胜败乃兵家常事。不论是一线的数据科学家，还是业务负责人，多少都会遇到失败的项目。开头一片光明，看似机会无限。简单估算一下，哇塞，一年可以直接/间接创造百万元的效益。于是雄心勃勃开场，但做着做着却发现势头不对，随后不知为什么就慢性搁浅了。这样的体验，相信很多人都有。项目失败固然令人沮丧，酸甜苦辣也不尽相同，但总归也还是有些规律可寻。
是故胜兵先胜而后求战，败兵先战而后求胜。 –孙武
孙子兵法这句话，很是精妙。在当下的语境中，应该说的是这样一个意思：成功的项目，多半是积累了成功条件方才开始，而失败的项目往往是开始之后才发现忽视了关键的因素。那到底有哪些因素会导致项目的失败呢？
忽视了要回答问题
在众多的失败原因里，对问题理解的偏差我认为应该归为首因。对于业务中存在的问题，每个人都有自己的见解。但并非所有的见解都能产生有意义的解决方案。于是分析人员很容易按照自己的理解来计划项目，从而忽视了真正需要回答的问题。细分起来，有以几种情况需要注意：
对问题缺乏细致定义：某天，市场部某经理找到分析部门经理，询问能不能对客户进行分类，识别不同的购买模式。从模型的角度，这可以是一个典型的分类问题，能用的方法也很多。但在着手选择方法之前，许多细节还并不明确：为什么要分类？市场部对分类的理解是怎样的？分类出来以后能给市场部门提供什么帮助？他们有什么后续的打算？最先从哪里着手合适？等等。对问题细致的定义，可以给分析人员提供清晰的目标，帮助他们从业务描述中准确把握问题的本质；同时明晰问题的定义，也能帮助业务部门了解分析部门的思路，为他们提供更多信心。而一个泛泛的描述，往往是歧途的开始。
错误的假设：做假设可以简化模型。但一个错误的假设，会让整个模型失去意义。假设需求是稳定的？假设每个客户都是同质的？假设客户都是理性的？首先分析人员需要做好功课，确保假设有数据支持。同时，要耐心和业务部门交换意见。向他们讲解每一个假设的意义，阐述自己的理由，询问他们的看法，倾听他们的观点。务必保证模型假设都能得到双方的认可。
主要问题和次要细节： 分析人员常有的错误是认为所有的问题都必须解决。但大多数情况是，业务中会有一两个核心问题，同时伴随着其它的许多的细节问题。核心问题才是大家关注的，而其他都是细枝末节。有些分析人员往往会认为最复杂的问题是主要问题，或者需要运用复杂数学工具的问题是主要问题，有时甚至把自己最喜欢的问题当作主要问题。由于主次不分，结果既浪费精力，又无法令人满意。
缺少大局观
这里所说的大局观，是指能通篇思考项目计划，合理在每个阶段分配精力。Analytics是一个新兴领域，企业运作中如何融入分析部门，和其他部门形成良性互动，尚在摸索。是应该业务部门领导Analytics？还是Analytics指引业务方向？我认为两者都有局限。业务部门往往因为经验和方法的局限，忽视了从系统的角度理解问题；而分析部门又可能因为过分浪漫，导致解决方案不接地气。在一个问题上纠缠很久，花了大量的精力，却发现自己的努力并不被业务部门所理解。
因此，分析人员在推进项目的时候，需要有大局观。我认为做到以下几点，可以帮助分析人员在宏观上不至于跑偏：
- 要有一张路线图，规划好关键人，关键数据，关键流程
- 了解相关业务情报，安排对接计划
- 了解对接部门能提供的帮助，以及对方的局限
- 先解决一个小问题，构建信任
- 及时总结调整，实施敏捷管理
缺乏“有关部门”的参与
先举个例子。某公司想要优化自己的物流计划，分析部门操刀上阵，一个标准的混合整数规划模型(MIP)模型应运而生。粗看下来，假设合理，方法得当，一年可以给公司节省千万的成本，靠谱。 但细细一看，决策变量包括每一种产品的进货频率、安全库存、出货频率和运输线路，一下子直接涉及了采购部、仓储部、货运部三个部门。同时，物流有变化销售也会波及；而成本降低，落实预算，那财务自然也要牵涉。于是几个部门开了个碰头会：
数据科学家：%$^&@#%&%$^&@#%&%$^&@#%&*（五十页PPT） 每年节省开支大约一千万！
采购：嗯，哦。进货商不知道同不同意？ （瞟向仓库）
仓库：嗯，哦。安全库存降这么多可能吗？（瞟向货运）
货运：嗯，哦。我要和车队联系下，供不上就不好了。（瞟向财务）
销售：嗯，哦。但是不会缺货吧？（瞟向财务）
财务：嗯，一千万怎么来的？
以上的例子是一个典型相关部门缺乏参与的情况。貌似每个部门都到齐了，但大家只是参加，却没有参与。虽然一个运筹分析项目，数据和模型是核心，但并不意味着只是分析部门一家solo。如果其他部门缺乏参与感，没有认为自己是项目的一份子，只有分析部门一家唱独角戏，那这个项目未来一定凶多吉少。
解决办法有以下几种思路：
- 平时加强联系，加强对业务部门和相关人员的交流；
- 合作时充分照顾对方，用对方的语言，从对方角度思考问题；
- 耐心和善，引导对方“共同”发现问题。
说来说去，很多事情都是人之常情。但数据科学家们既要了解业务，又要整理数据，还要花费大量时间钻研模型，几种角色之间来回切换，难免也有疏忽。不过也正因为这样苛刻的要求，才使得数据科学如此性感。