Создание команды по науке о данных и создание здоровой культуры данных
Молодые компании с самого начала проникаются принципами бережливой разработки, ориентированности на клиента и проектирования, основанного на данных. Однако способ использовать данные в полной мере по-прежнему очень сложно. Для традиционных предприятий этот шаг еще более сложен. При наличии нескольких ресурсов стартапа использование данных кажется намного более трудным. Из-за необходимых изменений в корпоративной культуре и технологическом репертуаре инициативы по работе с данными безуспешно хоронятся (это все еще имеет место, хотя, по словам Бриньольфссона, лет назад было показано, что простое принятие решений на основе данных увеличивает стоимость акций на 5-6% лет назад. 2011).
Самая большая проблема заключается в том, что мы ошеломлены объемом данных и доступными вариантами использования, и что руководство или бизнес-отделы недовольны ощутимыми результатами в краткосрочной перспективе (Veeramachaneni, 2016).
Создав подразделение Data Science в быстрорастущей компании, я поделюсь некоторыми своими личными мыслями о том, как можно преодолеть такие трудности и как получить максимальную прибыль от данных и науки о данных в вашей компании.
Я начал как специалист по данным, просто запросив базу данных, чтобы ответить на некоторые из многих бизнес-вопросов. Я также разработал обычные Excel-модели для моделирования делового поведения. По возможности я выступал за использование основанных на данных подходов и статистических методов для поддержки принятия решений. Между тем, вместе со многими замечательными людьми мы запустили в производство несколько сложных моделей машинного обучения, и я собираюсь собрать команду, которая будет работать вместе с менеджерами по продуктам, разработчиками и нашим руководством, чтобы еще больше использовать данные. .
Далее я опубликую несколько историй, которые раскроют многие уроки, которые я получил в этом путешествии. Сначала я предложу потенциальную структуру и благоприятные условия для занятий Data Science (Компоненты). В следующем рассказе я представлю несколько шаблонов проектов, основанных на результатах и принятии, для проектов в области науки о данных (Flow). Наконец, я представлю некоторые общие выводы и факторы успеха в области науки о данных (Grease). Чтобы упростить ситуацию и поскольку большинство выводов применимо к обоим типам групповых фокусов, я буду использовать термин «блок / группа данных» вместо «подразделение / группа по науке о данных».
Это потрясающе, приступим!
Как выглядит успешная организация, управляемая данными?
Во-первых, мы следуем этой простой схеме, чтобы начать с организации, основанной на данных: мы интегрируем данные в наше основное стратегическое видение и рассматриваем это как конкурентное преимущество. На корпоративном уровне мы решаем бросить вызов интуиции с данными, когда это имеет смысл. Таким образом, мы можем сосредоточиться на контексте, ситуации и конкретном клиенте, избегая предубеждений, возникающих в результате механического использования прошлого опыта и опыта из других областей. Звучит отлично!
Затем мы создали новую единицу данных в компании как еще одну бизнес-единицу для выполнения плана, который мы сами установили. Что возможно могло пойти не так?
Ясно, что возникнет много проблем. Во-первых, поскольку вновь созданное подразделение располагается как разрозненное подразделение и не тесно связано с другими бизнес-подразделениями, принятие любых анализов, предлагаемых методов или результатов будет очень незначительным, поскольку это не совместное предприятие. Во-вторых, поскольку единица данных не участвует в цепочке создания стоимости, она недостаточно хорошо разбирается в бизнесе, чтобы стать активным партнером бизнес-единиц. Таким образом, решения, которые возможны с наборами инструментов данных не инициированы. Наконец, поскольку бизнес-единицы рассматривают единицу данных как еще одну единицу, с которой им нужно координировать свою работу (это еще больше задач), они отодвигают потенциальные решения для работы с данными на второй план, требуя только отчетов или анализов, необходимых в их повседневной работе.
Звучит неудовлетворительно. Есть ли лучший подход? Исходя из моего личного опыта, есть несколько компонентов, которые необходимы для успешной организации, основанной на данных, со структурной точки зрения. Это культура, интеграция и расширение прав и возможностей. Далее я выделю ключевые ингредиенты, касающиеся всех трех аспектов, чтобы инициатива, основанная на данных, приносила лучшие результаты.
Начнем с культуры. Для того чтобы бизнес, основанный на данных, мог функционировать, культура должна быть в некоторой степени ориентирована на данные (см. Рисунок 2). Большинству людей в компании следует по крайней мере принимать и ценить аналитические данные, основанные на данных, даже если они не могут использовать их в своей сфере влияния. Однако будет намного проще, если жажда данных станет неотъемлемой частью корпоративной культуры. Это означает, что люди по своей сути хотят лучше понимать рынки, клиентов и показатели, основанные на данных. Данные должны высоко цениться в компании, если даже не рассматриваться как некое огромное преимущество для формирования бизнеса, потому что они отражают убеждения, отношения и поведение клиентов.
Возникает вопрос: «Как можно таким образом сформировать культуру?» Культура - это то, что человек черпает из жизненных ценностей и предпринятых действий, и ее нельзя сформировать напрямую ». Однако есть известный секрет вырезания культуры. Подавая пример, можно внести изменения. В нашем примере это означает, что влиятельные лица и руководители в компании демонстрируют серьезное внимание к данным и потенциалу информационных продуктов. Чтобы преодолеть первичный разрыв, видимая и значительная группа должна ставить данные выше интуиции, искать решения данных и отчаянно стремиться к измеримым результатам по всем параметрам.
Второй и, возможно, самый важный компонент - это интеграция группы обработки данных или подразделения данных в компании (опять же, я имею в виду науку о данных). Эффективная единица данных не просто добавляется к существующей структуре (см. Рисунок 1 и рисунок 2). Если блок данных размещен в изолированном пространстве, существует высокий риск дисбаланса и несоответствия с другими блоками и бизнес-целями. Напротив, если подразделение данных тесно связано и интегрировано с бизнес-подразделениями и, что наиболее важно, с процессом принятия решений на высшем уровне, становятся возможными новые идеи и сбои, которые раскрывают истинную ценность данных компании. Короче говоря: истинный рецепт успеха данных - это восприятие данных где-то еще в организации, а не в самой группе данных (Newman 2015).
Любая инициатива будет успешной только в том случае, если лица, принимающие решения, и менеджеры по продуктам осознают весь потенциал моделей данных, оценят понимание, полученное в результате обмена данными и решениями на основе данных. Самая большая опасность заключается в том, что группа обработки данных рассматривается только как группа реагирования, которая предоставляет отчеты или анализ по запросу. Команда с такой узкой направленностью будет иметь очень ограниченный эффект. Кроме того, группа данных должна уметь использовать бизнес-знания для разработки рабочих решений. В том случае, если группа данных может решать более крупные проблемы с помощью полного набора методов науки о данных, с одной стороны, и полного понимания данного бизнес-контекста, с другой стороны, могут быть найдены новые эффективные решения. Благодаря тесному сотрудничеству с заинтересованными сторонами для создания совместных решений и облегчения обмена данными и бизнес-знаниями, результат станет результатом, который будет виден во внутренних, рыночных или ориентированных на клиентов продуктах. И при таком сквозном результате данные могут иметь реальное влияние на бизнес.
В конце концов, последний ингредиент успешной инициативы в области данных - это расширение прав и возможностей. Это включает в себя формирование правильных навыков и соответствующее определение ролей. Начнем с навыков. С учетом вышеизложенного, наиболее важными навыками являются умение работать с персоналом, занимающимся данными, (и оно тоже берет) на себя ответственность, выражать и сообщать сложные вопросы, а также самоорганизовываться. Поскольку люди с обширными навыками работы с данными имеют тенденцию к математике и усложнению на детальном уровне, это, очевидно, нелегко выполнить требование. А с людьми, которые любят вдаваться в подробности, становится очевидным еще один важный навык. Это способность сокращать путь и останавливаться на определенном этапе обработки данных, что достаточно для стимулирования бизнеса. Это требует сильной ориентации на результат. Если вам посчастливилось найти для своей команды игроков, обладающих этими навыками, вы готовы к броску. В противном случае одной из самых важных задач будет ежедневная работа над этими навыками.
Это подводит нас к последнему пункту. Чтобы получить исключительные результаты, роль людей, работающих с данными, должна быть определена таким образом, чтобы они могли работать автономно от одного конца до другого. Это означает, что ответственность за поиск и решение задач или проблем должна быть полностью делегирована ответственному лицу, включая уверенность в том, что он или она поступят правильно. Кроме того, необходимо убедиться, что все необходимые и полезные ресурсы доступны (например, все необходимые данные и контекстная информация). Только устранение препятствий (то есть доступ к знаниям, результатам и данным) позволяет получить отличные результаты.
Между прочим, я думаю, что большинство этих компонентов успеха одинаково применимы ко многим другим типам команд и задач!
На этом пока все. Следите за второй частью. Во втором рассказе я обращусь к процедурным факторам (т. Е. Потоку проекта), которые делают инициативы, основанные на данных, успешными:
Прочтите Часть II:
