公司正在以前所未有的速度推進數字化轉型。Gartner Research最近的一項調查發現， 49%的CIO報告說他們的企業已經改變了他們的商業模式，以擴大他們的數字化努力，或者正在這樣做。

隨著公司不斷推進這些轉型，他們將數據科學和機器學習融入各種業務功能中。這不是一件容易的事。典型的企業數據科學項目非常復雜，需要部署跨學科團隊，其中包括匯集數據工程師，開發人員，數據科學家，主題專家和具有其他特殊技能和知識的個人。

而且，這種人才稀缺而且代價高昂。事實上，只有少數公司成功建立了經驗豐富的數據科學實踐。而且，雖然構建這個團隊需要時間和資源，但許多公司面臨著更大的問題：超過 85%的大數據項目都失敗了。

許多因素導致了這些失敗，包括人為因素，以及時間，技能和影響方面的挑戰。在這篇eWEEK數據點文章中，專注于企業數據科學自動化的硅谷科技創業公司dotData的創始人兼首席執行官Ryohei Fujimaki博士討論了導致這些失敗的五個關鍵因素。

數據點1：缺乏執行數據科學項目的資源

數據科學是一種跨學科的方法，涉及數學家，統計學家，數據工程，軟件工程師，以及重要的主題專家。根據項目的規模和范圍，公司可能會部署大量數據工程師，解決方案架構師，領域專家，數據科學家(或多個)，業務分析師以及可能的其他資源。許多公司沒有和/或沒有能力部署足夠的資源，因為雇用這些人才變得越來越具有挑戰性，而且公司通常還有許多數據科學項目要執行，所有這些項目都需要數月才能完成。

數據點2：長期周轉時間和前期努力，無法看到潛在價值

盡管缺乏對最終結果及其業務價值的可見性，但數據科學項目面臨的最大挑戰之一是需要大量的前期工作。傳統的數據科學過程需要數月才能完成，直到評估結果。特別是，將業務數據轉換為機器學習就緒格式的數據和特征工程過程需要大量的迭代工作。與此方法相關的長周轉時間和大量前期工作通常會導致數月投資后項目失敗。因此，企業高管對于應用更多資源猶豫不決。

數據點3：技術和商業期望的錯位

大多數數據科學項目旨在為業務團隊提供重要的見解。但是，通常項目開始時業務和數據科學團隊之間沒有明確的關于項目期望和目標的一致性，導致數據科學團隊主要關注模型準確性，而業務團隊更關注諸如經濟利益，業務見解或模型可解釋性。最后，業務團隊不接受數據科學團隊的成果。

數據點第4號：缺乏對生產，運營的建筑考慮

許多數據科學項目的開始都沒有考慮如何將已開發的管道部署到生產中。之所以出現這種情況，是因為業務流程通常由IT團隊管理，而IT團隊無法深入了解數據科學流程，數據科學團隊專注于驗證其假設，并且沒有生產和解決方案的架構視圖積分。因此，許多數據科學項目不是集成到管道中，而是最終作為一次性的概念驗證練習，無法實現真正??的業務影響或導致大量成本增加以使項目生產。

數據點第5點：對技能，特定個人經驗的嚴重依賴

傳統的數據科學在很大程度上依賴于有經驗的個人的技能，經驗和直覺。特別是，數據和特征工程過程現在主要基于領域專家和數據科學家的手動努力和直覺。盡管這些有才能的人才是寶貴的，但考慮到這些經驗豐富的人才的招聘挑戰，依賴這些人的做法對于企業公司來說是不可持續的。因此，公司需要尋求解決方案來幫助數據科學民主化，使更多具有不同技能水平的參與者能夠有效地執行項目。

數據點第6號：端到端數據科學自動化是一種解決方案

通過人工智能(AI)和機器學習(ML)計劃實現更高投資回報的壓力促使更多企業領導者為其數據科學管道尋求創新解決方案，例如機器學習自動化。選擇一個能夠提供數據科學過程端到端自動化的正確解決方案，包括自動化數據和特征工程，是數據驅動型公司成功的關鍵。數據科學自動化使得更快地執行數據科學過程成為可能，通常在幾天而不是幾個月內，更加透明，并提供可以持續改進的最小可行管道。因此，公司可以快速擴展其AI / ML計劃，以推動變革性業務變革。