Projetos de análise de dados:da teoria à prática

Em minha última postagem do blog, descrevi as etapas iniciais importantes para garantir um resultado bem-sucedido de um projeto de análise de dados:

Em primeiro lugar, a cooperação estreita entre o fornecedor de ideias (departamento) e os cientistas de dados é uma necessidade absoluta para atingir o objetivo definido do projeto. Em segundo lugar, é necessário verificar a qualidade e a quantidade dos dados antes que os cientistas de dados comecem.

Neste post, gostaria de atualizá-lo com algumas recomendações:Como os projetos de análise de dados funcionam na prática? Como o modelo de previsão da Bosch pode ser aplicado em casos de uso?

1. O objetivo do projeto de análise de dados foi alcançado?

Fonte:Bosch.IO
Às vezes, mesmo no final de um projeto, você pode perceber que o projeto não alcançou ou perdeu completamente o seu objetivo. À medida que você trabalha para atingir os objetivos definidos do projeto, há uma série de pontos a serem considerados. Encontre alguns erros típicos aqui:

a. Modelo de previsão impreciso

No final do projeto, você pode perceber que o resultado (por exemplo, um modelo de previsão) falha em atender à precisão necessária ou em entregar os novos insights esperados.

Por que isso pode ser?

A primeira pergunta que você precisa fazer é se a precisão necessária do modelo foi definida no início do projeto. Este é, obviamente, um pré-requisito básico e deve ser considerado desde a fase de planejamento do projeto. Os aspectos relacionados à qualidade e quantidade de dados mencionados anteriormente também podem levar a um resultado impreciso porque os dados "não fornecem mais informações".

Assim, fica claro que a implementação do projeto não é responsável pelo resultado menos que satisfatório do projeto, mas que as armadilhas estão presentes na fase de planejamento que influenciam significativamente o resultado.

b. Perseguir um caso de uso insustentável por muito tempo

Freqüentemente, no início de um projeto, todas as partes interessadas ficam eufóricas. Os objetivos técnicos e comerciais parecem promissores. “O projeto tem que ser um sucesso!”

No entanto, esta frase esconde um risco. Apesar de toda a euforia, é importante manter uma certa neutralidade e ceticismo em relação aos resultados (intermediários). Perseguir obstinadamente um caso de uso insustentável pode significar que você acaba investindo muito tempo e dinheiro em um projeto sem atingir o resultado esperado.

Portanto, é crucial analisar os resultados intermediários com uma mente crítica e aberta no que diz respeito à viabilidade de atingir o objetivo do projeto.

Recomendamos enfaticamente que você preste atenção aos sinais de alerta e não busque uma meta de projeto que seja realisticamente inatingível simplesmente porque você “precisa” chegar lá!

Deixe-me mencionar aqui o mantra “falhe rápido” ou “mude”, que afirma que é melhor reconhecer ou adaptar uma meta inatingível rapidamente do que persegui-la e investir recursos desnecessários - sem agregar valor ou alcançar um resultado útil.

Oferecemos suporte em várias fases. Após cada fase, analisa os resultados alcançados até aquele ponto. Isso torna possível adaptar as metas do projeto ou os dados subjacentes em vários pontos do processo - tornando os riscos transparentes e evitáveis.
Fonte:Bosch.IO

2. Teoria e prática - da Prova de Conceito (PoC) ao caso de uso operacional

Nem tudo que funciona em “condições de laboratório” acaba sendo eficaz na prática. Infelizmente, essa é a conclusão que às vezes temos que tirar no final de um projeto. Mas primeiro temos que testá-lo.

O modelo de previsão desenvolvido funcionou de acordo com os requisitos com base nos dados históricos de treinamento. Agora é hora de integrá-lo ao ambiente operacional.

A desilusão pode se instalar até mesmo neste estágio inicial. O modelo de previsão é projetado para ser executado em um sistema de controle e fazer previsões em tempo real (na faixa de milissegundos). No entanto, esse requisito não era conhecido quando o modelo foi desenvolvido. Os algoritmos são complexos, pois devem atender a altos padrões de precisão, mas os recursos limitados significam que não podem ser aplicados no hardware de destino.

Portanto, o que inicialmente parecia ser um ótimo resultado de projeto, em última análise, não pode ser integrado ao caso de uso real. O motivo são, mais uma vez, deficiências na fase de planejamento.

Conduzimos projetos de análise de dados em linha com o padrão CRISP-DM - ​​com um acréscimo crucial:Colocamos uma ênfase particular em alcançar um entendimento de nível de especialista do problema do cliente. (Veja também a pergunta 3 da postagem do blog:Como iniciar um projeto de análise de dados na manufatura.)

Para fazer isso, durante a fase de Insights iniciais, nossos engenheiros de análise de dados aprendem mais sobre os processos de produção do cliente e o problema específico a ser resolvido. Eles também fazem muitas perguntas para que possam desenvolver um entendimento profundo. Esta fase é extremamente importante para o sucesso do projeto porque estabelece as bases para estabelecer as correlações entre os processos, problemas e dados reais. Você não pode encontrar soluções no mundo digital se você não entende o processo e o problema no mundo real.

Fonte:Bosch.IO Fonte:Bosch.IO

Práticas recomendadas para o sucesso de projetos de análise de dados

Existem muitos motivos pelos quais os projetos de análise de dados podem falhar. Muitas vezes não há um motivo sozinho ; em vez disso, o problema está na soma dos aspectos individuais.

Dedique o tempo e a atenção necessários à fase de preparação e planejamento de seu projeto de análise de dados. Se você observar e seguir as principais regras e práticas recomendadas, estará no caminho do sucesso com seu projeto.