10 redenen waarom Data Science-projecten mislukken

blog-header

Meer dan 80% van de Data Science projecten mislukken en leveren nooit een ROI op voor het bedrijf. Wat zit er achter het hoge uitvalpercentage en hoe kunnen we dit veranderen?

Het hoge uitvalpercentage

Volgens een recent Gartner-rapport wordt slechts tussen de 15% en 20% van de Data Science trajecten voltooid. Van de projecten die wél zijn voltooid, zeggen CEO's dat slechts 8% daarvan daadwerkelijk waarde genereren. Als deze cijfers kloppen, zou dit neerkomen op een verbluffend laag succespercentage van 2%.

Wat is de oorzaak van het mislukken van deze projecten?

Als je met Data Scientists en analisten praat, hoor je vaak “ik heb een geweldig model gemaakt, het heeft een super grote nauwkeurigheid, maar niemand gebruikt het om dat direct belanghebbenden en management niet betrokken waren en moeilijk te bereiken “

Als je met de business stakeholders praat hoor je vaak ”de Data Scientists hebben een mooi model gemaakt, en ik was onder de indruk van hun kwalificaties, maar het beantwoordt niet onze vraag”

10 redenen waarom Data Science-projecten mislukken

Aan de business kant:

1. Er is een Data Science “voorvechter” aan de business kant, maar deze persoon had moeite om daadwerkelijk grip te krijgen op het management om de door de Data Scientists aanbevolen veranderingen door te voeren.
2. Degene die opdracht heeft gegeven voor het project is verder gegaan in de organisatie en zijn of haar opvolger zal het project niet verdedigen omdat ze er geen eer voor krijgen.
3. De communicatie is afgebroken omdat de zakelijke stakeholders het te druk hebben met de dagelijkse gang van zaken. Als de stakeholders geen tijd hebben om mee te doen, is het erg moeilijk om het project te redden. Dit gebeurt veel als de Data Scientists geografisch gezien ver verwijderd zijn van het hart van het bedrijf.
4. Data science projecten zijn voor de lange termijn. In de tussentijd is het bedrijf misschien van richting veranderd of heeft het management het geduld verloren bij het wachten op een ROI.
5. Hoewel er weliswaar enkele stakeholders bij het project betrokken waren, was het senior management wiens handtekening nodig was er nooit daadwerkelijk in geïnteresseerd. Dit is vaak het geval bij grote bedrijven in relatief conservatieve industrieën.

Aan de Data Science kant:

6. De Data Scientist verloor zijn focus en experimenteerde te lang met verschillende modellen alsof hij nog op de universiteit zat.
7. De Data Scientists waren niet in staat om hun bevindingen effectief aan de juiste mensen te communiceren.
8. De Data Scientist heeft te lang de verkeerde statistieken gebruikt.
9. Date Data Scientist had niet de juiste vaardigheden of tools voor het probleem.

Aan beide kanten:

10. Het hoofddoel van het project was kennisoverdracht, maar dit is nooit gebeurd omdat óf het bedrijf het te druk had óf de Data Scientist onvoldoende communicatieve vaardigheden had.

Hoe kunnen we voorkomen dat Data Science-projecten mislukken?

We moeten een Data Science project effectief structureren in een reeks fasen, zodat de betrokkenheid en communicatie tussen het analyseteam en het bedrijf niet wegvalt.

Zakelijke vraag

Eerst moet het project beginnen met een zakelijke vraag in plaats van zich te concentreren op data of technologieën. De Data Scientists en leidinggevenden zouden samen in een workshop tijd moeten besteden aan het formuleren van het vraagstuk die ze willen oplossen. Dit is de initiële hypothese.

Gegevensverzameling

Ten tweede moet Data Scientist doorgaan met het verzamelen van alleen de relevante gegevens die nodig zijn om de hypothese te accepteren of te verwerpen. Dit moet zo snel mogelijk worden gedaan in plaats van te proberen alles perfect te doen.

Terug naar belanghebbenden

Ten derde moet de Data Scientist de eerste inzichten aan de belanghebbenden presenteren, zodat het project goed kan worden afgebakend en men kan vaststellen wat men daadwerkelijk wil bereiken. In deze fase moeten de business stakeholders goed worden betrokken en de Data Scientist ervoor zorgen dat ze op dit punt begrijpen wat de ROI zal zijn als het project doorgaat. Als het senior management in deze fase niet betrokken is, is het zonde van de tijd en het geld om door te gaan met het project.

Onderzoeksfase

Nu gaat de Data Scientist verder met het project. Ik raad aan om minstens wekelijks overleg te hebben met de belangrijkste stakeholder, en iets minder frequent met de C-level executive wiens steun nodig is voor het project. De Data Scientist moet daar waar mogelijk kiezen voor eenvoudige en transparante methoden en technieken. In alle stadia moet de Data Scientist ernaar streven om betrokkenheid te behouden. De tijd die wordt besteed aan vergaderingen met verschillende stakeholders is geen verspilling maar bevordert juist de betrokkenheid van de business zijde. Te allen tijde moeten beide partijen goed in de gaten houden of het project daadwerkelijke op weg is om ROI voor de organisatie op te leveren.

Presentatie van inzichten

Aan het einde van het project moet de Data Scientist zijn inzichten en aanbevelingen voor het bedrijf aan de stakeholders en het senior management presenteren. Wees niet zuinig met verschillende presentatiemiddelen. Zorg voor slides, een video, een whitepaper en overhandig ook de broncode, notebooks en de data, zodat zowel samenvattingen van de resultaten als ook de diepgaande opleverdata beschikbaar zijn voor verschillende doelgroepen binnen de organisatie,.

Als de bovenstaande stappen worden gevolgd, moet de waarde van het project op dit punt duidelijk zijn voor het senior management. De tweerichtingscommunicatie tussen het data science-team en de stakeholder moet zorgen voor een voortdurende buy-in en ondersteuning van de busines zijde, en moet ook het Data Science project op schema houden om tegen het einde van het project daadwerkelijk waarde te leveren.

Meer weten?

Wil je meer weten over de waarde die Data Science je bedrijf kan bieden? Download dan de ‘Handleiding voor succesvolle Data Science projecten”. Daarin vertellen we je wat de factoren van een geslaagd Data Science project zijn, en in welke stappen je van een idee tot een goede oplossing komt.CTA Handleiding voor succesvolle Data Science projecten