启动一个数据科学项目是一回事，而将其顺利完成则是另一回事。
为什么会这样？因为各种问题——其中一些是技术性质的，另一些则源于协作挑战——可能导致即使是最精心策划的数据科学项目也会失败。
数据科学的成功，部分取决于预见这些挑战并围绕它们进行规划。为此，本文将探讨七个常见的数据科学项目失败源，并提供避免这些陷阱的建议，帮助您顺利完成下一个项目。
1. 数据质量低
数据质量问题——例如数据不完整、不一致或冗余——是成功数据科学项目中最常见的挑战之一。尽管如此，我仍然要提及这一点，因为确保数据质量是开展依赖数据处理、分析和转化的项目的第一步，这一点至关重要。
值得注意的是，仅仅因为数据在项目开始时质量较低，并不意味着项目注定要失败。改善数据质量有很多有效的方法，例如数据清洗和标准化。项目失败通常是因为没有评估数据质量并根据需要进行改善，而不是因为数据质量差到无可挽回的地步。
2. 不知道数据存储位置
另一个常见的数据科学挑战是，不知道数据到底存储在哪里。大规模组织可能拥有数百个数据资产，这些资产分布在庞大且多样化的IT基础设施中。除非它们拥有一个详细且持续更新的数据目录来追踪所有这些资产——而许多组织并没有——否则，仅仅找到团队需要用来完成项目的数据就可能成为一项重大挑战。
不过，这里有可用的工具和技术可以帮助解决这个问题。主要的解决方案是数据发现软件，它能够自动识别数据资源，包括那些未被文档化的数据资源。
3. 难以访问的数据
有时，您知道数据存储在哪里，但却难以访问它。这可能是因为数据存储在一个文档不全或不再被积极支持的遗留系统中，或者数据的格式使其难以读取或处理。
这些问题是可以解决的，但前提是从数据科学项目一开始就预见到这些挑战，并部署必要的资源来应对。例如，您可能需要找到了解遗留系统并能够解锁存储在其中数据的专家。
4. 缺乏明确的项目目标
到目前为止，我讨论的是数据科学项目成功的技术挑战。现在，让我们转向可以称为组织或行为挑战的问题，首先是一个常见的陷阱：缺乏明确的项目目标。
很多时候，企业决定要用数据做些什么，但他们并不确切知道是什么。例如，他们可能会设定一个高层次的目标，比如利用数据衍生的洞察来推动收入增长，但并没有明确确定他们希望通过数据来解决哪些与收入相关的具体挑战。
避免这一陷阱的做法很简单：在项目开始时，需要明确具体的交付物和成果。项目一旦开始，细节上是可以进行一些调整的，但从一开始，您应该清楚项目的总体目标是什么。
5. IT部门与业务部门缺乏合作
在任何数据科学项目中，存在两个关键利益相关者——IT部门，负责管理数据资产；以及业务用户，负责决定数据科学项目应该实现什么目标。
不幸的是，这些群体之间的协作不佳往往会导致项目失败。例如，IT部门可能会在没有与业务用户协商的情况下限制对数据的访问，导致业务部门无法按照预期使用数据。或者，业务部门没有提供足够的意见，导致IT团队难以确定如何交付支持项目的数据资源。
6. 项目路线图不灵活
在任何规模或复杂度的数据科学项目中，无论您如何精心规划，问题总是会出现。您的团队可能会遇到意想不到的数据质量问题，或者发现缺少重要类型的数据。解决这些挑战通常需要偏离原始计划。
同样，在项目进行过程中，适应客户要求的变更也至关重要，特别是在开放范围的项目中。灵活地重新排序优先级并应对新的业务需求非常重要，但必须让客户明白，优先处理这些变更将不可避免地延迟项目的其他方面。
这并不是说团队需要时刻重新思考其目标和方法，而是要足够灵活，以应对变化。否则，精心制定的计划可能会成为数据科学项目成功的最大敌人。
7. 误解数据科学的目标
最后一个可能导致数据科学项目失败的关键挑战是，未能理解数据科学的目标以及数据科学所需要的方法和资源。
例如，一个企业可能决定要采用AI技术。如果该组织决定训练或定制自己的模型，数据科学可以是实现这一目标的一种方式——前提是它投资于支持该过程的数据管理基础设施和工具。
但如果目标是采用第三方的AI应用或服务，那么数据科学就不必要了。把所有涉及数据的事情都称为数据科学，是对数据科学术语的误用。
换句话说，您的数据科学项目只有在它真正是一个数据科学项目时才会成功。如果它不是——如果您追求的目标并不真正需要数据科学——您可能最终会投资于数据科学工具、资源和流程，而这些永远不会产生效果，因为它们不是实现目标的解决方案。
确保数据科学项目成功
可以肯定的是，没有什么“傻乎乎的诀窍”或简单的方法能确保您的数据科学项目会成功。但像精心管理数据质量和数据访问、设定明确目标以及采用灵活的项目框架等步骤，可以大大提高成功的概率。
