为什么数据项目未能产生实际影响：作为分析经理需要注意的5个关键要素

数据项目为何未能产生实际影响：作为分析经理5个关键要素需注意的原因

理解可能对你的工作产生负面影响的宏观因素的简易指南

曾经发现自己深陷于一个数据项目中，却发现一无所获？这种感觉比你想象的更为普遍：

• VentureBeat报道称，87%的数据科学项目无法投入生产
• Gartner 在2018年预测，到2022年，85%的AI项目将产生错误结果。在2016年，他们预计60%的大数据项目将失败。

两周前我们讨论过如何进行质量数据分析，但真正高质量的分析只是战斗的一半。很多令人印象深刻的工作其实从未实际应用过，最多只是展示数据技能而已。那么如何才能跨越质量工作与有影响力工作之间的鸿沟呢？

第一步是理解游戏规则，并对决定你的项目成败的宏观因素有很好的了解。

PESTEL — 分析版

如果你曾经与一些咨询师打过交道（或者，你自己具有咨询背景），那么你可能听说过“PESTEL”的术语。它代表“政治、经济、社会、技术、环境、法律”。这个框架用于理解影响组织的宏观环境因素，并更好地了解企业的优势、劣势、机会和威胁。

• 认识ClimSim：一个破坏性的多尺度气候模拟数据集，用于将机器学习和物理学融合于气候研究中
• “见证LLM360：首个全面开源透明的大型语言模型（LLMs）”
• OpenAI计划在班加罗尔举办开发者会议，以解决人工智能安全问题的关切

在某种程度上，相同的原则也适用于评估你的数据项目的潜在成功，但有一个变化（毕竟，框架只是应该被适应而不是整体接受的工具）。对于我们的变体，我们有数据可用性、技能、时间框架、组织准备情况和政治环境。这些因素中的每一个都像拼图中的一片，构成了你的数据项目成功的整体画面。理解并协调这些要素就像调整引擎一样：如果做对了，你的项目将顺利进行；如果做错了，你将会面临颠簸的旅程。

数据可用性

这是个重复论点——但对于任何数据项目，你都需要数据。相关数据的可用性和可获取性至关重要。如果你发现所需数据不可用，或者无法获取，你的项目将面临重大挑战。然而，在遇到这个障碍后立即放弃是不明智的，你应该探索其他选择，要么获取数据，要么找到可行的代理（在这个阶段坚持是关键——我见过很多项目在这个阶段被放弃，尽管存在合适的解决方案）。但是，如果经过非常彻底的调查后发现数据确实不可获取，且不存在合适的替代方案，那么重新考虑项目的可行性肯定是一个合理（甚至是明智）的决定。

例子：假设你计划进行一项研究，分析一个利基市场的消费行为，但你发现该细分市场的具体消费者数据没有任何现有的来源记录。在放弃该项目之前，你可以探索其他数据来源，如社交媒体趋势、相关市场研究，甚至进行有针对性的调查来收集近似数据。如果所有这些努力都无法产生有用的数据，那么停止项目是可以接受的决定。

技能

现在你有了数据，你是否具备调查它所需的正确技能？这不仅仅涉及掌握SQL或Python等技术技能，同样重要的是掌握进行你正在进行的分析所需的特定知识。当项目要求超出你的专业领域时，这一点尤为关键。例如，如果你擅长构建数据管道，但手头的项目主要集中在复杂的预测上，这种技能不匹配可能成为一个重大阻碍。根据你的团队当前技能与他们需要掌握的技能之间的距离，你可以考虑对团队进行技能提升——这在长期来看也是非常有价值的，前提是与项目进度相一致。关键是要在发展机会与项目进度和优先级之间找到平衡。

例子：你管理着一个熟悉患者数据分析的医疗研究团队，并被要求开展一个需要应用流行病学模型来预测疾病传播的项目。虽然他们擅长处理患者数据，但流行病学预测的特定要求可能会带来很大的挑战。

时间范围

当谈到时间时，有两个要素需要理解：

• 如果你没有给项目留足够的时间来完成，项目的质量可能会受到很大影响。
• 在一定时间之后，你会达到收益递减的点，此时增加时间并不一定等同于同样水平的增加质量。

这个视频（病毒式蜘蛛侠画作）很好地展示了这种现象。10秒和1分钟画作之间的质量差距是显著的，只需要额外50秒就能有明显的改善。但是，将1分钟的画作与用时10分钟的画作进行比较，虽然后者无可否认地更好，但改善程度相对较小，尽管时间增加了很多。

例子：你在一家零售公司工作，该公司希望分析客户购买模式，以优化即将到来的假日季节的库存水平。如果给你的数据团队一个星期的时间来进行分析，他们可以提供基本的见解，识别出一般趋势和畅销商品。然而，如果给他们一个月的时间，分析的质量将显著提高，可以更深入地了解客户偏好、区域差异和潜在的库存问题。然而，将这个时间延长到三个月可能只会带来略微更详细的见解，同时延迟重要的决策，并可能错过市场机会。

组织准备

组织准备是指一个公司准备并愿意充分利用数据洞察力的程度。这不仅仅是拥有数据或分析，还包括建立正确的结构和流程来行动这些洞察力。在先前的文章中，我讨论了让你的研究“易于理解”的重要性，以增加对洞察力的采纳。然而，这种便利性有时超出你的控制范围。

例子：假设你发现一个特定的商店表现不佳，主要是因为位置不理想。你建议只需将几个街区移动位置就能显著增加收入。为了证明这一点，你与运营团队合作，在提议的新位置设置一个临时的“快闪店”。这个实验运行的时间足够长，足以排除任何新奇效应，确凿地证明了增加收入的潜力。然而，这里就涉及到组织准备的问题：公司与当前表现不佳的位置签订了五年的租约，在所需区域没有适合的备用空间可供选择。

政治环境

每个人最喜欢的一个：在组织中进行政治环境导航 ❤。这是一个对数据分析项目成功至关重要的步骤。你需要与你的利益相关者对项目目标的认同，还需要对与项目相关的角色和责任达成共识。有时，不同团队之间会存在竞争利益，或者对项目所有权缺乏共识 —— 这些对你的项目来说都是高风险的情况，你需要在真正开始项目之前就加以应对（如果你不想让几个团队独自工作，做同样的事情）。

例子：你所在的跨国公司有两个区域团队负责分析新产品发布的市场趋势。然而，由于历史上的敌对关系和缺乏明确的领导方向，这些团队各自独立运作。每个团队使用不同的方法和数据来源，导致得出相互矛盾的结论。这种情况不仅对数据产生了不信任，还在高层管理层造成了混乱，不知道哪些见解可以信任和采取行动。这种不一致最终可能导致有价值的发现被忽视，凸显了政治和谐在有效利用数据方面的重要影响。

结论

我们讨论的关键要素 — 数据、技能、时间、组织准备和政治 — 是推动任何数据项目成功的关键。没有正确的数据，即使是最熟练的团队也无法建立洞察力。但技能也很重要，它们将数据转化为有意义的分析。时间是你的画布 —— 太少了，你的画面就不完整；太多了，你可能会失去焦点。组织准备是确保你的发现不仅停留在书架上闲置，而是需要付诸行动。而且我们不要忘记政治 —— 在组织中航行的艺术，确保你的工作得到认可。

最终，这是了解组织内部动态并引导项目朝成功方向发展的关键，即不仅要产生洞见，还要推动变革。

希望您喜欢阅读这篇文章！您有什么心得体会想要分享吗？请在评论区告诉大家！

如果您想阅读更多我的文章，这里有几篇您可能会喜欢：

如何构建一个成功的仪表盘

一个尝试过建立失败仪表盘的人的清单

towardsdatascience.com

建设分析成熟的组织（AMO）

一些简单的框架用于确定您的组织的分析需求以及如何改进

towardsdatascience.com

每月产生更多高质量的洞见

如何构建更有效率的生成系统

towardsdatascience.com

附注：这篇文章也发布在《分析解读》上，这是一份新闻简报，我在其中总结了我在各种分析角色中的所学（从新加坡的初创公司到旧金山的大型科技公司），并回答读者关于分析、增长和职业生涯的问题。