Maskininlärning, dataanalys, analytics, big data och till och med beslutsstöd är begrepp som syftar på den starka trenden att basera beslut på data och analyser av dem. Tanken är förbättra till exempel affärsprocesser baserat på fakta.

Allt fler, inte minst utvecklare, kommer i kontakt med de här områdena. Enligt analysföretaget IDC kommer 75 procent av alla utvecklare hos mjukvaruleverantörer att använda maskininlärning, eller någon annan form av AI, i minst en applikation de bygger, i år.

Men det brister vad gäller kompetensen inom dataanalys, det är lätt att begå misstag. Här tipsar CIO.com om tio misstag som man bör undvika.

Misstag 1. Att anta att data är klara för användning

Man behöver kontrollera både kvalitet och volym för data som samlas in. En tumregel är att 80 procent av tiden i ett analysprojekt går åt till att samla in och ”tvätta” (kontrollera, strukturera, transformera och formatera) data.

Det finns ett oändligt antal fallgropar att se upp med, som att systemen som genererar data förändras över tid. Det kan räcka med en liten förändring från en månad till en annan för att data för en månad inte ska kunna användas i en analys.

Och även om man samlar in rätt data så kan det hända att datavolymen är för liten för att den ska ge en representativ bild.

Misstag 2. Att inte utforska data innan analysen

En person som jobbar med analyser har säkert en känsla för vad som döljer sig i en datamängd. Men det är ändå en bra idé att undersöka en datamängd i detalj innan ett projekt sparkas i gång, till exempel innan träningen av en modell för maskininlärning startas.

Att resultaten av en analys går på tvärs mot en analytikers intuition kan bero på en av följande två saker: att analytikern hade fel eller att det är något knas med data. Så se till att undersöka data i detalj, gör egna minianalyser för att förstå hur de är beskaffade.

Läs också: 10 analysmisstag att sky som pesten

Misstag 3. Att förvänta sig för mycket

All AI-hajp har lett till att många tror att det räcker att ”slänga data på en algoritm” för att få användbara resultat. Det krävs fortfarande mänsklig expertis för att få bra resultat, inte minst för att förbereda data.

Misstag 4. Att inte använda en kontrollgrupp för att testa en modell

Om man lagt ner tid och pengar på att bygga en analysmodell så vill man så klart använda den så mycket som möjligt. Innan modellen sprids till en massa olika användare är det klokt att skapa en kontrollgrupp som inte använder den, för att kunna jämföra resultat.

Misstag 5. Att utgå från mål i stället för hypoteser

Det är lockande att försöka skapa en analysmodell som kan erbjuda specifika förbättringar, till exempel att avsluta 80 procent av alla supportärenden inom tio timmar eller öka försäljningen med tio procent under ett kvartal.

Men den typen av mätetal är inte tillräckliga. Det är bättre att formulera en hypotes och sedan undersöka den genom att utforska data och analysmodeller. Innan man sätter i gång kan det vara svårt att förstå vilka mekanismer som påverkar slutresultatet.

Misstag 6. Att låta datamodellen förtvina

Om man har formulerat en datamodell som fungerar bra för en analys är det lätt hänt att tro att den kommer att fungera bra i all evighet. Men data och förutsättningar förändras kontinuerligt, vilket innebär att modellen behöver justeras. Ett exempel på förändringar är att kundernas preferenser ändras.

Misstag 7. Att automatisera utan att kontrollera resultatet

Om man inte kontrollerar varje steg i en analysprocess så finns risken att resultaten uteblir eller blir sämre. Ett exempel är ett företag som automatiserar kundtjänsten med en chattbot och jublar över besparingen i arbetskraft. Men blir kundtjänsten bättre eller väljer kunderna att avsluta ärenden eftersom de inte får rätt hjälp av chattbotten?

Misstag 8. Att glömma bort verksamhetsfolket

Alla svar finns inte i data som en utvecklare eller analytiker undersöker själv. Det behövs ofta någon som förstår affärsproblemet man försöker lösa. Det blir inte minst enklare att lyckas med projektet om personer med olika roller hjälps åt.

Ett projekt bör förslagsvis inledas med en diskussion mellan it-experter och verksamhetsfolk. Det låter självklart, men glöms ibland bort.

Misstag 9. Att välja ett för komplicerat verktyg

Den senaste, mest avancerade, tekniken är alltid spännande. Men ibland är den mer kraftfull än nödvändigt, för att inte prata om oprövad. Om det fungerar med en enkel och etablerad metod så är det bättre.

En risk med att välja en avancerad lösning är att utvecklaren eller analytikern gräver ner sig i sofistikerade lösningar som inte bidrar till bra resultat. Börja i alla fall med en enkel lösning och gå vidare till en mer avancerad om den inte fungerar.

Misstag 10. Att återanvända en lösning som inte passar för ett nytt problem

Det finns gott om exempel på dataanalys och maskininlärning som man kan lära sig av. Men exemplen har ofta skapats för specifika ändamål. Om man ska lösa ett annorlunda problem är det bättre att bygga en ny lösning.