26 Σεπτεμβρίου 2017

Ποια είναι τα 12 πιο συνηθισμένα λάθη που μπορεί να συμβούν στα predictive analytics;

Τα περισσότερα από αυτά τα λάθη, ευτυχώς, δεν είναι μοιραία αλλά σίγουρα μπορούν να οδηγήσουν πολλά έργα σε παταγώδη  αποτυχία, αφήνοντας την επιχείρηση πραγματικά μετέωρη. Τη στιγμή μάλιστα, που η επιχείρηση έχει πραγματοποιήσει δαπανηρές επένδυσσεις σε λογισμικό αλλά και χρόνο και τελικά να μην υπάρχει αποτέλεσμα.

Σύμφωνα με τον Robert L. Mitchell, το πρώτο λάθος γίνεται όταν οι άνθρωποι δεν έχουν ένα συγκεκριμένο στόχο στο μυαλό. Είναι σημαντική η ύπαρξη ενός συγκεκριμένου στόχου στο μυαλό μας πριν από την έναρξη του έργου.


Συνεχίζοντας, το δεύτερο λάθος μπορεί να πραγματοποιηθεί όταν το έργο αποκτά δεδομένα από ίδρυματα που στη πραγματικότητα δεν μπορεί να υποστηρίξει. Τα Predictive analytics από μόνα τους δεν είναι σε θέση να δημιουργήσουν πληροφορίες από το τίποτα. Οι άνθρωποι συχνά λειτουργούν υπό την εσφαλμένη αντίληψη ότι πρέπει να έχουν όλα τα δεδομένα τους τέλεια οργανωμένα, χωρίς κανένα απολύτως κενό, χωρίς καμία διαταραχή ή με τιμές που λείπουν προτού ξεκινήσουν ένα πρότζεκτ στα predictive analytics. Αυτή η αντίληψη είναι που οδηγεί και στο τρίτο λάθος.

 

 

Με την αναμονή για την απόκτηση των τέλειων δεδομένων, το έργο δε θα μπορούσε ποτέ να συμβεί. Οι ​​προτεραιότητες αλλάζουν και τα δεδομένα δεν παραμένουν ποτέ σταθερά . Και κάπως έτσι, αρχίζουν να απλώνονται οι ρίζες του τέταρτου λάθους.

Κατά την επανεξέταση της ποιότητας των δεδομένων, πολλές φορές αφιερώνεται σημαντικό κομμάτι χρόνου στο να ξεκαθαριστούν τα “σκουπίδια”. Σίγουρα όμως, καθίσταται σημαντική η εξασφάλιση της ποιότητας  των δεδομένων, προκειμένου να διασφαλιστεί και η ακεραιότητά τους.

Ένα άλλο συχνό λάθος είναι η χρήση μελλοντικών δεδομένων προκειμένου να προβλεφθεί το μέλλον! Το κύριο πρόβλημα με τις data είναι ότι δεν είναι στατικά. Εάν τα δεδομένα δεν έχουν ημερομηνία - σφραγίδα και χρονοσήμανση, είναι αρκετά εύκολο να συμπεριληφθούν στοιχεία που θα δημιουργήσουν παραπλανητικά αποτελέσματα. Επιπρόσθετα, κλασικό λάθος είναι η προσπάθεια επίσπευσης οποιασδήποτε διαδικασίας , εξαιτιας της πεποίθησης ότι τα δεδομένα μας είναι τέλεια. Δεν έχει σημασία πόσοι άνθρωποι πιστεύουν πως τα δεδομένα που έχουμε στη κατοχή μας είναι τέλεια, είναι σίγουρο πως θα πρέπει να αναμένουμε προβλήματα. Είναι καλύτερα να ρυθμίζονται οι  προσδοκίες συντηρητικά και ύστερα να πραγματοποιείται η υπέρβαση. Ξεκινώντας εξαρχής, με ένα μεγάλο έργο, υψηλού προφίλ που είναι σίγουρο πως θα ταράξει ολόκληρο τον κόσμο με αυτό που θα προσφέρει, είναι αυτό που οδηγεί τελικά σε ένα κοινό λάθος. Η διεύρυνση των στόχων ενός έργου απαιτεί υπέρογκα ποσά επένδυσης προκειμένου να εξελιχθεί ,  πόσο μάλλον όταν η ομάδα είναι νέα.

Κοινή παρερμηνεία αποτελεί επίσης, πως για τη δημιουργία ενός μοντέλου πρόβλεψης το μόνο που χρειάζεται είναι η απλή εισαγωγή των δεδομένων σε ένα μαύρο κουτί και γυρίζοντας το στρόφαλο, τα ακριβή μοντέλα πρόβλεψης να πεταχτεί απλά έξω. Οι εμπειρογνώμονες στην εξόρυξη δεδομένων λαμβάνουν τα δεδομένα και επανέρχονται με ένα μοντέλο που συνήθως καταλήγει να βγάζει ατελή αποτελέσματα.

Ένα άλλο λάθος είναι η υπόθεση που γίνεται πως η συνεργασία μας με όσους κατέχουν τα δεδομένα θα είναι άψογη και χωρίς προβλήματα.  Αρκετοί οργανισμοί συχνά μιλούν εκτενώς σχετικά με τους τύπους των μοντέλων που αποζητούν, το πως να ναι χτισμένα και την απόδοση των επενδύσεων που αναμένουν. Στη συνέχεια όμως, αποτυγχάνουν να τα αναπτύξουν με επιτυχία στην επιχείρηση. Σύμφωνα με την προσφορά της αγοράς και τις στρατηγικές ανάπτυξης,  τα μοντέλα που θα χρησιμοποιηθούν στο επιχειρηματικό περιβάλλον από τη στιγμή που έχουν κατασκευαστεί , μπορεί να είναι από πολύ απλά έως και πολύ σύνθετα, όπου τα δεδομένα που προέρχονται από πολλαπλές πηγές  πρέπει έκτακτα να εισέρχονται στο μοντέλο.

Οι περισσότεροι οργανισμοί εμπίπτουν στην τελευταία κατηγορία, αυτή του σύνθετου μοντέλου. Μια άλλη κοινή εσφαλμένη αντίληψη είναι ότι αν τα αποτελέσματα φαίνονται υπερβολικά προφανή και δε χρειάζεται οποιαδήποτε πρόβλεψη, τότε το μοντέλο πρέπει να πεταχτεί. Όταν όμως, πεταχτεί το μοντέλο οι επιχειρήσεις παύουν να έχουν ανατροφοδότηση από τους πελάτες τους. Αναφερόμαστε σε πελάτες που θα μπορούσαν να έχουν σταματήσει να έρχονται στην επιχείρηση και το μοντέλο δεν θα μπορούσε να προβλέψει γιατί η επιχείρηση δεν κατάφερε να επαναποτκήσει τους εν λόγω πελάτες.

Κλείνοντας , το μοντέλο οφείλει να ταιριάζει με τους επιχειρηματικούς περιορισμούς του έργου, και οι περιορισμοί πρέπει να διατυπώνονται με σαφήνεια στις προδιαγραφές σχεδιασμού.Η  παραμικρή ανασάφεια και ανακρίβεια μας οδηγεί στο να μην έχουμε ιδέα για το πώς θα χρησιμοποιηθεί πραγματικά το μοντέλο.