Мнение

У предприятий есть множество проблем, которые можно решить дешево и масштабно с помощью Data Science. В крупных компаниях возможностей больше, так как существует множество областей, в которых нужно постоянно совершенствоваться, и помимо проблем, данные можно очищать и делать доступными — в отличие от многих небольших компаний и стартапов, где данных просто нет.

Почему предприятиям так трудно осваивать науку о данных?

Во времена быстрых перемен опыт может стать вашим злейшим врагом. — Дж. Пол Гетти

Многие компании не принимают науку о данных в качестве основной функции. Вот несколько причин из моего опыта:

Они не верят в разнообразие решений, с которыми может справиться наука о данных

Предприятия печально известны своей разрозненностью. Подразделениям нравится держать все лучшее и самое яркое внутри своих функций, скрывать свои проблемы и работать над ними. Они также считают, что другие команды не понимают и не могут решить их проблемы. При отсутствии вышестоящего органа/лидерства горизонтальные команды решения проблем не формируются. Наука о данных может быть одной из самых навязчивых команд в некотором смысле, потому что они видят данные отдела на очень детальном уровне… ужасная мысль для многих.

Они не верят в глубину решений, которые может создать наука о данных

Предприятия традиционно боролись с внедрением ИТ-решений. Реализации давно нарисованы, повлекли за собой множество дорогостоящих сбоев, а индивидуальные проекты временами превращались в технические кошмары. Перед лицом такой истории они не верят, что смогут собрать приложения, способные конкурировать с теми, что поставляются корпоративными поставщиками. Например, техническому директору может быть трудно представить, как внутренняя команда собирается создать и предоставить систему прогнозирования лучше, чем у Oracle или SAP. Новая реальность, благодаря достижениям в области облачных вычислений и программного обеспечения с открытым исходным кодом, заключается в том, что специальная группа специалистов по обработке и анализу данных может найти отличные решения во многих областях для организации.

Руководство просто не знает, как это сделать

У руководства может просто не быть хорошего подхода к науке о данных, которая работает на местах. Много раз ставятся высокие цели, и шоу останавливается на этом, вместо того, чтобы заканчиваться четко определенной стратегией и дорожной картой проектов. Когда руководство находится в замешательстве, но все же ожидает результатов, проекты часто распределяются между функциями и разбиваются на несколько частей, которые распределяются по ИТ или передаются на аутсорсинг консалтинговым компаниям. Формирование команды по науке о данных и работа над основами, необходимыми для того, чтобы они могли отойти на второй план.

Какой выход?

Лидерство

Все указывает на то, что аналитика данных приведет к серьезным изменениям в способах ведения бизнеса. Лидерство должно способствовать успеху команд, занимающихся наукой о данных. Хорошая стратегия по науке о данных, надлежащее место в организационной структуре для команды по науке о данных и дорожная карта для науки о данных являются исключительно обязанностями руководства. Если в компании нет необходимых специалистов, есть консалтинговые компании и лидеры в области обработки данных, которые могут помочь вам начать свой путь. Однако лидерство должно исходить изнутри.

Внутренняя команда по обработке и анализу данных

Многие предприятия с осторожностью относятся к созданию групп по анализу данных. Вместо этого они предпочитают полагаться исключительно на внешние стороны, т.е. консультанты, поставщики программного обеспечения и т. д. для выполнения таких задач. Хотя этот подход может дать быстрые результаты и может быть хорошим дополнительным подходом, мы твердо убеждены, что каждая компания должна создать свою собственную внутреннюю группу по анализу данных.

Быстрая демонстрация ценности

Команды Data Science должны быстро продемонстрировать реальную ценность для остальной части организации. Для этого они должны иметь правильный состав команды и правильные инструменты и быть в значительной степени самостоятельными. Так же, как важен быстрый переход от идеи к прототипу, не менее важен быстрый переход от прототипа к производству. Бизнес-функции любят быстрые решения и любят повторять их по мере обучения. Мантра специалистов по обработке и анализу данных должна заключаться в быстром выпуске продуктов на основе данных.

Внедрение в бизнес

Команды специалистов по обработке и анализу данных должны быть встроены в бизнес-команды, а не действовать как централизованная группа аналитических центров или как расширение ИТ. Это помогает специалистам по данным сосредоточиться на реальных бизнес-проблемах, быстро создавать прототипы идей и демонстрировать решения потенциальным пользователям. Хорошие команды по науке о данных, например. те, кто работает в таких компаниях, как AirBnB, Uber и т. д., имеют возможность не просто демонстрировать решения, но и передавать прототипы решений непосредственно в руки конечных бизнес-пользователей. Ничто так не радует бизнес-пользователей, как быстрое взаимодействие с рабочими прототипами после обсуждения решения.

В нашем следующем посте мы поднимем тему отсюда и обсудим, как ускорить науку о данных для команд.

Автор: Анант Кришнамурти

Пожалуйста, пишите нам, делитесь своими мнениями, комментариями и историями о науке о данных. Если вы компания/стартап, ищущий помощь в машинном обучении, мы будем рады помочь. Просто напишите нам, и мы свяжемся с вами.