Οπως καταδεικνύουν τελευταίες δημοσκοπήσεις, αποτυγχάνουν τα παραπάνω από τα μισά Big Data projects. Επιπλέον, λιγότερο από το ένα τέταρτο των ερωτηθέντων θεωρούν ως επιτυχημένα τα τρέχοντα ή τα ολοκληρωμένα projects, ενώ περισσότεροι από τους μισούς ερωτηθέντες δηλώνουν «μέτρια» ικανοποιημένοι από τα αποτελέσματα των Big Data projects.

Οι κυριότερες αιτίες για την αποτυχία ή τη δυσαρέσκεια σχετικά με τα Big Data projects είναι οι εξής: ανεπαρκής έμφαση στην εταιρική στρατηγική, ανεπάρκεια ή έλλειψη Business Case, προβληματικός σχεδιασμός, προβλήματα επικοινωνίας, ελλιπείς γνώσεις και ελαττωματική ενοποίηση των δεδομένων. Τα Big Data θεωρούνται ως κινητήριος μοχλός για την αύξηση της ανταγωνιστικότητας μιας εταιρείας. Ωστόσο, εκτός από τις τεχνικές και οικονομικές πτυχές τους, εγείρονται ανησυχίες για την ασφάλεια και την εμπιστευτικότητα των δεδομένων, όπως και δεοντολογικά ζητήματα σχετικά με αυτά. Σύμφωνα με μια έρευνα της Kapow Software, το 85% έχει πειστεί για την αναγκαιότητα των Big Data, ενώ σύμφωνα με μια δεύτερη μελέτη της Infochimps, μόλις το 6% των ερωτηθέντων δεν συμπεριλαμβάνουν τα Big Data στις δέκα κορυφαίες προτεραιότητες του ΙΤ.

Aν και τα επιτυχημένα Big Data projects αποτελούν οδηγούς για πολλούς, από μόνα τους δεν αρκούν για την επιτυχία. Από τις αποτυχίες μπορεί κανείς να αποκτήσει σημαντικές πληροφορίες για να αποφευχθούν λάθη. Ενας ακόμα παράγοντας που μπορεί να οδηγήσει στην αποτυχία είναι τα προβλήματα που μπορούν να υπάρχουν όσον αφορά την ευθυγράμμιση με την επιχειρηματική στρατηγική (στο σχεδιασμό, τις επικοινωνίες, τις γνώσεις και την ενσωμάτωση δεδομένων). Τα επιτυχημένα Big Data projects είναι ευθυγραμμισμένα με την επιχειρηματική στρατηγική, υποστηρίζονται από ένα ξεκάθαρο business case και είναι επιμελώς σχεδιασμένα. Οι ομάδες επικοινωνούν συνεχώς μεταξύ τους, έχουν μια βαθιά γνώση της κατάστασης και απεριόριστη πρόσβαση στα δεδομένα. Η δημιουργικότητα, η περιέργεια και ο πειραματισμός συμβάλουν, επίσης, αποφασιστικά στην επιτυχία.

Ανησυχητικές ενδείξεις
Για αρκετούς παρατηρητές της αγοράς έχει δημιουργηθεί, ήδη, μια κατάσταση υψηλών προσδοκιών για τα Big Data που μπορεί να δημιουργήσει παρερμηνείες. Αν πιστέψει κανείς τυφλά τα όσα λένε κάποιοι σύμβουλοι και ειδικοί δημιουργείται η εντύπωση ότι η επιτυχία των Big Data είναι εξασφαλισμένη και ότι όσες εταιρείες εφαρμόσουν τέτοιες τεχνολογίες θα αποκτήσουν μια βαθύτερη και καλύτερη εικόνα των επιχειρηματικών δραστηριοτήτων και της αγοράς τους. Ωστόσο, αυτό δεν ανταποκρίνεται στην πραγματικότητα. Σύμφωνα με δημοσκόπηση της Infochips, σχεδόν το 55% των Big Data projects δεν ολοκληρώνεται. Οι σημαντικότερες αιτίες γι’ αυτό, σύμφωνα με τους ερωτηθέντες, είναι το ασαφές πεδίο εφαρμογής του project (58%), οι τεχνικές δυσκολίες (41%), τα προβληματικά σιλό δεδομένων και η ελλιπής συνεργασία (39%).

Η πιο συνηθισμένη αιτία για την αποτυχία των Analytics projects είναι η έλλειψη εμπειρίας και ειδικών γνώσεων (που απαιτείται ώστε να εξορυχτεί αξία για την επιχείρηση από τα δεδομένα), όπως και η ανεπαρκής συνάφεια των δεδομένων. Αυτό αποτελεί και το αποτέλεσμα μιας έρευνας του Economist Intelligence Unit. Σύμφωνα με αυτή την έρευνα, το 45% των επαγγελματιών του μάρκετινγκ δεν κατέχει το απαραίτητο know-how για να αναλύσει τα Big Data, ενώ σχεδόν οι μισοί από τους ερωτηθέντες δεν διαθέτουν επαρκές budget για την ανάλυση των Big Data. Το αποτέλεσμα: τρεις στους τέσσερις δεν μπορούν να εκμεταλλευτούν τη γνώση που μπορεί να φέρει η εκμετάλλευση των Big Data. Από αυτή την άποψη, τα Big Data δεν διαφέρουν ουσιαστικά από άλλα μεγάλα projects του IT.

Πότε ένα project είναι αποτυχημένο;
Πότε ένα project θεωρείται ότι έχει αποτύχει; Πολύ απλά, όταν τα αναμενόμενα και τα επιτευχθέντα αποτελέσματά του διαφέρουν πολύ μεταξύ τους. Tα Big Data projects «αστοχούν» όταν σταματούν, επειδή, για παράδειγμα, προκαλούν μεγαλύτερα κόστη, καθυστερούν πολύ ή φέρνουν ανεπαρκή λειτουργικότητα. Τα Big Data projects είναι συχνά περίπλοκα και δαπανηρά. Εκτός από τις τεχνικές προκλήσεις που θέτουν, υπάρχουν οργανωτικά, πολιτιστικά και εξειδικευμένα εμπόδια που πρέπει να αντιμετωπιστούν. Συν τις άλλοις, μπορεί να δημιουργηθεί πρόβλημα από μια άνιση κατανομή καθηκόντων ανάμεσα στους συμμετέχοντες στο project: πελάτες, διαχειριστές έργων, developers, αναλυτές και χρήστες.

Η προσπάθεια επικοινωνίας, συντονισμού και ελέγχου δυσκολεύει ακόμα περισσότερο με το offshoring και το outsourcing. Ανοικτές στο κοινό έρευνες και στατιστικές μελέτες αναφέρουν όλο και περισσότερο ως κύρια αιτία για την αστοχία των Big Data projects τους προαναφερόμενους λόγους. Και προτείνουν τη λήψη των ακόλουθων προληπτικών μέτρων: Ευθυγράμμιση με την επιχειρηματική στρατηγική. Tα έργα Big Data έχουν ως στόχο την εφαρμογή μιας συνολικής εταιρικής στρατηγικής. Για να γίνει αυτό απαιτούνται γνώσεις Big Data, Βusiness Analytics και Management. Οι οποίες, ωστόσο, δεν είναι ομοιόμορφα κατανεμημένες σε μια επιχείρηση. Γι’ αυτό συστήνεται να αναπτυχθούν αυτές οι γνώσεις από κοινού, σε διεπιστημονικά και διατμηματικά workshops.

Ετσι, μέσα από αρκετές επαναλήψεις, μπορούν να ευθυγραμμιστούν οι στόχοι των έργων Big Data με την επιχειρηματική στρατηγική. Τυπικά παραδείγματα για έργα Big Data ευθυγραμμισμένα με την επιχείρηση είναι τα συστήματα που αυξάνουν τον τζίρο μιας εταιρείας μέσω τακτικών Cross Selling, η αναγνώριση των δόλιων συναλλαγών και η ανάπτυξη customized προϊόντων και υπηρεσιών σε πραγματικό χρόνο.

Πειστικό Business Case. Η επιχειρηματική αξία ενός Big Data project αποδεικνύεται μέσω ενός πειστικού Business Case. Σε αυτό περιγράφεται το επιχειρηματικό πρόβλημα, το οποίο θα επιλυθεί από τα Big Data. Αυτό το πρόβλημα αποτυπώνεται καλύτερα ως ερώτηση, η οποία απαντιέται με τη βοήθεια των Business Analytics. Ετσι, μπορεί εκ των προτέρων να ελεγχθεί αν μπορεί να απαντηθεί αυτή η ερώτηση και αν υπάρχουν τα απαραίτητα δεδομένα γι’ αυτό. Το Business Case πρέπει να είναι ρεαλιστικό και να περιλαμβάνει τις εξομοιώσεις διαφόρων σεναρίων. Στην καλύτερη περίπτωση θα ελέγχεται συνεχώς το ROI (Return of Investment) του project με ένα σύστημα διαχείρισης ωφελειών. Αν και το κόστος του project το επωμίζεται κυρίως η Διεύθυνση Πληροφορικής, τις ωφέλειες ενδέχεται να τις γευτούν τα άλλα τμήματα της εταιρείας.

Ξεκάθαρες απαιτήσεις. To εύρος και η πολυπλοκότητα των Big Data project απαιτούν μια λεπτομερή καταγραφή καθηκόντων. Με αυτόν τον τρόπο θα γίνει εφικτός ο έλεγχος επίτευξης των στόχων. Ενα σύστημα για Change Request Management διευκολύνει την τεκμηρίωση, την έγκριση και την εποπτεία των προτεινόμενων αλλαγών. Ετσι, θα αποφεύγεται η ανεξέλεγκτη αύξηση του πεδίου εφαρμογής του project.

Ρεαλιστικός σχεδιασμός. Οι υπερβολικά αισιόδοξες προσδοκίες για τα Big Data οδηγούν συχνά σε υπερβάσεις του κόστους και καθυστερήσεις. Οι αρμόδιοι για την εφαρμογή του project χρειάζεται να μην επηρεάζονται και να υπολογίζουν σωστά τα κόστη και τους χρόνους, βασιζόμενοι στην εμπειρία και σε λογικές υποθέσεις. Οι επαρκείς ρεζέρβες βοηθάνε στην επίλυση απρόβλεπτων καταστάσεων, χωρίς να ξεπερνιέται το budget.

Διαχειρίσιμo πεδίο εφαρμογής του project. Ο κίνδυνος αποτυχίας είναι ιδιαίτερα υψηλός σε πολύπλοκα Big Data projects. Αν ένα project διαρκεί πολλά χρόνια, ενδέχεται στο τέλος του να έχουν αλλάξει σημαντικά οι συνθήκες του. Γι’ αυτό το λόγο καλό είναι τα μεγάλα έργα να χωρίζονται σε πολλά μικρότερα, καθένα εκ των οποίων δεν θα διαρκεί πάνω από έξι μήνες. Το agile project management μπορεί να βοηθήσει, ώστε τα projects να υλοποιούνται με μεγαλύτερη επιτυχία, τμηματικά και χωρίς γραφειοκρατία.

Βήμα προς βήμα διαδικασίες. Γενικά πρέπει να αποφεύγεται η υλοποίηση ενός συστήματος Big Data με την μία. Τα εκτενή, πολύπλοκα συστήματα που επεκτείνονται σε όλη την επιχείρηση ενσωματώνονται αρτιότερα μέσα από μια βήμα προς βήμα προσέγγιση. Με αυτόν τον τρόπο μπορεί να εξεταστεί η λειτουργικότητά τους σε στάδια και με αυτό τον τρόπο να επεκταθεί. Συστήνεται, επίσης, για έργα που υλοποιούνται για πρώτη φορά να επιλεγεί η προσέγγιση διαχωρισμού τους σε μικρότερα και καθορισμένα προβλήματα. Τα πρωτότυπα βοηθάνε στην επιβεβαίωση της καταλληλότητας της επιλεγμένης προσέγγισης.

Συνεχής επικοινωνία. Τα μέλη των διατμηματικών ομάδων έργου πρέπει να συνεδριάζουν τακτικά, ώστε να βλέπουν από κοινού τα τεχνικά, επαγγελματικά και οργανωτικά προβλήματα, να λαμβάνουν υπόψη τις μεταβαλλόμενες συνθήκες και να προβαίνουν στις σχετικές αλλαγές.

Μετρήσιμη γνώση. Tα Big Data projects περιλαμβάνουν συχνά όχι μόνο τη χρήση νέων τεχνολογιών, αλλά και τη χρήση καινοτόμων μεθόδων επίλυσης προβλημάτων, όπως είναι τα Business Analytics. Είναι δύσκολο να βρει κανείς εκείνους τους εξειδικευμένους επαγγελματίες που κατέχουν τις τεχνικές πτυχές των Big Data. To ίδιο ισχύει και για ειδικούς του Data Mining. Ακόμα πιο δύσκολα είναι τα πράγματα για τους Data Scientists, που συνδυάζουν γνώσεις Big Data, Business Analytics και Management. Μια λύση σε αυτό το πρόβλημα θα μπορούσε να δώσει το Big Data Competence Center (BDCC). Εκεί, οι ειδικοί στα Big Data, στην επίλυση προβλημάτων και στο management θα συνδυάζουν το know how που έχουν αποκτήσει, θα θέτουν στάνταρ και best practices και θα προωθούν τη χρήση των Big Data σε όλη την επιχείρηση.

Προσβάσιμα και κατάλληλα δεδομένα. Τα σιλό δεδομένων δυσκολεύουν τη συγκέντρωση των δεδομένων για ανάλυση. Γι΄ αυτό το λόγο η ενσωμάτωση δεδομένων αποτελεί ένα σημαντικό κομμάτι για ένα Big Data project. Tα δεδομένα είναι σημαντικά, καθώς η σωστή αξιοποίηση τους μπορεί να οδηγήσει στη λήψη σωστών επιχειρηματικών αποφάσεων. Ωστόσο, από μόνα τους δεν αρκούν. Μια κακή συλλογή τους μπορεί να οδηγήσει σε αποτυχία ένα project Big Data. Επιπλέον, θα πρέπει να υπάρχει πρόνοια ώστε να ικανοποιούνται καθορισμένες νομικές απαιτήσεις, όσον αφορά την ασφάλεια και την εμπιστευτικότητα των δεδομένων.