I 5 ruoli che ogni team di data science deve assumere
Costruire un prodotto di data science è come costruire la tua casa. Utilizzando questa analogia, esaminiamo i cinque ruoli e le competenze per cui assumono i migliori team di data science.
L’amministratore delegato di una grande azienda di servizi finanziari era un grande sostenitore dell’analisi avanzata. Ha deciso di avviare la sua organizzazione nel percorso verso la scienza dei dati.
Come ha pianificato l’organizzazione questo viaggio? Reclutando data scientist, ovviamente! Hanno assunto 1000 data scientist, ciascuno a un costo medio di $ 250.000 all’anno. I data scientist sono difficili da trovare, quindi il CEO era molto orgoglioso di questo risultato.
Diversi mesi e milioni di dollari dopo, i vantaggi per l’azienda non c’erano. E dopo ulteriori indagini, l’organizzazione ha scoperto che questi “esperti” non erano affatto scienziati di dati!
McKinsey riferisce che né il CEO di questa azienda né il gruppo delle risorse umane hanno compreso il ruolo di data scientist. Presumevano ingenuamente che un gruppo di esperti tecnici costosi potesse trasformare da soli l’organizzazione in un’azienda basata sui dati.
I data scientist spesso sono dotati di eccellenti capacità di apprendimento automatico, ma inciampano nella scelta dei problemi aziendali giusti da risolvere. Faticano a scalare gli algoritmi in produzione. E non riescono terribilmente a tradurre le informazioni sui dati in un formato utilizzabile dagli utenti aziendali.
La scienza dei dati è uno sport di squadra. Ogni team deve assumere cinque ruoli se prende sul serio il processo decisionale basato sui dati.
Creazione di team di data science di successo
Creare una soluzione di data science non è molto diverso dal costruire la tua casa. È intuitivamente così semplice da capire ma praticamente altrettanto noioso da eseguire. Esamineremo i cinque ruoli del team di data science confrontandoli con i cinque ruoli necessari per costruire la tua casa.
- Data Translator – l ‘”Architetto”
Un architetto è uno dei ruoli più critici nella costruzione. Scopre le aspirazioni dei proprietari di case e determina la fattibilità dell’uso del suolo. Traducendo le esigenze dell’utente in schizzi di costruzione, getta le basi su cui il resto del team di costruzione può costruire. Garantisce che la casa sia funzionale, sicura, sostenibile e mantiene la promessa.
Come un architetto, un traduttore di dati è la migliore speranza per un’azienda nel proteggere i propri investimenti nella scienza dei dati. Il traduttore di dati comprende le esigenze aziendali di un utente e aiuta a identificare i progetti più rilevanti da eseguire. Traduce i requisiti in un formato comprensibile al team di data science. Il suo ruolo continua per tutto il progetto ed è fondamentale nella creazione di un prodotto finale utilizzabile che gli utenti possono adottare per il processo decisionale.
Competenze necessarie: i traduttori di dati sono esperti di dominio competenti nell’analisi aziendale. Con una forte comprensione dei dati, sono eccellenti team leader e comunicatori. Sono esperti in strumenti di dati di uso generale come Microsoft Excel.
- Data Scientist – il “Building Services Engineer”
Un ingegnere dei servizi di costruzione progetta e crea sistemi interni che rendono gli edifici funzionali ed efficienti. Con la responsabilità di sistemi come HVAC, acqua, elettricità e sistemi di controllo, costruiscono il cuore di una casa. Oggi, questi esperti sono il cervello dietro i sistemi intelligenti che alimentano le case autoregolanti.
Allo stesso modo, un data scientist progetta e crea il cuore di un’applicazione di data science. Con la responsabilità di produrre informazioni utili e rilevanti per il business, sfrutta la potenza dell’analisi dei dati. Utilizza varie statistiche e tecniche di apprendimento automatico per incorporare intelligenza e capacità di apprendimento continuo nelle soluzioni.
Competenze necessarie: i data scientist sono competenti nell’analisi esplorativa dei dati, nelle statistiche, nell’apprendimento automatico e nelle tecniche di intelligenza artificiale . Spesso conoscono strumenti come R, Python.
- Information Designer – l ‘”Interior Designer”
Un designer di interni lavora con l’architetto e gli ingegneri per creare interni funzionali ed esteticamente gradevoli. Descrive in dettaglio per cosa verrà utilizzato lo spazio e redige piani approssimativi. Ripetendoli, sviluppa progetti dettagliati e identifica il tipo di materiali da costruzione da utilizzare.
Un designer delle informazioni rende la soluzione di data science funzionale e piacevole da usare. Partendo dall’architettura dell’informazione, sviluppa mockup e prototipi di design dettagliato. Rende le informazioni dettagliate sui dati utilizzabili identificando il giusto tipo di grafici , interattività e design visivo da utilizzare. È una maestra narratrice con i dati.
Competenze necessarie: questi esperti in information design sono esperti negli aspetti dell’interazione e del visual design. Usano strumenti di progettazione come Sketch , Adobe Illustrator o strumenti di visualizzazione esplorativa come PowerBI.
- Machine Learning Engineer – l ‘”ingegnere civile”
Un ingegnere civile porta il design skA Ingegnere civile dà vita agli schizzi di design. Ispeziona e valuta tutti i progetti per garantire che siano implementati nello spirito. Documenta i processi, conserva i registri di costruzione e garantisce la conformità agli standard del settore.
Un ingegnere di Machine Learning (ML) crea l’applicazione funzionante. Nel back-end, si connette alle origini dati, impacchetta i moduli di machine learning e si integra con tutti gli altri sistemi. Dà vita al front-end attraverso un’interfaccia utente funzionale ed efficiente. Documenta il codice, conserva i log e adotta gli standard di ingegneria del software.
Competenze necessarie: gli ingegneri ML sono esperti DevOps con forti capacità di codifica backend / frontend. Usano linguaggi come Python, JavaScript, SQL e sono esperti nell’utilizzo di piattaforme cloud come Google Cloud.
- Data Science Manager – il “Construction Manager”
Un Construction Manager supervisiona il progetto e mantiene tutti gli impegni presi con i proprietari di casa. Possiede programmi, mantiene la qualità e gestisce le finanze. Il suo compito è garantire che tutti i ruoli non solo assumano le proprie responsabilità, ma collaborino anche bene. Gestisce i problemi sul posto di lavoro, mantiene il morale e garantisce la sicurezza sul posto di lavoro.
Allo stesso modo, un Data Science Manager è il pastore di un team di data science che riunisce tutti i ruoli e consente loro di dare il meglio. Mantiene tutti gli impegni del cliente e mantiene le comunicazioni. Garantisce consegne puntuali di qualità. Ancora più importante, è responsabile della gestione del cambiamento e dell’adozione della soluzione da parte degli utenti aziendali.
Competenze necessarie: i Data Science Manager sono eccellenti project manager esperti nella gestione del cambiamento. Hanno una buona conoscenza dell’analisi aziendale e degli approcci per inquadrare le soluzioni di data science. Usano strumenti di gestione del progetto come Microsoft Project.
Costruire un team di data science che offra un impatto aziendale
Un team di data science deve portare diverse competenze interfunzionali per creare una soluzione aziendale di forte impatto. Sebbene abbiamo visto le aree di competenza di cui ogni ruolo ha bisogno, ci sono alcune abilità fondamentali non negoziabili che tutti e cinque i ruoli devono possedere.
Ogni persona deve avere un orientamento al dominio di base per comprendere i problemi aziendali che sta risolvendo. Dovrebbero essere esperti di dati con la capacità di comprendere, interpretare e conversare nei dati. Infine, tutti dovrebbero possedere eccellenti capacità di comunicazione e presentazione per collaborare tra il team e i loro utenti aziendali.
Oggi c’è molto fermento sull’apprendimento automatico e sull’intelligenza artificiale. Tutto questo clamore ha portato a un’attenzione sproporzionata sul ruolo più sexy del secolo , il data scientist! Tuttavia, sono necessarie competenze interdisciplinari per far funzionare la scienza dei dati per la tua azienda.
Ogni team ha bisogno di ciascuno di questi 5 ruoli di data science per creare una soluzione aziendale utile, consumabile e utilizzabile.
