作者：Daniel Amner 譯者：Sambodhi 來源：InfoQ

雖然數據是是推動真正數字轉換的關鍵要素，但組織往往以錯誤的方式處理數據和分析項目。實際上，很多時候數據科學項目失敗的原因，往往是由于人的因素，而非技術因素。技術問題，終將可以通過技術來解決，但人的問題，就沒那么容易了。讓我們看看數據科學家是怎么看待數據科學項目的成敗與人的關系。

你的組織要求你構建一個新的數據平臺。這聽上去很激動人心，對不對?只是，你失敗的可能性要比成功的可能性還大。

據 Gartner 估計，有 60% 的數據項目取得失敗，一些分析師認為這一數字是一個保守的估計。

下面是我認為導致數據項目失敗的一些原因。

數據的價值沒有得到重視

數據已經成為最重要的商業資產之一，但大多數組織并沒有重視它的價值。數據常常被視為功能的一個分支，很少有人會去考慮如何利用它來推動組織中的價值。

“數據是新的石油”已經成為描述數據價值的常用語。原油是未經提煉的，雖然它有一些內在價值，但在實現其真正價值之前還需要進一步加工。有太多的組織，只滿足于僅僅收集原始數據，而很少考慮將其提煉成有用的產品。

沒有組織范圍的數據策略

通常應用于軟件開發的康威定律(Conway’s law)指出：

“設計系統的架構受制于產生這些設計的組織的溝通結構 。”

這個定理在數據空間中適用，而且可能更加準確。對組織中的每個區域來說，將其數據存儲在只適用于其用例的結構和位置，是很常見的做法，而很少會考慮組織的其他區域將如何共享或利用。

如果沒有集中職能來定義整個組織的解決方案，很可能會出現數據孤島：數據存儲在不同的數據存儲區中。即使在數據存儲在集中位置的更好情況下，組織也不會以開放的心態去處理數據結構。這就導致了不那么明顯、但同樣有問題的數據孤島。

技術主導的解決方案

不成熟的組織總是將數據視為可以通過技術解決的技術問題，通常認為數據是由技術系統產生并存儲在技術解決方案中的。

帶來的結果是，數據解決方案是技術團隊獨立于組織的其他部門來制定的。數據解決方案的架構通常由軟件架構師和開發人員執行，但他們卻很少了解數據的細微差別，且缺乏上下文或理解。

很自然，這會得到次優解決方案，要么導致交付的平臺對大多數最終用戶不適用，要么導致大量的重新設計和返工，從而造成交付過程漫長而曲折。

缺乏專注力

組織及其領導者正被數據驅動決策所帶來的提高效績的承諾所誘惑。這會促使高層作出一些陳述，例如：

數據是我們的第一要務。

我們組織的每個區域都必須在決策中利用數據。

在沒有捕獲數據的情況下，任何新產品或系統都不可交付。

雖然這些聽上去像是有用的法令，但它們可能會帶來意想不到的后果。它往往會給組織灌輸一種“數據狂熱”的感覺，從而導致定義不清的需求和數據捕獲，而不去考慮如何使用這些數據。

“數據狂熱”還可能表現為要求同時處理所有事情，因為需要讓人們看到自己正在“處理數據”。這樣做的結果就是，在作決策的時候，很少關注這樣做對組織有什么好處，而更多的是在復選框中打勾，以確保你不會被指責沒有做正確的事情。

忽視技能差距

組織通常已經擁有很長時間的數據存儲。數據倉庫已經存在很長時間了，它們經常用來交付分析。

然而，用戶交付這些數據并分析其中所包含的數據的技能，并不同于構建一個現代數據平臺，也不同于從其中所包含的數據中提供深刻和有意義的見解。

大多數組織都沒有意識到，向現代數據平臺的轉型，需要現有勞動力進行大規模的技能轉移，并且還難以為彌合這一差距制定計劃。

近年來，對高技能數據型人才的需求激增，大多數組織不愿投資招聘這些人才，而是滿足于試圖利用現有的勞動力。實際上這一做法得不償失。假設你有一個很棒的數據平臺，但沒有優秀的人去使用它，那么你就將無法從中獲得真正的價值。

結論

數據項目經常因人員問題而失敗。至于技術問題，通常可以很容易地解決，但人員是一個非常困難、微妙的問題。

重要的是要認識到，數據項目要取得成功，就必須采取整全觀，包括來自組織的所有領域的人員，以開放、協作的心態進行工作。

如果不這樣做的話，數據項目將很可能會失敗。

作者介紹：Daniel Amner，是一名數據工程師，對所有數據抱有興趣，重點關注如何利用數據來提高業務價值。

原文鏈接：https://towardsdatascience.com/why-your-data-projects-will-probably-fail-3dfa6f73761c