取自Towards Data Science 中的一篇文章，在探討分析專案的五大挑戰。
取自Towards Data Science 中的一篇文章，在探討分析專案的五大挑戰。
閱讀後覺得，數據分析專案和一般專案的進行推討，
基本上類似之處，如需要能解決商業問題、結合既有的工作流程、實際運用的單位是否買單。
但分析專案又不像是系統開發，能在第一時間能夠交代規格的細節。
因此不需求確定性、合用性、使用率的狀況又變得更明顯。
以下是整理文章中的內容，可能稍有不同的，僅供參考用。
1.專案目標沒有辦法解決商業問題:
Gartner report指出80%分析專案失敗，歸因於對公司沒有商業價值或者解決錯的問題。
會有此狀況的結果，往往是太過技術、資料面出發導向，
必須回歸到組織面臨的問題、設想價值、商業流程影響性、緊急性、未來運用彈性的角度進行，
(這邊提供一個有別於數據分析的文章提到，用心智圖、分析模型、資料切片等方式，
運用此方法的好處是，能時時回歸到商業問題但，兼顧既有分析素材，又能帶來發想，
請期待未來的文章發布，並會提供此連結供參考)
而資料科學就像30小時的馬拉松賽，選錯了目標會讓一切徒勞無功 (非常可怕!!)。
2.分析專案不符合使用者個工作流程:
如果你想要滿足所有人的期待，那麼你無法做任何事。
為了避免解決方案無法實現在既有的工作流程當中，
需要瞭解是使用者是誰? 使用情境? 他們的需要是什麼?
3.分析作業僅此為了短期的行銷目的:
需要與相關的執行高層溝通進行方式所耗用的資源成本。
4.需要注意分析專案的運用範圍:
大部分的專案進行會容易落入於一開始的規劃，沒有計畫後續能運用的範圍。
保留部分的預算資源在後續的專案階段。
要避免成員太過於執著在一開始的解決方案上，
持續週期性的規劃讓使用者能持續對專案保有興趣，避免缺少了動力。
5.分析專案實際執行端不買單
對於人來說要任何改變是困難的，推行當中可能會有衝突，
要確保讓相關人員能知道專案的價值利益，必須去驅動原單位放棄一些習慣。
不定期的溝通確保認知上沒有落差，並確認執行高層是有足夠能力去驅動初始的改變。
同時也歡迎追蹤Tableau Public Gallery- MR.360 |聚沙成塔，裡面包含文章中的案例實作，
期待能帶給您新的啟發或靈感。
未來文章將喬遷新址「一趟數據分析之旅」，歡迎追蹤繼續支持，您將不會錯過任何新知識。