Hay una limitada eficacia de las prácticas tradicionales de gestión de proyectos cuando estas se aplican directamente a Proyectos de Analítica de Datos e Inteligencia Artificial.
Estos son los principales retos:
- El 85 % de las organizaciones dicen que la experimentación extensiva es requerida en la mayoría de las etapas de los Proyectos de Analítica de Datos e Inteligencia Artificial.
- 48% de las organizaciones enfrentan problemas en determinar los KPIs esenciales, aunque hay amplios criterios de éxito y existen KRAs. Hay dificultad para atribuir valor de negocio solo a la Inteligencia Artificial cuando es un subconjunto de una iniciativa más grande.
- Entre el 70% y el 80% del total del proyecto se emplea en preparación de datos. Los modelos analíticos requieren datos de calidad, lo cual es más ambiguo de establecer que las especificaciones de proyectos de desarrollo de software.
- Los modelos Analítica de Datos e Inteligencia Artificial necesitan ser reentrenados para mantener y mejorar la exactitud de los resultados, a diferencia de los proyectos de desarrollo de software. Falta de datos de calidad y de mantenimiento del modelo causan problemas de confiabilidad.
- El 76 % de las organizaciones utilizan una metodología personalizada (combinación de prácticas de CRISP-DM, Agile, Waterfall)
