Projets d'analyse de données :de la théorie à la pratique

Dans mon dernier article de blog, j'ai décrit les premières étapes importantes pour assurer le succès d'un projet d'analyse de données :

Premièrement, une coopération étroite entre le fournisseur d'idées (département) et les scientifiques des données est un must absolu pour atteindre l'objectif défini du projet. Deuxièmement, il est nécessaire de vérifier la qualité et la quantité des données avant que les data scientists ne se lancent.

Dans cet article, j'aimerais vous faire part de quelques recommandations :comment les projets d'analyse de données fonctionnent-ils dans la pratique ? Comment le modèle de prédiction Bosch peut-il être appliqué dans des cas d'utilisation ?

1. L'objectif du projet d'analyse de données a-t-il été atteint ?

Source :Bosch.IO

Parfois, même à la fin d'un projet, vous pouvez vous rendre compte que le projet n'a pas atteint ou complètement raté son objectif. Au fur et à mesure que vous vous efforcez d'atteindre les objectifs que vous avez définis pour votre projet, vous devez tenir compte d'un certain nombre de points. Trouvez quelques erreurs typiques ici :

un. Modèle de prédiction inexact

À la fin du projet, vous vous rendrez peut-être compte que le résultat (par exemple, un modèle de prédiction) ne parvient pas à atteindre la précision requise ou à fournir les nouvelles informations espérées.

Pourquoi est-ce possible ?

La première question que vous devez vous poser est de savoir si la précision requise du modèle a été définie au début du projet. Il s'agit bien entendu d'un prérequis de base qui doit être pris en compte dès la phase de planification du projet. Les aspects relatifs à la qualité et à la quantité des données mentionnés précédemment peuvent également conduire à un résultat inexact car les données « ne donnent pas plus d'informations ».

Ainsi, il devient clair que la mise en œuvre du projet n'est pas à blâmer pour le résultat moins que satisfaisant du projet, mais que des pièges sont présents dans la phase de planification qui influencent considérablement le résultat.

b. Poursuivre un cas d'utilisation non durable pendant trop longtemps

Souvent, au démarrage d'un projet, toutes les parties prenantes sont euphoriques. Les objectifs techniques et commerciaux semblent prometteurs. « Le projet doit être un succès ! »

Cependant, cette phrase cache un risque. Malgré toute l'euphorie, il est important de maintenir une certaine neutralité et un certain scepticisme quant aux résultats (intermédiaires). Poursuivre avec acharnement un cas d'utilisation non durable peut signifier que vous finissez par investir beaucoup de temps et d'argent dans un projet sans atteindre le résultat espéré.

Il est donc crucial d'analyser les résultats intermédiaires avec un esprit critique et ouvert quant à la faisabilité d'atteindre l'objectif du projet.

Nous vous recommandons fortement de tenir compte des signes avant-coureurs et de ne pas poursuivre un objectif de projet qui est réaliste de manière irréalisable simplement parce que vous « devez » y arriver !

Permettez-moi de mentionner ici le mantra « échouer rapidement » ou « le changer », qui stipule qu'il est préférable de reconnaître ou d'adapter un objectif inaccessible rapidement que de le poursuivre et d'investir des ressources inutiles - sans ajouter de valeur ou obtenir un résultat utile.

Nous vous accompagnons en plusieurs phases. Après chaque phase, il analyse les résultats obtenus jusque-là. Cela permet d'adapter les objectifs du projet ou les données sous-jacentes à différents stades du processus, ce qui rend les risques transparents et évitables.

Source :Bosch.IO

2. Théorie et pratique - de la preuve de concept (PoC) au cas d'utilisation opérationnel

Tout ce qui fonctionne dans des « conditions de laboratoire » ne s'avère pas efficace dans la pratique. C'est malheureusement la conclusion que l'on doit parfois tirer à la fin d'un projet. Mais nous devons d'abord le tester.

Le modèle de prédiction développé a fonctionné conformément aux exigences sur la base des données d'entraînement historiques. Il est maintenant temps de l'intégrer dans l'environnement opérationnel.

La désillusion peut s'installer même à ce stade précoce. Le modèle de prédiction est conçu pour fonctionner sur un système de contrôle et faire des prédictions en temps réel (de l'ordre de la milliseconde). Cependant, cette exigence n'était pas connue lorsque le modèle a été développé. Les algorithmes sont complexes, car ils doivent répondre à des normes élevées en matière de précision, mais les ressources limitées signifient qu'ils ne peuvent pas être appliqués sur le matériel cible.

Ainsi, ce qui semblait initialement être un excellent résultat de projet ne peut finalement pas être intégré dans le cas d'utilisation réel. La raison en est encore une fois des lacunes dans la phase de planification.

Nous menons des projets d'analyse de données conformément à la norme CRISP-DM - ​​avec un ajout crucial :nous mettons un accent particulier sur la réalisation d'une compréhension de niveau expert du problème du client. (Voir également la question 3 de l'article de blog :Comment démarrer un projet d'analyse de données dans la fabrication.)

Pour ce faire, lors de la phase Initial Insights, nos ingénieurs en analyse de données en apprennent davantage sur les processus de production du client et le problème spécifique à résoudre. Ils posent également beaucoup de questions pour leur permettre de développer une compréhension approfondie. Cette phase est extrêmement importante pour la réussite du projet car elle pose les bases pour établir les corrélations entre les processus réels, les problèmes et les données. Vous ne pouvez pas trouver de solutions dans le monde numérique si vous ne comprenez pas le processus et le problème dans le monde réel.

Source :Bosch.IO Source :Bosch.IO

Meilleures pratiques pour la réussite des projets d'analyse de données

Il existe de nombreuses raisons pour lesquelles les projets d'analyse de données peuvent échouer. Souvent, il n'y en a pas un raison seul; au lieu de cela, le problème réside dans la somme des aspects individuels.

Consacrez le temps et l'attention nécessaires à la phase de préparation et de planification de votre projet d'analyse de données. Si vous observez et suivez les principales règles et bonnes pratiques, vous serez sur la voie du succès avec votre projet.