¿Por qué fracasan los proyectos de análisis?

Según la encuesta de Gartner [4], las razones clave del fracaso de los proyectos fueron "la resistencia de la gestión y la política interna". El estudio de HBR [2] informó hallazgos similares: Los mayores impedimentos para una adopción exitosa fueron “la alineación organizacional insuficiente, la falta de adopción y comprensión por parte de los mandos intermedios y…

A continuación se detallan algunas razones comunes del fracaso de un proyecto de TI: Falta de interés por parte de la gerencia. Enfoques de reducción de costos. Falta de planificación adecuada.

Hay muchas razones por las que las implementaciones de proyectos de TI pueden salir mal: falta de planificación y participación en la gestión, subestimación de recursos, no gestionar las expectativas de los usuarios, demasiada personalización y ajustes al final del proyecto y pruebas insuficientes, por nombrar algunas.

Según las predicciones de Gartner, "hasta 2020, el 80% de los proyectos de IA seguirán siendo alquimia, dirigidos por magos cuyos talentos no escalarán en la organización" y Transform 2019 de VentureBeat predijo que el 87% de los proyectos de IA nunca llegarán a producción.

De hecho, las tasas de fracaso de la ciencia de datos son alarmantes: el 85% de los proyectos de big data fracasan (Gartner, 2017) el 87% de los proyectos de ciencia de datos nunca llegan a producción (VentureBeat, 2019) “Hasta 2022, solo el 20% de los conocimientos analíticos entregarán resultados empresariales” (Gartner, 2019)

Según Nick Heudecker, analista de Gartner, más del 85% de los proyectos de ciencia de datos fracasan. Hay una serie de factores que contribuyen, siendo los cuatro principales datos inapropiados o aislados, escasez de habilidades/recursos, poca transparencia y dificultades con el despliegue y la operacionalización del modelo.

No hay nada que puedas hacer cuando hay un error en los datos. Los datos de BA fallan solo significa que necesita ejecutar los datos nuevamente. C. Puede utilizar estadísticas avanzadas para obtener mejores resultados.

Para los no iniciados, la ciencia de datos es el proceso de dividir grandes cantidades de datos, procesarlos y analizarlos para obtener información significativa que pueda ayudar a las empresas a obtener información sobre inquietudes, experiencia del cliente, cadena de suministro y otros aspectos principales que complementarían sus operaciones comerciales.

La ciencia de datos puede agregar valor a cualquier empresa que pueda utilizar bien sus datos. Desde estadísticas e información sobre los flujos de trabajo y la contratación de nuevos candidatos hasta ayudar al personal superior a tomar decisiones mejor informadas, la ciencia de datos es valiosa para cualquier empresa de cualquier industria.

En su informe de empleos emergentes de 2020, LinkedIn incluyó a los científicos de datos como el tercer trabajo con una tasa de crecimiento anual del 37 por ciento. La demanda excesiva de habilidades en datos generará la necesidad de perfeccionar aún más las posiciones específicas dentro de la ciencia de datos. Será interesante ver cómo se desarrolla este campo durante la próxima década.

Es por eso que aprender la diferencia entre análisis de negocios y ciencia de datos es relevante para muchos… ¿Son los títulos relevantes en ciencia de datos y análisis de negocios?

Habilidades Técnicas: Ciencias de la Computación

• Codificación Python. Python es el lenguaje de codificación más común que normalmente considero necesario en funciones de ciencia de datos, junto con Java, Perl o C/C++.
• Plataforma Hadoop.
• Base de datos SQL/Codificación.
• Chispa Apache.
• Aprendizaje automático e IA.
• Visualización de datos.
• Datos no estructurados.

Debe tener conocimientos de varios lenguajes de programación, como Python, Perl, C/C++, SQL y Java, siendo Python el lenguaje de codificación más común requerido en funciones de ciencia de datos. Estos lenguajes de programación ayudan a los científicos de datos a organizar conjuntos de datos no estructurados.

¿Qué habilidades técnicas necesitas para convertirte en un científico de datos?

• Programación en Python.
• Programación R.
• Plataforma Hadoop.
• Bases de datos SQL.
• Aprendizaje automático e IA.
• Visualización de datos.
• Estrategia de negocios.

Decidí volver a ser principiante y reinventarme como científico de datos. Quería aprender a mi propio ritmo así que decidí tomar cursos en línea. Pensé que con un doctorado en Neurociencia probablemente tenía suficiente formación formal para conseguir un trabajo en ciencia de datos.

Principales herramientas de ciencia de datos

1. SAS. Es una de esas herramientas de ciencia de datos diseñadas específicamente para operaciones estadísticas.
2. Chispa Apache. Apache Spark o simplemente Spark es un motor de análisis todopoderoso y es la herramienta de ciencia de datos más utilizada.
3. GranML.
4. D3.
5. MATLAB.
6. Sobresalir.
7. ggplot2.
8. Cuadro.

Las empresas indias de TI han identificado el análisis y el big data como los próximos grandes motores de crecimiento. Ante un mercado global de servicios de TI saturado, las empresas indias han comenzado a ampliar sus ofertas de servicios de análisis. Esto ha generado una enorme demanda de científicos de datos capacitados entre las empresas de TI.

Si trabaja para una empresa de tecnología, es posible que se valore más a un ingeniero de software y se le pague más. Sin embargo, si trabaja en el sector bancario o de servicios financieros, sin duda a los titulares de un MBA se les paga más. Los ingenieros pueden incluso obtener salarios base más altos, pero la compensación en bonificación ni siquiera se acerca.