Menghindari Jebakan Umum dalam Proyek Analitik Data – Panduan Praktis
Penelitian terbaru Capgemini menunjukkan bahwa 15% inisiatif big data di Eropa gagal. Untuk bergabung dengan 85% yang sukses, Anda harus menavigasi jebakan terumum dengan hati-hati. Dalam posting ini, saya akan membahas dua jebakan besar pertama – dua yang tersisa dijelaskan dalam artikel terpisah.
Tantangan ini universal. Dalam bengkel analitik data awal kami, kami sering menemuinya dari kickoff hingga penyelesaian. Berdasarkan dugaan proyek sukses, saya akan garis setiap jebakan, menjelaskan mengapa itu penting, dan melukisinya dengan contoh konkret.
1. Siapa yang Memulai Proyek – TI atau Bisnis?
Analitik data dan “big data” seringkali disamakan, namun mereka memiliki tujuan yang berbeda. Tim TI biasanya memulai proyek karena mereka dapat menyediakan infrastruktur yang diperlukan—basis data, kluster, dan pipeline. Namun, hanya mengumpulkan data tidak menciptakan nilai bisnis.
Nilai nyata muncul ketika departemen non-TI mendefinisikan tujuan yang jelas dan relevan komersial. Tujuan ini memandu ilmuwan data untuk fokus pada wawasan yang dapat ditindaklanjuti daripada volume mentah. Kolaborasi erat antara pemilik bisnis dan ilmuwan data sangat penting; yang pertama menyediakan pengetahuan domain, yang terakhir menerjemahkannya ke dalam model dan visualisasi.
Insinyur analitik data bertindak sebagai jembatan antara TI dan bisnis. Pengalaman operasional mereka—baik di manufaktur, logistik, atau domain lain—memastikan data berkorelasi dengan proses dunia nyata (mesin, sensor, alur kerja). Keberhasilan proyek bergantung pada transfer pengetahuan ini.
Sementara TI sering memulai proyek, keberhasilan bergantung pada keterlibatan aktif dari departemen target untuk mendefinisikan tujuan teknis dan bisnis yang konkret.
2. Tidak Semua Data Sama Bernilai
Setelah proyek diluncurkan, berhenti. Sebelum menyerahkan data kepada ilmuwan, Anda harus memeriksa kualitas dan kuantitasnya.
a) Kualitas Data
Penilai konsistensi format, transparansi sumber, dan integritas data. Untuk integrasi multi-sumber, pengidentifikasi unik (misalnya, stempel waktu, nomor bagian) sangat penting. Waspadai format tanggal/waktu yang heterogen atau jam tidak sinkron di seluruh sistem—hal ini dapat merusak penggabungan.
b) Kuantitas Data
Lebih banyak data umumnya menguntungkan, tetapi relevansi penting. Untuk model prediktif yang menargetkan peristiwa langka (misalnya, kegagalan atau cacat), set pelatihan Anda harus mengandung cukup insatnsi negatif. Jika dataset miring, model akan kesulitan mempelajari kelas minoritas. Memperpanjang jendela observasi atau memperkaya data dapat mengatasi masalah ini.
c) Data yang Tepat
Di luar volume, data harus mengandung variabel yang diperlukan untuk memenuhi tujuan teknis. Misalnya, jika Anda bertujuan untuk memprediksi kekasaran permukaan, pengukuran mentah harus ditangkap dan disimpan; jika tidak, tidak ada model yang dapat dibuat. Fitur kritis yang hilang menunda kemajuan dan meningkatkan biaya.
Memastikan Keberhasilan Proyek
Untuk mengatasi kualitas, kuantitas, dan relevansi, kami menyediakan seperangkat pedoman kualitas data saat inception proyek. Pedoman ini, bersama dengan bengkel awal yang berfokus pada use case quick-win, meningkatkan kesadaran ahli manufaktur dan mempercepat tahap-tahap berikutnya.
Sumber: Bosch.IO