组织中数据科学的局限性

2017年，Gartner发布了一个数据和分析成熟度模型，以评估组织在其数据和分析旅程中的进度。

组织应该做得更好

As Nick Heudecker, a Research VP at Gartner observed: ‘Most organizations should be doing better with data and analytics, given the potential benefits … Organizations at transformational levels of maturity enjoy increased agility, better integration with partners and suppliers and easier use of advanced predictive and prescriptive forms of analytics. This all translates to competitive advantage and differentiation.’

在加特纳（Gartner）进行的全球调查中，发现尽管数据和分析是CIO的最高投资类别，该组织的91％尚未达到转型阶段。那么，组织为什么要挣扎？

数据科学和分析的发展属于四个类别之一：1。心态；2.技能集；3.工具集;和4.数据集。

1.心态

如上所述，数据科学是应用数学/统计，技术和业务敏锐度以及设计思维和解决问题的结合。

了解这些多学科领域需要新的心态。该领域的工具和方法继续发展非常迅速。因此，学习和实验心态需要被采用作为有效的数据科学家。

2.技能

大学已经开始了数据科学课程；但是，此类课程仍处于新生的阶段。它们的结构不包括对数据科学的整体理解所需的所有技能；相反，这些课程继续专注于分别开发应用数学和技术。

有关于数据科学，数据工程和商业智能的单独课程。不强调发展业务敏锐度，设计思维和解决问题。

这种意识形态也是由组织对每个领域的专业技能的需求驱动的。

3.工具集

如上所述，组织有很多工具和技术可供组织启用数据科学。组织的主要挑战是将正确的工具与正确的问题保持一致。

信息技术（IT）部门的目标是通过限制可以在公司防火墙内安装和访问的工具和技术的数量来提高效率。

公司应该拥有分析工具的组合

IT部门仍然对开源技术平台保持警惕。但是，由于数据科学的问题空间是动态的，因此公司需要拥有分析和数据科学工具的组合。

应始终审查此产品组合，以确保使用最有效的工具。如果没有投资组合，技术就会无效地使用，这将阻碍公司在采用数据科学方面的增长。

需要一种涵盖业务需求和数据安全要求的有效方法。

4.数据集

数据问题可以归类为数量或质量。许多组织开始相信他们有足够的数据来踏上数据科学之旅。

如果组织中没有一些数据，他们将投资第三方数据源来填补这些空白。公司还在研究各种数据共享协议和平台。例如，数据共和国已经开发了一个平台，该平台可以在整个组织之间进行数据共享。

数据质量挑战

对于许多组织来说，数据质量仍然被认为是一个挑战。但是，如果数据科学家对他们的业务建议有信心，数据的质量至关重要。

如果企业高管缺乏对数据质量的信任，则不会使用此类建议。组织已经将重点放在数据质量管理上，但需要进一步的工作。

技术驱动的方法

大多数组织，尤其是在澳大利亚，都采用了以技术为导向的数据科学方法，该方法专注于工具集，数据集和流程，但忽略了成功在组织中成功建立数据科学所需的心态和技能。

组织将数据工程，数据可视化和数据科学视为不同的技能集。此外，在业务，业务敏锐度和解决问题方面仍在数据团队之外处理。数据和业务团队由于缺乏通用语言而难以交流。

这通常会导致两个团队之间的摩擦，并导致组织中的数据科学实施无效。