尽管许多企业看到了数据科学的前景并对数据科学团队投入了巨额资金，但他们并未意识到数据的全部价值。在人才招聘和数据科学项目创建竞争中，某些公司采用的团队工作流程效率低下。不同的人使用不同的工具和流程，无法高效协同工作。如果不进行更严格、更集中的管理，高管们可能无法获得全面的投资回报。

这种混乱的环境带来了很多挑战。

数据科学家不能有效地工作。由于访问数据需经 IT 管理员授权，因此数据科学家往往要等待很长时间才能获得其需要分析的数据和资源。获得访问权限后，数据科学团队可能会使用多种不兼容的工具来分析数据。例如，数据科学家可能使用 R 语言开发一个模型，但使用该模型的应用却是用另一种语言编写的。这就是为什么将模型部署到有效的应用中可能要几周甚至几个月的时间。

应用开发人员无法获得可用的机器学习。有时，开发人员接收到的机器学习模型并不能直接部署到应用中。而且，由于接入点不灵活，无法在所有场景中部署模型，应用开发人员还需要解决可扩展性问题。

IT 管理员在支持工作上花费太多时间。由于开源工具激增，IT 需要支持的工具越来越多。例如，营销团队和金融团队的数据科学家可能使用不同的工具。不同团队的工作流程也可能不同，这意味着 IT 团队必须不断重建和更新环境。

业务经理与数据科学脱节。数据科学工作流程并不总是会集成到业务决策流程和系统中，这导致业务经理难以与数据科学家进行信息全面的协作。如果集成欠佳，那么业务经理会难于理解为什么从原型到生产需要这么长的时间 — 并且他们不太可能对自己认为太慢的项目上的投资表示支持。