Почему в прошлом 87% Data Science проектов не доходило до продакшена и как обеспечить ROI?
Всем привет! В прошлом посте мы уточнили, что data-инициативы должны строиться в соответствии с уровнем data maturity в компании. Также я уже упомянула важность и сложности быстрого и значительного ROI проектов, связанных с данными и ИИ (тут и тут). C-level лидеры последние 5+ лет активно инвестировали огромные деньги в развитие инфраструктуры данных и команд в сфере машинного обучения. При этом есть множество доказательств, что return получили не все проекты. Сегодня хочу поделиться с вами интересными мыслями о том, почему так много Data Science проектов проваливаются и как это исправить.
Что нужно сделать или изменить, чтобы избежать замкнутого круга неуспешных data проектов? Есть технические, а есть бизнесовые требования. Сегодня я хочу начать серию постов, которая раскроет бизнесовые компоненты и необходимые условия для успешных data проектов, которые генерируют отдачу. Самые важные компоненты: *️⃣Динамическая техническая стратегия *️⃣Continuous transformation через innovation mix, *️⃣Внедрение data-driven culture & literacy *️⃣Сollaborative opportunity discovery
Wait what? – Давайте по порядку! ▶️Продолжение в следующим посте.
Почему в прошлом 87% Data Science проектов не доходило до продакшена и как обеспечить ROI?
Всем привет! В прошлом посте мы уточнили, что data-инициативы должны строиться в соответствии с уровнем data maturity в компании. Также я уже упомянула важность и сложности быстрого и значительного ROI проектов, связанных с данными и ИИ (тут и тут). C-level лидеры последние 5+ лет активно инвестировали огромные деньги в развитие инфраструктуры данных и команд в сфере машинного обучения. При этом есть множество доказательств, что return получили не все проекты. Сегодня хочу поделиться с вами интересными мыслями о том, почему так много Data Science проектов проваливаются и как это исправить.
Что нужно сделать или изменить, чтобы избежать замкнутого круга неуспешных data проектов? Есть технические, а есть бизнесовые требования. Сегодня я хочу начать серию постов, которая раскроет бизнесовые компоненты и необходимые условия для успешных data проектов, которые генерируют отдачу. Самые важные компоненты: *️⃣Динамическая техническая стратегия *️⃣Continuous transformation через innovation mix, *️⃣Внедрение data-driven culture & literacy *️⃣Сollaborative opportunity discovery
Wait what? – Давайте по порядку! ▶️Продолжение в следующим посте.
In 2014, Pavel Durov fled the country after allies of the Kremlin took control of the social networking site most know just as VK. Russia's intelligence agency had asked Durov to turn over the data of anti-Kremlin protesters. Durov refused to do so. And indeed, volatility has been a hallmark of the market environment so far in 2022, with the S&P 500 still down more than 10% for the year-to-date after first sliding into a correction last month. The CBOE Volatility Index, or VIX, has held at a lofty level of more than 30. Russians and Ukrainians are both prolific users of Telegram. They rely on the app for channels that act as newsfeeds, group chats (both public and private), and one-to-one communication. Since the Russian invasion of Ukraine, Telegram has remained an important lifeline for both Russians and Ukrainians, as a way of staying aware of the latest news and keeping in touch with loved ones. The next bit isn’t clear, but Durov reportedly claimed that his resignation, dated March 21st, was an April Fools’ prank. TechCrunch implies that it was a matter of principle, but it’s hard to be clear on the wheres, whos and whys. Similarly, on April 17th, the Moscow Times quoted Durov as saying that he quit the company after being pressured to reveal account details about Ukrainians protesting the then-president Viktor Yanukovych. In the United States, Telegram's lower public profile has helped it mostly avoid high level scrutiny from Congress, but it has not gone unnoticed.
from kr
