Was macht eine starke Data Science-Teamstruktur aus?

Jede Rolle in der Struktur des Data Science-Teams ist einzigartig. Das Verstehen und angemessene Verwenden dieser Rollen kann den Unterschied zwischen dem Nutzen Ihrer hohen Investition in Datenwissenschaftler und der Überzahlung für ein Team mit schlechter Leistung ausmachen.

"Anstatt zu sagen: 'Lassen Sie uns einfach die Datenwissenschaftler holen und einfach eine aufbauen Datenteam, "es muss mit der geschäftlichen Herausforderung, [such as] Prozessoptimierung, Kosteneinsparungen, neuen Produktlinien oder dem, was Ihre Konkurrenten tun, verbunden sein", sagte Beena Ammanath, Geschäftsführerin des Deloitte AI Institute.

Wer ist auf einem Data Science-Team?

Data Scientists sind eindeutig ein großer Teil der Struktur des Data Science-Teams. Während viele Datenwissenschaftler in der Regel über fortgeschrittene Abschlüsse in Mathematik oder Statistik sowie über Programmierkenntnisse in R oder Python verfügen, müssen sie auch verstehen, was das Unternehmen erreichen möchte. Ihre Arbeit ist in der Regel explorativ und iterativ.

Michael Yurushkin, CTO und Gründer von BroutonLab, einem in Russland ansässigen datenwissenschaftlichen Beratungsunternehmen, sagte, was eine Organisation erreichen möchte, sollte die Art der von ihr eingestellten Datenwissenschaftler bestimmen.

" Wenn Sie die Entdeckung von Inhalten, die Ausrichtung von Anzeigen, die Umsatzoptimierung und die Suchergebnisse verbessern möchten, stellen Sie ein Team von Experten für maschinelles Lernen ein ", sagte Yurushkin. "Wenn Ihr Ziel darin besteht, Ihr Produktdesign mithilfe kontrollierter Experimente mit minimaler Verzerrung zu testen, benötigen Sie ein Team von Statistikern, die auf experimentelles Design und kausale Inferenz spezialisiert sind."

Tyler Folkman, Leiter AI bei Branded Entertainment Network, Produktplatzierung und Das in Los Angeles ansässige Lizenzunternehmen sagte, er sei ein großer Fan der Full-Stack-Datenwissenschaft, bei der Datenwissenschaftler ihre eigenen Daten sammeln, bereinigen, verarbeiten, Modelle erstellen, diese Modelle in Produktion bringen und sicherstellen, dass sie einen Mehrwert für ihr Ziel bieten Benutzer.

Datenwissenschaftler benötigen jedoch zuverlässige Daten. Hier kommen Dateningenieure ins Spiel. Sie richten die Datenpipeline ein und verwalten die Daten.

"Dateningenieure erstellen Tools, mit denen Datenwissenschaftler einfach und effektiv Full-Stack arbeiten können", sagte Folkman. "Ich habe noch keinen Anbieter gefunden, der alles Notwendige sofort bereitstellt. Daher ist es äußerst wertvoll, wenn Dateningenieure Ihre eigene Plattform erstellen [that]um interne Tools, Open Source-Tools und sogar Unternehmenstools zu kombinieren."

Die meisten Experten zufolge arbeiten Datenanalysten normalerweise in einem Datenanalystenteam oder in Geschäftsbereichen anstelle des Data Science-Teams. Unabhängig davon, wo sie sitzen, sind sie weniger technisch als Datenwissenschaftler und Dateningenieure und konzentrieren sich auf die späte Phase der Datenwissenschaft, die Analytik und den Austausch von Erkenntnissen.

Folkman bezog Datenanalysten und Forschungswissenschaftler in die Daten ein Struktur des Wissenschaftsteams. Die Analysten besitzen die Daten, stellen sicher, dass sie gesund sind, und geben Einblicke in das gesamte Unternehmen. Forscher bringen den Stand der Technik voran und investieren in Grundlagenforschung.

Yurushkin von BroutonLab empfahl einen Datenstrategen, der als Bindeglied zwischen dem Unternehmen und dem Data Science-Team dient. Er empfahl auch einen Datenarchitekten für Unternehmen, die ein großes Data-Science-Team planen.

Jesse Anderson, Geschäftsführer des Big Data Institute und Autor des bevorstehenden Buches Data Teams: Ein einheitliches Managementmodell für erfolgreiche Daten -Fokussierte Teams empfahlen drei Arten von Datenteams: Datenwissenschaft, Datentechnik und Betrieb.

"Betriebsingenieure haben ihre Fähigkeiten zur Überwachung und die betriebliche Exzellenz dieser Big-Data-Systeme spezialisiert", sagte Anderson. [19659005] Wenn jedoch das Data Engineering-Team fehlt, achtet niemand auf Probleme mit der Architektur oder der Codequalität, was zu jahrelangen technischen Schulden führt. Wenn das Betriebsteam fehlt, verfügen Unternehmen möglicherweise über Modelle und Code, die in der Produktion nicht gut funktionieren, sagte Anderson.

Die Rolle der Bürgerdatenwissenschaftler und die von ihnen verwendeten Tools

Bürgerdatenwissenschaftler sind Hauptnutzer die in Branchen arbeiten. Im Gegensatz zu echten Datenwissenschaftlern mangelt es ihnen in der Regel an fundierten statistischen Kenntnissen, sie programmieren nicht in R oder Python und sie haben kein Verständnis dafür, wie maschinelles Lernen funktioniert Leistungsstarke Tools, mit denen Bürgerdatenwissenschaftler relativ einfache Probleme lösen können, z. B. um zu verstehen, warum der Umsatz in einer Region oder einem Quartal zurückgegangen ist. Augmented Analytics-Tools verwenden KI und maschinelles Lernen, um Aufgaben wie Datenaufbereitung und -analyse zu vereinfachen. Im Vergleich dazu verwenden Datenwissenschaftler Tools auf Expertenebene, die bei der Lösung komplexer Probleme helfen.

"Citizen Data Science kann nur auf dieselben Daten zugreifen, die der Rest der Organisation für Entscheidungen verwendet, ohne auf Unterstützung zu warten", sagte Anderson

Es gibt zwei Möglichkeiten, sich der Citizen Data Science zu nähern. Das erste besteht darin, ein Data-Science-Team aufzubauen oder auf andere Weise Self-Service-Tools für die Massen bereitzustellen. Zum anderen können Geschäftsbereiche ihre eigenen Werkzeuge erwerben. Der erstere Ansatz minimiert die Werkzeugausbreitung. Es minimiert auch das Risiko, indem sichergestellt wird, dass Daten und Datennutzung geregelt und sicher sind.

"Wenn Sie auf diesem Weg sehr weit voraus sind, ist es äußerst wichtig, dass Citizen Data Science in Ihrem gesamten Unternehmen vorhanden ist, da Sie dies möchten." Machen Sie ihre eigene Datenexploration ", sagte Ammanath. "Aber wenn Sie sehr früh auf Ihrer Reise sind, ist es wahrscheinlich nicht sinnvoll, alle Daten zu verlieren, da Sie die Qualität und den Kontext der Daten verstehen müssen."

Wem berichten Datenwissenschaftler?

Data Science-Teams können dem CEO, COO, CFO, CIO, CTO, dem Chief Administrative Officer (CAO), dem Chief Data Officer (CDO) oder einem anderen C-Suite- oder VP-Titel Bericht erstatten. Wem das Team Bericht erstattet, beeinflusst, was das Team tut. Laut Anderson können Chief Marketing Officers zu produktorientiert sein, CFOs können zu risikoavers sein und ein CTO oder VP of Engineering kann möglicherweise nicht verstehen, wie sich Data Science von Software Engineering unterscheidet.

Ammanath sagte, Data Science-Teams sollten Bericht erstatten ein CAO oder CDO, weil es wichtig ist, eine zentralisierte datenwissenschaftliche Funktion zu haben. Andernfalls wird die Initiative eng und geht verloren.

Wem das Team Bericht erstattet, hängt häufig davon ab, wie es organisiert ist. Einige Organisationen bilden ein zentrales Data Science-Team. In anderen Unternehmen stellen Branchen ihre eigenen Datenwissenschaftler ein. Eine dritte Option für ausgereiftere Unternehmen besteht darin, die beiden Strukturen zu einem Hub-and-Spoke-Modell zu kombinieren, das über ein Kompetenzzentrum verfügt, das durch Datenwissenschaftler oder Datenwissenschaftsteams mit spezifischem Fachwissen ergänzt wird.

Benötigen Sie einen CAO oder CDO?

Die CAO- und CDO-Rollen werden häufig verwechselt. Unternehmen können den einen oder anderen Titel unabhängig von ihren Unterschieden verwenden. Ein großes Unternehmen kann beides haben.

"Chief Analytics Officers haben normalerweise einen hochanalytischen Hintergrund, während ein Chief Data Officer wahrscheinlich einen Data Engineering-Hintergrund hat, vielleicht ein Data Warehouse oder vielleicht sogar einen DBA-Hintergrund [database administrator]", sagte Anderson.

Sollten Sie einen CAO oder CDO einstellen? Die kurze Antwort lautet: Ja, wenn Ihre Organisation ausgereift genug ist, um das Talent angemessen zu unterstützen, und Sie erkennen, dass Sie dieses Maß an Rechenschaftspflicht benötigen. Große Unternehmen neigen dazu, die Position zu schaffen, wenn die Notwendigkeit zu offensichtlich wird, um sie zu leugnen.

Der Beitrag Was macht eine starke Data Science-Teamstruktur aus? erschien zuerst auf Business Intelligence Online.

Weiterlesen: https://ift.tt/3hBOt6t