Kako kompanije biraju koje data science projekte treba da pokrenu? Menadžment identifikuje skup projekata za koje bi želeli da uđu u rad i kreira sveobuhvatnu matricu prioritizacije. Jedna osa predstavlja vrednost datog projekta za poslovanje, dok druga predstavlja njegovu procenjenu kompleknost ili trošak razvoja. Menadžment zatim alocira ograničene kompanijske resurse projektima za koje veruje da će kombinovano najmanje koštati i imati najveću vrednost za poslovanje. Šta nedostaje kao ključ izuzetne data strategije?

Ovaj pristup nije idealan. Odabir pravih projekata je suštinski deo svake data strategije, a matrica vrednost-trošak je sama po sebi recept za osrednje rezultate.

Ključ izuzetne data strategije podrazumeva mnogo više nego biranje projekata, naravno. Ona počinje od centralizovanih investicija u tehnologiju kao i dobro odabranih i koordiniranih polaznih osnova za arhitekturu data aplikacija. Kratkoročno je veoma konkretna a dugoročno fleksibilna. Kada je reč o biranju projekata, izuzetna data strategija uzima u obzir činjenicu da data science projekti nisu nevezani jedan sa drugim. Sa svakim izvedenim projektom, uspešno ili ne, stvarate osnov na kome ćete nadgrađivati sledeće projekte lakše i sa manjim troškovima.

Kako izgleda odabir projekata u kompaniji sa izuzetnom data strategijom?

Najpre, kompanija prikuplja ideje. Ova težnja bi trebalo da bude raspoređena što je više moguće širom organizacije, na svim nivoima. Ako vidite samo dobre i očigledne ideje na prikupljenoj listi, trebalo bi da se zabrinete – to je znak da vam nedostaje kreativno razmišljanje. Nakon što sastavite dugačak spisak, treba izdvojiti prema tehničkoj izvodljivosti ideja. Zatim se kreira matrica prioriteta kao što je gore opisano, koja evaluira svaki projekat prema njegovom relativnom trošku/kompleksnosti i vrednosti za poslovanje.

Sada stvari postaju zanimljive. Na matrici prioriteta, nacrtaju se linije potencijalno povezanih projekata. Ove veze postoje tamo gde projekti dele izvore podataka; gde jedan projekat može da omogući prikupljanje podataka koje bi bilo od pomoći za drugi projekat; ili tamo gde je osnovni rad na jednom projektu ujedno osnova za drugi. Ovaj pristup uzima u obzir realnost rada u data nauci, kao što je činjenica da rad na projektu koji omogućava ostale čini da sledeći projekti budu brži i lakši (čak i ako prethodnik ne uspe). Troškovi prikupljanja podataka i izgradnje zajedničkih komponenti se amortizuju među svim projektima.

Drugi pristup će otkriti da neki ambiciozni projekti sa visokom vrednošću mogu biti efikasniji i sigurniji za implementaciju nego projekti manje vrednosti koji su izgledali atraktivno u naivnoj analizi. Uzimanje u obzir činjenice da se različiti projekti nadovezuju jedan na drugi jeste ključ izuzetne data strategije.

Predviđanja: Big Data analitika do 2025-te