Это относительно новый тип работы, и многие организации и люди все еще пытаются понять, что делает хорошего менеджера по науке о данных.

Что вообще значит быть «крутым» в этом контексте? Что ж, если члены вашей команды…

  • … Очень мотивированы
  • … Быстро растут
  • … Иметь большое влияние на вашу организацию

тогда вы, вероятно, отличный менеджер по науке о данных.

Вот мои два цента на то, как стать крутым:

  1. Сами станьте классным специалистом по данным
  2. Включите и расширьте возможности членов вашей команды
  3. Не просто расставляйте приоритеты; покажите им, как расставить приоритеты
  4. Цените свою будущую карьеру
  5. Максимизируйте взаимодействие с другими командами
  6. Нанять еще более талантливых специалистов по работе с данными

# 1 Будьте отличным специалистом по данным

Смотрите мой последний пост по этой теме. Очень помогает, если вы можете предоставить идеи и советы по выбору аналитических подходов, повышению качества кода, выбору фреймворков / инструментов для использования в проекте машинного обучения и т. Д. быть практическим хотя бы часть времени, даже если вы управляете большим количеством людей.

Если вы знаете, что вы отличный специалист по данным, будьте в этом уверены и скромны. Будьте скромными, потому что есть еще много возможностей для совершенствования и обучения. Но вы также должны излучать уверенность, чтобы члены вашей команды, естественно, хотели учиться у вас, и чтобы другие команды серьезно относились к вашей команде.

# 2 Активизируйте и расширяйте возможности членов вашей команды

В одном из спектров управленческой культуры есть менеджеры рабовладельцев, образно говоря, хлесткие члены своей команды, вынужденные выполнять определенные задачи. С другой стороны, у вас есть менеджеры, которые сосредоточены на наделении членов своей команды свободой и способностью принимать важные решения и делать большие дела. (Ярким примером этого является Supercell, мой бывший работодатель.)

Это не значит, что вы просто бросаете людей в глубокий конец бассейна и уходите. Скорее, вы должны вмешаться, чтобы предложить помощь или руководство по мере необходимости. Соответствующая частота такой помощи, вероятно, будет зависеть от члена команды, с учетом его способностей / опыта и поставленной задачи.

Поддержка: предоставьте им инструменты, данные и помощь, которые им нужны, и устраните препятствия на их пути.

  • кому-то нужно получить внутреннее разрешение для доступа к набору данных? B̵a̵n̵g̵ ̵t̵h̵e̵ ̵t̵a̵b̵l̵e̵ заблаговременно объяснит утверждающему, чтобы его быстро утвердили
  • кто-то хочет получить второй монитор? платная лицензия на RStudio? компания не хочет платить за это? B̵a̵n̵g̵ ̵t̵h̵e̵ ̵t̵a̵b̵l̵e̵ ̵h̵a̵r̵d̵e̵r̵ ̵a̵n̵d̵ ̵r̵i̵o̵t̵ активно лоббирует эти основные преимущества для повышения производительности вашей компании.
  • кто-то пытается самостоятельно построить конвейер данных? Вы можете сами дать несколько советов или связать человека, испытывающего трудности, с кем-то из другой команды (например, командой инженеров данных), у кого больше опыта в таких конвейерах.

Расширение прав и возможностей: дайте им и доверьте им авторитет, независимость, свободу и способности, которые им необходимы, чтобы надрать задницу.

  • Позвольте им взять на себя полную ответственность над некоторыми проектами или областями работы. По умолчанию им доверяют; то есть верят, что они сделают хорошую работу без микроменеджмента. Менее опытные члены команды могут сначала начать с небольших проектов, чтобы минимизировать риск. Если вы обнаружили, что слишком доверяете кому-то (а они облажались), простите их и в следующий раз помогайте им почаще. Я считаю, что в большинстве случаев риск / ущерб от недоверия к людям намного больше, чем риск / ущерб от чрезмерного доверия. Предполагая, что вы работаете с хорошими людьми, они сделают все возможное, чтобы справиться с задачами, которые вы им доверяете, при этом они будут чувствовать себя мотивированными и быстро расти.
  • Дайте им свободу. Люди наиболее мотивированы, когда они свободны выбирать, что им делать; Я думаю, это особенно актуально для науки о данных. Конечно, вы не можете просто позволить им тратить все свое время на итерацию сверточных нейронных сетей для классификации хот-догов и не хот-догов ... вам также необходимо подумать о влиянии вашей команды на компанию, поэтому вам нужно постоянно решать двойная задача оптимизации, позволяющая людям свободно выбирать работу, которой они хотят заниматься, при этом максимизируя влияние этой работы на компанию. Если вы потратите время на то, чтобы объяснить членам вашей команды интересность и важность определенных проектов для компании, это поможет вам достичь более высокого глобального оптимума.
  • Помогите им обрести способности и навыки таким образом, чтобы они могли делать большие дела в вашей компании. Это могло бы быть отдельное эссе, я пока не буду вдаваться в подробности.

# 3 Не расставляйте приоритеты; показать членам команды, как расставлять приоритеты

Расстановка приоритетов для специалистов по данным может быть сложной и сложной задачей. На самом деле это даже иногда метапроблема; поскольку часто результатом работы по науке о данных может быть совет о том, следует ли расставлять приоритеты для функции продукта, вам, возможно, придется подумать о расстановке приоритетов для понимания приоритета ...

Как правило, у вас будет больше возможностей для расстановки приоритетов на высоком уровне, чем у членов вашей команды (учитывая, что у вас больше опыта, вы больше синхронизированы с руководителями компании и их целями, у вас более широкое понимание различных текущие и будущие проекты и др.). Но это не значит, что вы должны просто определить приоритеты задач и назначить их членам вашей команды.

Помимо определения приоритетов, постарайтесь обеспечить глубокое понимание вашей командой почему той или иной задачи, имеющей определенный уровень важности и потенциального воздействия. У этого есть три преимущества:

  • Члены команды, вероятно, станут лучше сами разбирать в очереди дальнейшие подзадачи или новые запросы (например, запрос на создание панели мониторинга) проекта; это особенно полезно, если они работают над несколькими проектами одновременно
  • Они, естественно, со временем получат лучшие навыки определения приоритетов (что хорошо для многих вещей, включая возможность повышения в будущем до должности менеджера по науке о данных).
  • Скорее всего, они почувствуют большую мотивацию при выполнении работы (даже если они не совсем выбрали ее).

# 4 Цените будущую карьеру членов команды

Как отличный менеджер, вы должны заботиться не только о текущих показателях работы членов вашей команды… если вы действительно заботитесь о них как о людях, вы также должны заботиться об их успехе и благополучии в долгосрочной перспективе. На вашей должности менеджера вы действительно можете внести большой вклад в их будущую карьеру.

Планирование карьеры в области науки о данных особенно сложно, потому что эта профессия относительно новая, все быстро меняется, а члены вашей команды могут иметь лишь небольшой опыт работы в области анализа данных.

Вот что стоит попробовать:

  • Установите культурную норму, согласно которой можно (но не обязательно) свободно говорить о карьерных устремлениях, в том числе о возможном уходе из команды. Даже если этот человек покинет вашу команду, вы все равно можете работать вместе над проектами, объединяющими команду, и этот человек может использовать свои навыки обработки данных в своей следующей роли (например, в качестве менеджера проекта, принимающего решения о продукте на основе данных или другого типа роль данных).
  • Устраивайте периодические беседы о карьере один на один, может быть, каждые 3–6 месяцев. Задайте зондирующие вопросы (не вызывая неприятных ощущений: P), чтобы побудить их глубже задуматься о том, какая работа им нравится и которой они увлечены.
  • Ищите возможность для них попробовать работу, которую они стремятся делать в будущем. Например, если кто-то хочет стать менеджером по науке о данных в будущем, вы можете назначить его официальным наставником для нового летнего стажера, поскольку наставничество - это часть работы менеджера. Если кто-то хочет в будущем стать экспертом в области жесткой инженерии машинного обучения, а не специальной аналитики, постарайтесь организовать его назначение для большего количества проектов машинного обучения.

# 5 Максимизируйте синергию с другими командами

Работа в области науки о данных обычно не имеет ценности сама по себе. Он должен как-то хорошо вписываться в более широкий продукт, проект или организацию, чтобы быть действительно значимым. Я видел много примеров того, как это не работает; например была создана отличная приборная панель или модель машинного обучения, но она не оказала никакого влияния. Кроме того, многие люди не привыкли работать с специалистами по обработке данных, поэтому наладить слаженную командную работу может быть сложно.

Вот несколько советов:

  • В общем, управляйте ожиданиями и формируйте их в отношении того, что может предложить ваша команда, и того, как люди должны взаимодействовать с вашей командой. Например, вы можете сказать другим командам: «Не бросайте нам случайный запрос на анализ без объяснения контекста. Мы согласимся выполнить эту работу только в том случае, если осознаем ее важность ». Вы даже можете создать слайд-колоду на тему: «Так работает команда по анализу данных, и вот лучший способ работать с нами», а затем выделить время для ее презентации. Формирование ожиданий также важно для предотвращения демотивации членов вашей команды, вызванной, например, необоснованные просьбы.
  • Плывите по течению. Другими словами, постарайтесь глубоко понять направление, цели и приоритеты компании на высоком уровне, а также то, как руководители думают о них. Если вы разрабатываете проекты в соответствии с этими целями, будет легче убедить другие команды сотрудничать с вашей командой над этими проектами. Конечно, если вы считаете, что направление компании ошибочно, вам следует использовать свои безумные навыки работы с данными, чтобы изменить это направление… но это уже другая тема.
  • Уточните взаимосвязи между командами, чтобы проект был успешным, а затем поговорите с другими командами, чтобы получить их понимание и приверженность. Сделайте это заблаговременно, т. Е. До того, как будут начаты какие-либо серьезные работы. В качестве надуманного упрощенного примера предположим, что член вашей команды хочет создать модель прогнозирования общей ценности клиента, чтобы помочь маркетологам оптимизировать расходы на интернет-рекламу. Для успеха проекта 1. Группа разработки данных должна обеспечить стабильность конвейера данных (для входных данных модели) с надлежащим SLA и пониманием его важности. 2. Маркетинговая группа должна согласиться на интеграцию модели. каким-то образом вносить свой вклад в их ежедневный рабочий процесс управления онлайн-рекламой. Если вы не можете получить хоть какую-то приверженность на раннем этапе, возможно, лучше отказаться от проекта или отложить его.

# 6 Нанимайте еще более талантливых специалистов по работе с данными

У большинства организаций недостаточно специалистов по работе с данными, чтобы максимально раскрыть свой потенциал. Некоторые компании просто заявляют: «Давайте поставим цель нанять 50 инженеров по ИИ» и ошибочно полагают, что это автоматически приведет к потрясающим результатам.

Как вы можете помочь своей организации? Дело не только в вашей конкретной команде. Мало того, что ваша команда зависит от других команд (например, инженерии данных), вы также хотите помочь привести всю свою организацию к величию данных, верно?

Вот несколько советов:

  • Оцените и объясните потребности в различных типах ролей данных и объясните, как они должны вписаться в вашу организацию. Убедите свою компанию либо начать прием на работу, либо повысить приоритет найма на некоторые из этих должностей. Поначалу может быть сложно убедить руководителей, поэтому постарайтесь привести конкретные примеры работы, которую такие люди будут выполнять в вашей организации. Вы можете сослаться на то, как некоторые ведущие технологические компании определяют свои роли данных (см. Сообщения AirBnB и Indeed; сообщение об организационной структуре групп роста; страница Quora о менеджерах по продуктам данных)
  • В частности, для вашей группы по анализу данных: хорошо подумайте: 1. как преодолеть разрыв между текущими / будущими потребностями компании и вашей нынешней командой и 2. как члены команды дополняют друг друга, затем постарайтесь соответственно расставить приоритеты при найме на работу. Например, если в вашей команде много людей, которые хорошо разбираются в разработке программного обеспечения, но плохо разбираются в визуализации / передаче данных, вы можете захотеть найти кого-то лучше в общении, даже если он немного слабее в кодировании. В общем, очень сложно найти талант со всеми желательными чертами / навыками специалиста по данным, поэтому вам нужно полагаться на членов команды, дополняющих друг друга, как для того, чтобы сделать команду в целом более разносторонней, так и для того, чтобы люди могли учиться друг у друга. и помогать друг другу расти.

О талантах в области данных (в том числе о том, как привлекать и оценивать такие таланты) можно сказать гораздо больше, но, возможно, это будет отдельный пост.

Закрытие

Быть менеджером по анализу данных сложно и сложно, но это очень полезная работа. Надеюсь, этот пост дал некоторую полезную пищу для размышлений. Я все еще учусь, поэтому буду признателен за любые мысли / комментарии / советы ниже. Спасибо ~ (^ ㅂ ^)