Proyek analisis data:Dari teori ke praktik

Dalam posting blog terakhir saya, saya menjelaskan langkah-langkah penting awal untuk memastikan hasil yang sukses dari proyek analisis data:

Pertama, kerjasama yang erat antara penyedia ide (departemen) dan ilmuwan data merupakan keharusan mutlak untuk mencapai tujuan proyek yang ditentukan. Kedua, perlu untuk memverifikasi kualitas dan kuantitas data sebelum ilmuwan data memulai.

Dalam postingan ini, saya ingin memberi tahu Anda beberapa rekomendasi:Bagaimana cara kerja proyek analisis data dalam praktiknya? Bagaimana model prediksi Bosch dapat diterapkan dalam kasus penggunaan?

1. Apakah tujuan proyek analisis data tercapai?

Sumber:Bosch.IO

Kadang-kadang bahkan di akhir proyek, Anda mungkin menyadari bahwa proyek tersebut gagal atau benar-benar kehilangan tujuannya. Saat Anda bekerja untuk mencapai tujuan proyek yang Anda tetapkan, ada beberapa hal yang perlu dipertimbangkan. Temukan beberapa kesalahan umum di sini:

a. Model prediksi tidak akurat

Di akhir proyek, Anda mungkin menyadari bahwa hasilnya (misalnya model prediksi) gagal memenuhi akurasi yang diperlukan atau memberikan wawasan baru yang diharapkan.

Kenapa bisa begitu?

Pertanyaan pertama yang perlu Anda tanyakan adalah apakah akurasi model yang diperlukan telah ditentukan pada awal proyek. Ini, tentu saja, merupakan prasyarat dasar dan harus dipertimbangkan sejak tahap perencanaan proyek. Aspek yang berkaitan dengan kualitas dan kuantitas data yang disebutkan sebelumnya juga dapat menyebabkan hasil yang tidak akurat karena data “tidak menghasilkan lebih banyak informasi”.

Dengan demikian, menjadi jelas bahwa pelaksanaan proyek tidak dapat disalahkan atas hasil proyek yang kurang memuaskan, tetapi ada jebakan dalam tahap perencanaan yang secara signifikan mempengaruhi hasil.

b. Mengejar kasus penggunaan yang tidak berkelanjutan terlalu lama

Seringkali, pada awal proyek, semua pemangku kepentingan merasa gembira. Tujuan teknis dan komersial terdengar menjanjikan. “Proyek ini harus sukses!”

Namun, kalimat ini menyembunyikan risiko. Terlepas dari semua euforia, penting untuk mempertahankan netralitas dan skeptisisme tertentu mengenai hasil (antara). Dengan tekun mengejar kasus penggunaan yang tidak berkelanjutan dapat berarti Anda akhirnya menginvestasikan banyak waktu dan uang dalam sebuah proyek tanpa mencapai hasil yang diharapkan.

Oleh karena itu, penting untuk menganalisis hasil antara dengan pikiran kritis dan terbuka sehubungan dengan kelayakan pencapaian tujuan proyek.

Kami sangat menyarankan Anda untuk memperhatikan tanda-tanda peringatan dan tidak mengejar tujuan proyek yang secara realistis tidak dapat dicapai hanya karena Anda “harus” mencapainya!

Izinkan saya menyebutkan di sini mantra “gagal cepat” atau “ubahlah”, yang menyatakan bahwa lebih baik mengenali atau menyesuaikan tujuan yang tidak dapat dicapai dengan cepat daripada mengejarnya dan menginvestasikan sumber daya yang tidak perlu – tanpa menambah nilai atau mencapai hasil yang bermanfaat.

Kami memberikan dukungan dalam beberapa fase. Setelah setiap fase, ia menganalisis hasil yang dicapai hingga saat itu. Hal ini memungkinkan untuk menyesuaikan tujuan proyek atau data dasar di berbagai titik dalam proses – membuat risiko menjadi transparan dan dapat dihindari.

Sumber:Bosch.IO

2. Teori dan praktik – dari Proof of Concept (PoC) hingga kasus penggunaan operasional

Tidak semua yang bekerja di bawah "kondisi laboratorium" ternyata efektif dalam praktik. Sayangnya, inilah kesimpulan yang terkadang harus kita tarik di akhir sebuah proyek. Tapi pertama-tama kita harus mengujinya.

Model prediksi yang dikembangkan telah berfungsi sesuai dengan persyaratan berdasarkan data pelatihan historis. Sekarang saatnya mengintegrasikannya ke dalam lingkungan operasional.

Kekecewaan dapat terjadi bahkan pada tahap awal ini. Model prediksi dirancang untuk berjalan pada sistem kontrol dan membuat prediksi secara real time (dalam rentang milidetik). Namun, persyaratan ini tidak diketahui kapan model dikembangkan. Algoritmenya rumit, karena harus memenuhi standar akurasi yang tinggi, tetapi sumber daya yang terbatas membuat algoritme tersebut tidak dapat diterapkan pada perangkat keras target.

Jadi apa yang awalnya tampak sebagai hasil proyek yang hebat pada akhirnya tidak dapat diintegrasikan ke dalam kasus penggunaan yang sebenarnya. Pasalnya, sekali lagi kekurangan dalam tahap perencanaan.

Kami melakukan proyek analisis data sesuai dengan standar CRISP-DM – dengan satu tambahan penting:Kami memberikan penekanan khusus pada pencapaian pemahaman tingkat ahli tentang masalah pelanggan. (Lihat juga pertanyaan 3 dari posting blog:Bagaimana memulai proyek analisis data di bidang manufaktur.)

Untuk melakukan ini, selama fase Analisis Awal, teknisi analitik data kami mempelajari lebih lanjut tentang proses produksi pelanggan dan masalah spesifik yang harus dipecahkan. Mereka juga mengajukan banyak pertanyaan untuk memungkinkan mereka mengembangkan pemahaman yang mendalam. Fase ini sangat penting untuk keberhasilan proyek karena meletakkan dasar untuk membangun korelasi antara proses nyata, masalah, dan data. Anda tidak dapat menemukan solusi di dunia digital jika Anda tidak memahami proses dan masalah di dunia nyata.

Sumber:Bosch.IO Sumber:Bosch.IO

Praktik terbaik untuk keberhasilan proyek analisis data

Ada banyak alasan mengapa proyek analisis data bisa gagal. Seringkali tidak ada satu alasan sendirian; sebaliknya, masalahnya terletak pada jumlah aspek individu.

Luangkan waktu dan perhatian yang diperlukan untuk fase persiapan dan perencanaan proyek analisis data Anda. Jika Anda mematuhi dan mengikuti aturan utama dan praktik terbaik, Anda akan berada di jalan menuju kesuksesan dengan proyek Anda.