Proyectos de análisis de datos:de la teoría a la práctica

En mi última publicación de blog, describí los pasos iniciales importantes para garantizar un resultado exitoso de un proyecto de análisis de datos:

Primero, la estrecha cooperación entre el proveedor de ideas (departamento) y los científicos de datos es una necesidad absoluta para lograr el objetivo definido del proyecto. En segundo lugar, es necesario verificar la calidad y cantidad de los datos antes de que los científicos de datos comiencen.

En esta publicación, me gustaría actualizarlo con algunas recomendaciones:¿Cómo funcionan los proyectos de análisis de datos en la práctica? ¿Cómo se puede aplicar el modelo de predicción de Bosch en casos de uso?

1. ¿Se logró el objetivo del proyecto de análisis de datos?

Fuente:Bosch.IO

A veces, incluso al final de un proyecto, es posible que se dé cuenta de que el proyecto no ha cumplido su objetivo o no lo ha cumplido por completo. A medida que trabaja para lograr los objetivos definidos de su proyecto, hay una serie de puntos a considerar. Encuentre algunos errores típicos aquí:

a. Modelo de predicción inexacto

Al final del proyecto, es posible que se dé cuenta de que el resultado (por ejemplo, un modelo de predicción) no cumple con la precisión requerida o no brinda los nuevos conocimientos esperados.

¿Por qué podría ser eso?

La primera pregunta que debe hacerse es si la precisión requerida del modelo se definió al inicio del proyecto. Este es, por supuesto, un requisito previo básico y debe considerarse desde la fase de planificación del proyecto. Los aspectos relacionados con la calidad y cantidad de datos mencionados anteriormente también pueden conducir a un resultado inexacto porque los datos "no brindan más información".

Por lo tanto, queda claro que la implementación del proyecto no tiene la culpa del resultado menos que satisfactorio del proyecto, sino que existen dificultades en la fase de planificación que influyen significativamente en el resultado.

b. Perseguir un caso de uso insostenible durante demasiado tiempo

A menudo, al comienzo de un proyecto, todas las partes interesadas están eufóricas. Los objetivos técnicos y comerciales parecen prometedores. "¡El proyecto tiene que ser un éxito!"

Sin embargo, esta sentencia esconde un riesgo. A pesar de toda la euforia, es importante mantener cierta neutralidad y escepticismo con respecto a los resultados (intermedios). La persecución tenaz de un caso de uso insostenible puede significar que termines invirtiendo mucho tiempo y dinero en un proyecto sin lograr el resultado esperado.

Por tanto, es fundamental analizar los resultados intermedios con una mente crítica y abierta en cuanto a la viabilidad de lograr el objetivo del proyecto.

Le recomendamos encarecidamente que preste atención a las señales de advertencia y no persiga un objetivo del proyecto que sea realmente inalcanzable simplemente porque "tiene que" llegar allí.

Permítanme mencionar aquí el mantra "fallar rápido" o "cambiarlo", que establece que es mejor reconocer o adaptar rápidamente una meta inalcanzable que perseguirla e invertir recursos innecesarios, sin agregar valor ni lograr un resultado útil.

Brindamos soporte en varias fases. Después de cada fase, analiza los resultados obtenidos hasta ese momento. Esto hace posible adaptar los objetivos del proyecto o los datos subyacentes en varios puntos del proceso, lo que hace que los riesgos sean transparentes y evitables.

Fuente:Bosch.IO

2. Teoría y práctica:desde la prueba de concepto (PoC) hasta el caso de uso operativo

No todo lo que funciona en "condiciones de laboratorio" resulta ser eficaz en la práctica. Desafortunadamente, esta es la conclusión que a veces tenemos que sacar al final de un proyecto. Pero primero tenemos que probarlo.

El modelo de predicción desarrollado ha funcionado de acuerdo con los requisitos sobre la base de los datos de entrenamiento históricos. Ha llegado el momento de integrarlo en el entorno operativo.

La desilusión puede surgir incluso en esta etapa temprana. El modelo de predicción está diseñado para ejecutarse en un sistema de control y realizar predicciones en tiempo real (en el rango de milisegundos). Sin embargo, este requisito no se conocía cuando se desarrolló el modelo. Los algoritmos son complejos, ya que deben cumplir con altos estándares de precisión, pero los recursos limitados significan que no se pueden aplicar en el hardware de destino.

Entonces, lo que inicialmente parecía ser un gran resultado de proyecto, en última instancia, no se puede integrar en el caso de uso real. El motivo es una vez más las deficiencias en la fase de planificación.

Realizamos proyectos de análisis de datos de acuerdo con el estándar CRISP-DM, con una adición crucial:ponemos un énfasis particular en lograr una comprensión de nivel experto del problema del cliente. (Consulte también la pregunta 3 de la publicación del blog:Cómo iniciar un proyecto de análisis de datos en la fabricación).

Para ello, durante la fase de conocimientos iniciales, nuestros ingenieros de análisis de datos aprenden más sobre los procesos de producción del cliente y el problema específico que se debe resolver. También hacen muchas preguntas para que puedan desarrollar una comprensión profunda. Esta fase es extremadamente importante para el éxito del proyecto porque sienta las bases para establecer las correlaciones entre los procesos reales, los problemas y los datos. No puede encontrar soluciones en el mundo digital si no comprende el proceso y el problema del mundo real.

Fuente:Bosch.IO Fuente:Bosch.IO

Mejores prácticas para el éxito de los proyectos de análisis de datos

Hay muchas razones por las que los proyectos de análisis de datos pueden fallar. A menudo no hay uno motivo solo ; en cambio, el problema radica en la suma de aspectos individuales.

Dedique el tiempo y la atención necesarios a la fase de preparación y planificación de su proyecto de análisis de datos. Si observa y sigue las reglas principales y las mejores prácticas, estará en el camino hacia el éxito con su proyecto.