Устранение несоответствия между стремлениями к науке о данных и реалиями компании

Реальность против ожиданий

«В предыдущей статье я писал о трех основных структурных проблемах, с которыми сталкиваются специалисты по обработке и анализу данных и их организации, когда речь идет о максимальном удовлетворении их карьеры и влиянии на бизнес:

  1. Несоответствие между мечтами и реальностью
  2. Сосредоточенность на решениях, а не на проблемах
  3. CXO «заблуждение AI/ML».

В этом выпуске мы углубимся в первое препятствие («ожидания против реальности»), разберем, почему оно существует, и дадим рекомендации для специалистов по данным и их компаниям, как лучше всего с этим справиться.

Большинство инноваций проходят естественный цикл ажиотажа в течение 10–15 лет, начиная с триггера, приводя к пику (завышенных ожиданий), опускаясь к низине (разочарованию), прежде чем нормализоваться на плато продуктивности. Что касается науки о данных и ИИ, мы находимся на пике уже около десяти лет, и для большинства компаний в нетехнологических отраслях поезд ИИ все еще движется в гору.

Организации вкладывают миллионы долларов в революционные преобразования в сфере аналитики, при этом около 40% уходит на консалтинговые услуги по цифровой трансформации/ускорению, а 60% — на высокооплачиваемый человеческий и технический капитал. Аналитика, наука о данных, искусственный интеллект и машинное обучение являются важными пунктами повестки дня CXO.

Главные аналитики/директора по данным или главные специалисты по данным все чаще получают место за столом для исполнительного руководства и обсуждения в совете директоров. Специалисты по обработке и анализу данных являются одними из самых высокооплачиваемых сотрудников корпораций, и за последние десять лет их количество рабочих мест выросло на 40–60%, при этом до 2026 года прогнозируется ежегодный рост рабочих мест на 30%.

Знаток данных во мне наслаждался всей любовью и инвестициями, которые получила наука о данных. Это вдохновляет меня на то, что данные и аналитика будут по-прежнему получать здоровые уровни притока людей и капитала. Моя альтруистическая сторона также любит читать вдохновляющие истории успеха в карьере и видеть, как образование в области науки о данных является отличным уравнителем для людей из менее обеспеченных социально-экономических слоев.

Тем не менее, занимая жизненно важные руководящие роли в преобразовании аналитики и взаимодействуя со многими командами специалистов по данным внутри и за пределами моей отрасли, я осознаю большой разрыв между стремлениями специалистов по данным и реалиями, в которых работают компании, обусловленный тремя ключевыми причинами.

1. Корпоративным заинтересованным сторонам необходимо узнать, что может или должна сделать наука о данных.

Проблема

Если вы спросите руководителей отделов продаж, маркетинга, финансов, ИТ и цепочки поставок, что такое наука о данных или как команда по науке о данных может помочь их функциям, вы часто получите пять разных ответов.

Наука о данных — это просто статистика или это машинное обучение и искусственный интеллект? Речь идет об описательной аналитике и простых в использовании информационных панелях? Возможно, кто-то, кто может делать пользовательские данные, очень быстро извлекает SQL?

Если дорожная карта аналитики не будет создана совместно с вышеупомянутыми главными руководителями и их руководителями групп 2-го и 3-го уровня и не будет широко распространена по всей организации, по-прежнему будет наблюдаться отсутствие согласованности, что приведет к разочарованию сторон с обеих сторон. То есть вице-президент по продажам просит старшего специалиста по данным о чем-то обыденном или старший специалист по данным предоставляет модель машинного обучения, когда это можно было бы сделать с помощью простой корреляционной матрицы.

Консультации для команды по науке о данных и бизнес-лидеров

Заранее установите правила взаимодействия между вашими группами по обработке и анализу данных и функциональными заинтересованными сторонами. Создайте руководящий комитет по аналитике или науке о данных, состоящий из генерального директора и его группы функционального руководства, чтобы ежемесячно собираться для обсуждения обновлений проекта, определения приоритетов критических вариантов использования и инвестиционных запросов.

Прозелитизм имеет важное значение, особенно в первые 12 месяцев путешествия по науке о данных. Поэтому руководителям аналитиков необходимо сотрудничать с CXO, чтобы продвигать программу расширенной аналитики. Раз в две недели или раз в месяц организуйте неформальные встречи (например, обед и обучение, встречи по науке о данных), чтобы информировать коллег, не занимающихся наукой о данных, о науке о данных. Кроме того, сообщайте о текущих инициативах в области обработки данных в компании (используйте простой, понятный язык и избегайте сложностей).

В идеале, в партнерстве с исполнительным руководством выберите одного члена для каждой важной бизнес-функции в качестве старшего менеджера до старшего директора «Переводчик аналитики» и 2–3 члена в качестве «гражданских специалистов по данным». Первый будет наиболее важным связующим звеном между командой специалистов по обработке и анализу данных и бизнес-подразделениями. В то же время последний гарантирует, что запросы описательной, диагностической и базовой прогнозной аналитики направляются от старшего аналитика к людям уровня старшего менеджера в BU. Эти «гражданские специалисты по данным» являются экспертами в предметной области и обладают базовыми навыками машинного обучения. Они также обладают навыками самостоятельной визуализации данных и проектирования данных (например, Tableau, Power BI, Alteryx с некоторыми базовыми R или Python).

Компании должнысначала привести в порядок свою инфраструктуру данных (в первую очередь операционные, финансовые и клиентские данные) и, при необходимости, создать специализированные хранилища аналитических данных в AWS, Azure, GCP и т. д., оптимизированные по скорости и масштабу. 60% специалистов по данным по-прежнему тратят большую часть своего времени на очистку и перенос данных из какого-либо архаичного локального хранилища данных в более подходящую инфраструктуру. Это значительное время и ресурсы человеческого капитала, которые мы можем использовать для создания действенных бизнес-идей, разработки функций или пилотного запуска и развертывания моделей.

2. Лидерские навыки раздвоенной аналитики

Проблема

Единороги в науке о данных встречаются редко (те, кто преуспевает в триединстве продвинутой теории и практики машинного обучения, рассказывания историй о данных и управления заинтересованными сторонами), как и лидеры в области науки о данных, которые демонстрируют аналогичные наборы навыков. Руководители, отвечающие за группы расширенной аналитики или обработки данных, сильно раздвоены.

Это сильные бизнесмены, эксперты в предметной области, руководители команд, корпоративные болельщики и влиятельные лица заинтересованных сторон, или они являются надежными техническими специалистами с отличными знаниями в области обработки данных, вроде главного специалиста по данным. Первая группа часто получает повышение внутри компании. из финансов, маркетинга, продуктов или ИТ, в то время как последние обычно имеют академический или исследовательский опыт работы с данными.

Трудно найти талантливого лидера в области аналитики, который сочетает в себе элементы обоих (бизнес/предметная область + наука о данных), но это именно то, что нужно вашей организации и команде по науке о данных для достижения успеха и получения измеримых результатов.

Пока все не созреет и у вас не будет солидной команды специалистов по данным с 12-18-месячным опытом работы в предметной области, членам вашей команды потребуется руководство по соответствующим методам аналитики и моделирования для конкретных бизнес-задач. Им понадобится помощь, чтобы сформулировать проблему так, чтобы она имела для них смысл. Точно так же им потребуется помощь в переводе сложных методов машинного обучения на простой деловой язык, понятный высшему руководству.

Наличие человека, сочетающего в себе машинное обучение и бизнес, который понимает рабочий процесс обработки данных и то, как превратить данные в измеримые результаты для клиентов, сделает работу специалиста по данным намного более надежной, а команду аналитиков в целом — более эффективной.

Консультации для команды по науке о данных и бизнес-лидеров

Вместо того, чтобы сразу нанимать руководителя отдела обработки данных или аналитики, наймите первых 2–3 специалистов по обработке и анализу данных и временно назначьте их с важными бизнес-функциями. Это позволит им постепенно стать экспертами в предметной области и выйти на экспоненциальную кривую по добавленной стоимости гораздо раньше. Если вы все еще решаете, кого нанять (все в порядке, вы не одиноки), используйте опытного консультанта в течение первых 6–12 месяцев, чтобы помочь создать команду и разработать воронку сценариев использования в области обработки и анализа данных. и рабочий ритм.

Задействуйте свою существующую группу специалистов по обработке и анализу данных, а также других штатных специалистов по анализу данных или инженеров в тандеме с ключевыми заинтересованными сторонами бизнеса, чтобы принять участие в процессе собеседования с руководителями отдела аналитики. Их синхронизированные отзывы будут более содержательными и, в конечном счете, более эффективными. для бизнеса по сравнению с тем, чтобы в подавляющем большинстве полагаться на интервью с коллегами и высшим руководством. Ваши специалисты по обработке и анализу данных и другие количественные функциональные лидеры в организации могут быстро определить проницательного корпоративного оператора, у которого в противном случае практически нет продвинутой аналитической проницательности. А имеющиеся лидеры (руководители) и высшее руководство могут быстро определить потенциального кандидата на должность руководителя по науке о данных, который слишком теоретичен или уделяет слишком много внимания технологиям и алгоритмам, а не созданию измеримых бизнес-результатов.

3. Слишком много внимания уделяется методам машинного обучения, а не навыкам межличностного общения.

Проблема

Понимание фреймворков машинного обучения и сильные навыки кодирования на R или Python являются базовым требованием для специалистов по обработке и анализу данных. Не менее важна способность понимать и формулировать бизнес-проблемы, понимать, как ваши заинтересованные стороны принимают решения, эффективно управлять своими внутренними клиентами и создавать модели, идеи и рекомендации, которые транслируются вашей аудитории. Без этих межличностных навыков ваш аналитический проект или инициатива не войдет в производство, не будет использоваться, а лица, принимающие бизнес-решения, определенно не будут думать, что вы, как специалист по данным, добавляете какую-либо ценность.

Консультации для команды по науке о данных и бизнес-лидеров

В отличие от большинства людей в мире аналитики, я, получив степень магистра делового администрирования, стал программистом и открыл для себя прекрасный мир R и Python во время учебы в бизнес-школе. Одной из самых недооцененных и игнорируемых частей нашей аспирантской программы почти всегда были наши курсы «Организационное поведение» и «Стратегическая коммуникация», которые вели два других превосходных профессора и лидеры в своей области. Большинство из нас хотело пройти дополнительные курсы по финансам, аналитике решений, курсам количественного маркетинга и т. д.

Потребовалось 5–10 лет после окончания бизнес-школы, чтобы понять, что вряд ли кто-то из нас использовал модель Блэка-Шоулза или проводил совместный анализ вручную. Тем не менее, все мы получили бы огромную пользу от более преднамеренного и стратегического управления заинтересованными сторонами и проницательности организационных коммуникаций.

Эта аналогия применима и к вашим группам специалистов по обработке и анализу данных. Расширенные методы все больше демократизируются (например, PyTorch, Tensorflow, различные решения AutoML и т. д.), и эта тенденция сохранится. В области науки о данных и аналитики потребуются более структурированные мыслители, опытные рассказчики данных и практичные коммуникаторы, сосредоточенные на решении серьезных проблем и заботящиеся о достижении измеримых результатов для клиентов (т. е. ориентированных на результат).

Мой совет специалистам по обработке и анализу данных — начать тщательно оттачивать свои навыки в области коммуникаций, влияния, повествования данных, экспертных знаний в предметной области и стратегического мышления. Точно так же я советую компаниям начать нанимать специалистов по науке о данных и аналитике, которые являются стратегическими, системными мыслителями и эффективными коммуникаторами с продемонстрированной историей создания измеримой ценности для организаций. Для новых ролей сосредоточьтесь на найме талантов, которые сочетают в себе навыки межличностного общения и сложное техническое и аналитическое понимание, и тратят нужные ресурсы на повышение их квалификации в нужных компетенциях.

Эта статья изначально была опубликована в Revology Analytics Insider, выходящем раз в две недели информационном бюллетене по всем вопросам, связанным с аналитикой роста доходов. Пожалуйста, подпишитесь на будущие обновления на Medium или на моем сайте.