在过去十年中，随着数字化和大数据的兴起，公司正在实施机器学习策略并雇用更多的数据科学家。但是，仅数据科学家无法提高业务流程的效率，而是需要支持基础结构和工具来处理数据。追求数字化的公司现在需要数据科学家拥有的知识和专业技能。但是，数据科学家仍然面临许多挑战。尽管数据科学家喜欢分析数据，但他们不喜欢整理凌乱数据的任务。这些任务目前占用其日常工作时间的80％，使他们几乎没有时间完成从分析数据中提取见解并对业务产生积极影响的实际工作。许多公司认为培训模型完全取决于算法和编码技能。实际上，培训过程由一个完整的系统组成，该系统包含许多可以单独影响最终模型开发的子组件。结果，这些公司未能使用数据工具为数据科学家提供有效管理和分析数据所需的连接数据库。数据科学家拥有组织内最先进的技能，但是如果没有适当的基础架构来使他们高效工作，他们的知识将浪费在组织数据上，而不是对数据的理解。今天的数据太多了，即使是最好的数据科学家也无法有效地对其进行管理。加上不稳定的基础架构和缺乏工具，数据科学家可能会因为工作量繁重而经常离开工作。为避免数据过时或无法使用，公司应尽早实施机器学习服务和工具，以高效，及时地分析数据。公司应该将更稳定和有效的机器学习策略视为可以实施的服务，而不仅仅是可以雇用的更多技能。对于公司而言，招聘能够管理这些任务的数据科学家很重要。但更重要的是，公司必须提供发展其专业知识所需的工具和资源，并且这些工具可以从专门从事机器学习的合适技术合作伙伴处获得。