С каждым днем наш мир становится все более взаимосвязанным — прогнозируется, что к 2020 году у нас будет около 50 миллиардов подключенных устройств и около 6 миллиардов из этих устройств будут смартфонами, а это значит, что объемы данных будут только увеличиваться. расти, по словам Эндрю Макафи — главного научного сотрудника Массачусетского технологического института, у нас очень скоро исчерпается метрическая система для измерения всех этих данных, которые мы генерируем.
Организации собирают данные о своих клиентах в течение многих лет — хотя некоторые из них очень успешно монетизируют их, подавляющее большинство организаций хранят эти данные где-то в удаленном центре обработки данных или в облаке. Теперь, когда более широкая дисциплина больших данных и машинного обучения набирает популярность, все по праву хотят создавать и применять инновационные решения, основанные на данных, в бизнес-ситуациях. Одной из проблем здесь является способность преобразовать все эти необработанные беспорядочные данные в интересные идеи, ввести сексуального и мистического Data Scientist — человека, который, согласно многим должностным инструкциям, должен волшебным образом преобразовать данные и практику аналитики в организациях.
Совсем недавно топ-менеджер небольшой розничной фирмы связался с одним из моих коллег — он хотел создать аналитический отдел в своей компании, искал специалиста по данным, который возглавил бы эту новую команду, и хотел узнать, как лучше всего это сделать. новобранец. Когда мы обсуждали обязанности этой новой должности, стало совершенно ясно, что этот человек будет оцениваться по выполнению решений, основанных на данных, и предполагалось, что этот человек сможет извлекать информацию из данных, а также влиять на управленческие решения. Это общая тема, с которой я столкнулся во время взаимодействия с несколькими командами по науке о данных за последний год. Практически нет никаких формальных или неформальных процессов, которые помогают действовать в соответствии с идеями, что более важно, нет четкой ответственности — понять, почему это сложно. давайте подробнее рассмотрим, кто эти специалисты по данным и что ими движет.
Вместо того, чтобы пытаться определить роль специалиста по данным, я хотел бы поделиться с вами некоторыми качествами, которые DJ Patil, главный специалист по данным из США в Белом доме, ищет в хороших специалистах по данным:
- Технические знания.лучшие специалисты по данным обычно обладают глубокими знаниями в какой-либо научной дисциплине.
- Любознательность:желание заглянуть под поверхность, обнаружить и преобразовать проблему в очень четкий набор гипотез, которые можно проверить.
- Рассказывание историй: способность использовать данные, чтобы рассказать историю и эффективно ее передать.
- Сообразительность:способность творчески подойти к проблеме.
Подводя итог, специалисты по данным — это любознательные люди, обладающие техническими знаниями для извлечения информации из больших объемов данных, а также способные эффективно передавать результаты. Естественно, их мотивация больше связана с наукой, стоящей за анализом, а не с влиянием на бизнес-решения. Поэтому, когда мы начинаем ставить специалистов по обработке и анализу данных на должности, где нам необходимо действовать в соответствии с идеями, мы лишаем их основной мотивации обнаружения идей и помещаем их в структуры управления и команды, основанные на интуиции и инстинктах. По моему мнению, одна из главных причин этого заключается в том, что аналитика сегодня по-прежнему рассматривается как технология и функция данных — это должно быстро измениться, если мы действительно собираемся демократизировать аналитику в организациях, как сказал Райли Ньюман, директор Data Science и первый Data Scientist в airbnb рассказывает в своей статье о том, как они построили свою практику Data Science:
Основой, на которой держится группа по анализу данных, является культура и восприятие данных в других подразделениях организации, поэтому определение того, как мы думаем о данных, было необходимым условием для внедрения науки о данных в бизнес-функции.
(Для людей, которые хотят более подробно разобраться в аспекте мотивации, я рекомендую прочитать эту Краткую историю науки о данных, чтобы увидеть, как возникла эта область.)
Второй аспект этого заключается в том, что нам нужно думать о долгосрочных горизонтах, когда мы создаем эти отделы науки о данных или аналитики. Хотя мы, вероятно, собираемся создать небольшую команду для начала, мы должны иметь в виду, что эта команда будет расти и расти быстро, и поэтому нам нужно убедиться, что мы создаем эту команду со всеми нужными персонажами, оглядываясь назад. будущее государство, где аналитика демократизирована. На самом фундаментальном уровне нам нужно рассмотреть три аспекта: создателей идей, потребителей, которые действуют в соответствии с этими идеями, и настоящих единорогов, которым нужно делать и то, и другое. Создатели идей — ваши специалисты по данным, которые могут применять глубокие статистические модели и модели машинного обучения к большим объемам данных. Потребители — это ваши типичные руководители высшего звена, которые могут иметь или не иметь опыта или даже верить в науку о данных, но обладают исключительной деловой хваткой и лидерскими способностями. Как видно из приведенных выше кратких описаний, создатели и потребители обычно не говорят на одном языке.
Чтобы по-настоящему внедрить данные и аналитику в культуру организации, нам нужны эти единороги, которые смогут преодолеть разрыв между создателями и потребителями. Эти единороги должны быть технически грамотными и достаточно хорошо разбираться в данных, чтобы быть в состоянии понять основные принципы науки о данных, чтобы вести беседы и подвергать сомнению предположения моделей, построенных учеными данных, и в то же время иметь возможность и знания в области бизнеса, чтобы иметь здоровые дебаты с руководителями, чтобы попробовать новый подход, основанный на данных. Кроме того, эти люди должны будут политически управлять организацией, как настоящие агенты изменений, чтобы создать культуру, основанную на данных. Хотя общепринятого названия должности для этой функции не существует, несколько популярных должностей — специалист по принятию решений и специалист по данным. Марк Шафер и его команда в Disney используют должность Консультант по интеграции науки управления, и эта бизнес-модель, кажется, работает на них. Как бы мы ни решили назвать эту работу, мы должны признать, что существует реальная потребность в людях с таким набором навыков.
Возвращаясь к вопросу, специалисты по данным определенно являются частью ответа, но истинное решение для нас состоит в том, чтобы начать создавать эффективные команды по науке о данных.
Если вы не знаете, как задать правильный вопрос, вы ничего не узнаете.
(Если вы хотите обсудить это более подробно или если вы хотите построить аналитическую практику и хотите поболтать, не стесняйтесь присылать мне заметку на Linkedin).
Эта статья была опубликована в The Disruptive Journal
