加快零售客户体验计划的三个想法

最近一项针对16000多名数据专业人员的调查显示,数据科学面临的最常见挑战包括脏数据(36%)、缺乏数据科学人才(30%)和缺乏管理支持(27%)。此外,数据专家报告在过去的一年里经历了大约三个挑战。研究的20个挑战的主成分分析表明,挑战可以分为五类。
数据科学是寻找有用的洞察力并加以利用。然而,数据科学并不是在真空中发生的。当追求他们的分析目标时,数据专业人员可能面临阻碍他们进步的不同类型的挑战。这篇文章探讨了数据专家经历的挑战。为了研究这一问题,我使用的数据来自于Kaggle 2017态数据科学和机器学习的调查,超过16000的专业人士(数据收集在2017年8月调查数据)。
工作中的障碍和挑战

1。数据专家面临的挑战。
调查询问受访者:“在工作中,你在过去的一年中遇到过哪些障碍或挑战?(选择所有适用的)。结果显示在图1中,显示前10个挑战是:
脏数据(36%报告)
数据科学人才匮乏(30%)
公司政治(27%)
缺乏明确的问题(22%)
数据不可访问(22%)
决策者未使用的结果(18%)
向他人解释数据科学(16%)
隐私问题(14%)
缺乏领域专门知识(14%)
组织规模小,负担不起数据科学团队(13%)
结果表明,平均而言,数据专业人员经历了三(中位数)的挑战,在过去的一年。挑战的数量经历了显著不同的职称。数据专家,自我鉴定为数据科学家或预测建模者报告使用四个平台。作为程序员的自我识别的数据专家只报告了一个挑战。
平台和资源的分组
我进行了20种挑战的主成分分析(0 =没有经验;1 =经验)来识别自然发生的挑战组。我发现了一个相当明确的5分量解决方案,表明特定的挑战往往伴随着其他挑战而出现。
2。挑战的主成分分析。
五个组件(挑战分组):
不用于决策的见解:这些挑战包括公司管理,不能把研究成果转化为决策的过程和缺乏管理支持。
数据保密性、准确性,不可用:这些挑战都围绕着数据本身,包括如何“脏”的是,它的可用性以及隐私问题。
工具规模部署的局限性:这一类的挑战是,用于提取工具相关的见解,以及缩放的解决方案到完整的数据库部署模型。
缺乏资金,缺乏资金的影响:挑战什么组织可以与外部数据源的购买,数据科学人才和专业领域知识,也许。
错误的问题问:挑战是在保持数据的科学方案,没有一个明确的回答的问题,或一个明确的方向和现有的数据去影响预期的困难。
3。总结
数据专家在他们的数据科学和机器学习追求方面遇到挑战。数据专业人员在一年内经历约三(3)个挑战。最常见的数据科学和机器学习的挑战包括脏数据,数据科学人才缺乏,管理支持和明确的方向/问题缺乏。

上一篇: 市场战略与市场营销的区别
下一篇: 改善顾客体验的4种顾客期望管理策略