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. #datapm @ainastia