10 เหตุผลที่โครงการ Data Science ล้มเหลว

จากรายงานของ Gartner พบว่ามีโครงการเพียง 15% - 20% เท่านั้นที่ประสบความสำเร็จและมีเพียง 8% ที่ได้ผลลัพธ์ที่ดี

เกิดอะไรขึ้นกับโครงการเหล่านี้ ???

ใบบทความของ Fastdatascience.com ได้เสนอแนวคิดถึงปัญหาของความล้มเหลวไว้ดังนี้

จากฝั่ง Business

1. ได้ผลลัพธ์ในเชิง Data Science ออกมาแล้ว แต่ฝั่ง Business กลับไม่ได้นำผลลัพธ์ไปใช้งาน

2. ในโครงการ Data Science ไม่มีฝั่ง Business ไปเกี่ยวข้องแต่แรก ทำให้ไม่ได้รับ Credit และไม่เป็นที่ยอมรับ

3. ฝั่ง Business มีภาระงานเยอะ จนไม่สามารถเข้าใจกลไกการทำงานของโครงการ Data Science

4. ได้ลองนำผลลัพธ์ไปใช้งานแล้วแต่ให้เวลาน้อยเกินไป ทำให้ไม่เห็นถึงผลลัพธ์ที่แท้จริง

5. ทีมงานให้ความสำคัญแต่ผู้บริหารไม่ให้ความสำคัญ

จากฝั่ง Data Science

1. Data Scientist ให้ความสำคัญกับ Algorithm หรือวิชาการมากเกินไป

2. Data Scientist สื่อสารในเชิงธุรกิจไม่ได้ ทำให้ไม่เห็นภาพ

3. Data Scientist ตั้งสมมติฐานไม่ถูกต้อง

4. Data Scientist ยังไม่เก่งพอ

จากทั้ง 2 ฝ่าย

ทางธุรกิจไม่เข้าใจการทำงานในเชิง Data Science ในขณะที่ Data Scientist ไม่เข้าใจธุรกิจ ซึ่งทั้งสองฝ่ายไม่สื่อสารกัน

ปัญหาเหล่านี้ มีทางแก้โดยการ Setup โครงการอย่างมีกิจลักษณะ กล่าวคือต้องมีผู้รับผิดชอบชัดเจนในแต่ละหน้าที่ มีการรายงานความคืบหน้าที่เป็นลายลักษณ์อักษร โดยที่ทุกคนต่างมีเวลาในการสื่อสารและตรวจสอบกันและกัน

ซึ่งแต่ละส่วนอาจจะมีการตั้งคำถามของตัวเอง เช่น

Business question: โครงการนี้มีวัตถุประสงค์อย่างไร กระทบกับการทำงานส่วนไหนและใครที่จะได้รับผลกระทบบ้าง

Data collection: ฝ่าย IT ต้องเตรียมข้อมูลอะไรให้ ในรูปแบบไหน ส่งมอบเมื่อไหร่ เก็บข้อมูลที่ไหน

ทั้งนี้ คนที่นั่งหัวโต๊ะเป็นคนที่มีความสำคัญอย่างมาก อาจจะเป็น Project Manager หรือ ผู้บริหาร ที่สามารถตัดสินใจได้ทั้งฝั่ง Data Science และ Business

จากประสบการณ์ของ Coraline พบว่า โครงการ Data Science สามารถใช้เวลาเพียงไม่นานในการพัฒนาและขึ้นระบบ หากได้รับความร่วมมือและมีการติดตามอย่างต่อเนื่อง

References : https://fastdatascience.com/why-do-data-science-projects.../