esempio: Gestisci un team di ricerca sanitaria esperto nell’analisi dei dati dei pazienti e ti viene chiesto di intraprendere un progetto che richiede loro di applicare modelli epidemiologici per prevedere la diffusione di una malattia. Sebbene siano esperti nella gestione dei dati dei pazienti, le esigenze specifiche delle previsioni epidemiologiche – un diverso ambito di competenza – potrebbero rappresentare una sfida significativa.
Quando si tratta di tempo, ci sono due elementi da capire:
- Se non si lascia abbastanza tempo per il completamento di un progetto, la qualità del progetto può risentirne notevolmente.
- Dopo una certa durata, si raggiunge un punto in cui i rendimenti decrescenti, in cui l’aggiunta di più tempo non equivale necessariamente allo stesso livello aggiuntivo di qualità.
Questo video (il disegno virale di Spiderman) è un’ottima rappresentazione di questo fenomeno. Il salto di qualità tra un disegno di 10 secondi e uno di 1 minuto è notevole, mostrando un miglioramento significativo con soli 50 secondi aggiuntivi. Ma, se si confronta il disegno di 1 minuto con quello che ne ha richiesti 10, sebbene quest’ultimo sia innegabilmente migliore, il grado di miglioramento è meno pronunciato nonostante il grande aumento di tempo.
Esempio: lavori per un’azienda di vendita al dettaglio che desidera analizzare i modelli di acquisto dei clienti per ottimizzare i livelli delle scorte per le prossime festività natalizie. Se al tuo team dati viene concessa una settimana per condurre l’analisi, può fornire approfondimenti di base, identificando le tendenze generali e gli articoli più venduti. Tuttavia, se viene concesso un mese, la qualità dell’analisi migliora in modo significativo, consentendo una comprensione più sfumata delle preferenze dei clienti, delle variazioni regionali e dei potenziali problemi di stock. Tuttavia, estendere questo periodo a tre mesi potrebbe fornire informazioni solo marginalmente più dettagliate, ritardando al tempo stesso il processo decisionale cruciale e potenzialmente perdendo opportunità di mercato.
La preparazione organizzativa riguarda la preparazione e la volontà di un’azienda di sfruttare al meglio le informazioni sui dati. Non si tratta solo di avere i dati o l’analisi; si tratta di avere la struttura e i processi giusti in atto per agire in base a tali intuizioni. In un articolo precedenteHo discusso dell’importanza di rendere il tuo studio “digeribile” per aumentare l’adozione di approfondimenti. Tuttavia, c’è un limite al quale questa facilitazione va oltre il tuo controllo.
Esempio: supponiamo di scoprire che un determinato negozio non funziona bene, principalmente a causa della sua posizione non ideale. Lei propone che lo spostamento di solo pochi isolati potrebbe aumentare significativamente i guadagni. Per dimostrare questo punto, collabori con un team operativo per allestire un negozio temporaneo “pop-up” nella nuova posizione proposta. Questo esperimento dura abbastanza a lungo da annullare qualsiasi effetto di novità, dimostrando in modo conclusivo il potenziale di aumento delle entrate. Eppure, è qui che entra in gioco la prontezza organizzativa: l’azienda è vincolata a un contratto di locazione di cinque anni nell’attuale sede poco performante, con sussidi finanziari e nessuno spazio alternativo adeguato prontamente disponibile nell’area desiderata.
Il preferito da tutti: navigare nel panorama politico all’interno di un’organizzazione ❤. È purtroppo un passaggio cruciale per il successo di un progetto di analisi dei dati. È necessario l’allineamento dei tuoi stakeholder con gli obiettivi del progetto, ma anche sui ruoli e sulle responsabilità legate al progetto. A volte, potresti riscontrare interessi contrastanti tra i team o una mancanza di consenso sulla proprietà del progetto: queste sono situazioni ad alto rischio per il tuo progetto che devi affrontare prima di lavorare effettivamente sul progetto (se non vuoi che diversi team lavorino in silos e facendo esattamente la stessa cosa).
Esempio: Lavori in una multinazionale in cui due team regionali hanno il compito di analizzare le tendenze del mercato per il lancio di un nuovo prodotto. Tuttavia, a causa delle rivalità storiche e della mancanza di una chiara direzione da parte della leadership, questi team operano in silos. Ogni team utilizza metodologie e fonti di dati diverse, portando a conclusioni contrastanti. Uno scenario del genere non solo genera sfiducia nei dati, ma crea anche confusione a livello esecutivo riguardo a quali informazioni fidarsi e su quali agire. Questa dissonanza può alla fine portare all’abbandono di scoperte preziose, sottolineando l’impatto critico dell’armonia politica nello sfruttamento efficace dei dati.
Gli elementi chiave di cui abbiamo discusso (dati, competenze, tempo, preparazione organizzativa e politica) sono gli ingranaggi che guidano il successo di qualsiasi progetto relativo ai dati. Senza i dati giusti, anche il team più esperto non può creare insight. Ma anche le competenze contano; trasformano i dati in analisi significative. Il tempo è la tua tela: troppo poco e l’immagine sarà incompleta, troppo e rischi di perdere la concentrazione. La preparazione organizzativa consiste nel garantire che i risultati non restino semplicemente su uno scaffale a prendere polvere; devono essere utilizzabili. E non dimentichiamoci della Politica: l’arte di gestire la tua organizzazione per assicurarti che il tuo lavoro veda la luce.
In definitiva, si tratta di comprendere le dinamiche in gioco all’interno della vostra organizzazione per indirizzare i vostri progetti verso il successo, vale a dire non solo per produrre insight ma anche per guidare il cambiamento.
E se vuoi leggere di più su di me, ecco alcuni altri articoli che potrebbero piacerti:
PS: questo articolo è stato pubblicato in modo incrociato su Analisi spiegatauna newsletter in cui distillo ciò che ho imparato in vari ruoli analitici (dalle startup di Singapore alle grandi tecnologie di San Francisco) e rispondo alle domande dei lettori su analisi, crescita e carriera.
Fonte: towardsdatascience.com
