Sergey Nivens - Fotolia

评估 衡量您正在考虑的技术,产品和项目的优缺点。

寻找数据科学领军人物的5个步骤

公司不断努力有效地雇用他们的数据科学团队,但Gaurav Anand表示考虑技术和商业知识的混合解决方案可能会有效。

当今的数据科学项目是否一直在告诉决策者一个有用的故事?这些部门是否经常解决正确的问题?当这两个问题没有被常规地提出时,数据科学家团队通常会经历士气低落,从而导致高流动率。除了经历大量人员流失的痛苦之外,一个公司的领导层花费了大量的时间和资源,却得出一个非常错误的结论,或者在重要问题上不采取行动,这可能是毁灭性的。每一个决定,即使是很小的决定,都会影响到市场份额,这取决于信誉、创新、响应时间、物流、设计敏感性等。公共部门和私营部门都需要数据科学家以一种创造性的、挑衅性的方式收集和查询大数据,以获得竞争优势。但有些地方出了岔子。数据科学竖井在数据角如雨后春笋般涌现。答案是什么?

寻求管理数据科学计划的最佳资源的组织可能需要重新思考其技术领导者招聘策略。该行业很年轻,但快速看出其短期历史和对当前挑战的审查表明了一个有用的“独角兽”解决方案来克服筒仓问题。

数据科学史和数据科学家职位

今天的数据科学家是20世纪80年代的统计学家和数学家。这数据科学家随着互联网经济的崛起,2010年初的既定作用截止了。例如,此职位有助于具有推荐系统,欺诈检测和搅拌预测的公司。漂亮的数据科学家成为了必备的在2012年几乎过夜,但它仍然适用。

数据科学家的工作取决于从较少的魅力数据工程师(构建数据库)和数据分析师(也称为业务分析师)的输入,他们会收集数据的见解,以使数据科学家发展的基本假设。一些数据科学家构建模型以获得更好的人力决策。其他人为机器创造模型,以实现高度有针对性的结果。第三种类型的数据科学家涉及基于研究的AI和机器学习。

数据科学计划领导力的挑战

招聘是问题的一个重要部分。大多数组织寻找的是相关领域的博士学位,或者在机器学习模型方面有丰富经验的博士学位。为了获得技术人才,他们往往放弃了对管理经验的要求。这一策略的结果是雇佣了一个没有3c的数据科学家文化,背景和沟通技能组- 有效管理。

这个有缺陷的精神培养,因为商业领袖希望快速答案,以便在竞争对手前一步。通过自己的故障,数据科学家的回应解决了没有问题的解决方案或没有回答正确的问题原因源于数据科学孤岛,通常不会与整体业务集成。

几个组织图表,如这些组织/报告排列值得实验(每个人都必须继续迭代),看看哪些可能适合公司的需求和文化。但是,如果数据科学领导者的配置文件不正确,地球上的所有组织图表都不会提供更好的数据科学输出。寻找有效数据科学领导人的关键是招聘技术艰难技能商业娴熟的软技能。这是通过培训的混合方法来实现的。

雇用有效数据科学领导者的杂交(独角兽)解决方案

数据科学家不是管理A的最佳人选数据科学家团队,这是许多公司中数据科学计划的一部分的一部分是没有工作的。百分比变化,但如此几到10%所有数据科学计划都将其制成生产。杂交/独角兽模型涉及一种技术实母和商业敏锐的组合,以及高级数据科学家的讽刺。该模型包括:

  1. 从内部招聘。
  2. 不需要技术深度,而是对数据科学福利的基本了解。
  3. 放置一个理解算法必须提供的人。
  4. 招募一个能够对真正的商业挑战进行可视化和传达解决方案的人。
  5. 通过在团队中包括教练/导师/领导者资深数据科学家,确保为初级数据科学家进行有效的辅导。

很难找到一个拥有经验丰富,高级数据科学家的努力技术技能的人和经验丰富的商业经理的软可转移技能,具有优秀的人才技能。Hybrid Unicorn团队模式提供以下优点:

  • 数据科学筒仓消失了。
  • 作为良好数据科学经理的纯粹数据科学家的神话被破坏了。
  • 通才型经理能更好地理解员工在团队中的目标和优势,并适当地分配项目。
  • 数据科学团队发展深刻,新的,有用的商业洞察力和能力。
  • 他们会很有趣。

数据科学领导者的优点和缺点:混合/独角兽模型利用两者的最佳

凡好 cons
技术简介
  • 能够在算法,模型等上教练团队成员。
  • 保持最新研究,趋势和调查结果
  • 基于网络的招聘人才更容易
  • 缺乏讲故事和沟通可能意味着不欣赏该计划的影响
  • 专注于在模型上工作而不是解决实际业务问题
  • 对该计划的看法作为“自己是自己的东西”的“筒仓”
商业档案
  • 数据科学家们在优先项目上工作,这对领导物很重要
  • 与其他团队内部的更好地通信意味着障碍物是更快的解决
  • 有效的“销售”的计划导致了更高的团队士气和较低的磨损
  • 识别技能组合,并将其与角色匹配,以创建职业道路
  • 为初级数据科学家的教练和指导成为一个挑战
  • 除非经理建造的网络,否则聘用可能更加困难
  • 要跟上这个领域的最新趋势可能是一个挑战

这种方法的优点,缺点和预期结果

企业仍在向数据科学领域发展,并在努力优化资源,以综合从海量大数据中获得的惊人见解。在寻找技术(数据科学)经理时,有一种合理的趋势是高估了招聘技术人才的能力。一开始,这是有道理的。然而,这些职位的人员流动率表明,公司没有充分利用他们的数据科学家。一个合理但更大胆的做法是挑战旧事物,尝试新事物。正如彼得·德鲁克曾经说过:“如果你想要新的东西,你必须停止做旧的东西。”现在是时候打破常规,重新设想数据科学经理的形象了。技术(数据科学)管理人员和全业务配置文件都有好处。混合独角兽解决方案并不是灵丹妙药,但其理念是从优点中取长补近,减少随附表格所示的缺点。

前方的潜力

在开始的时候大数据ERA,数据科学家几乎不存在。今天,大学正在改变数据工程师,数据分析师和数据科学家的需求。这些非常聪明的人可以构建算法,以插入移动的工作流程KPIS.在所需的方向。使用这些资源的可能性是令人振奋的。如果他们被妥善管理,他们的工作会被交付给合适的人员来解决相关问题,而且该组织汇集了知识以及时时尚而不是两个星期的竞争而不是两周太晚了。

数字是令人舒服的,最高决策者希望知道像“多少?”或“百分比收益是多少?”这样问题的简单答案。数据科学家只是回答他们问题的定量分析师。然而,招聘“人”的人- 谁还有数据科学知识 - 管理数据科学职能将在令人兴趣和令人兴奋的数据科学学科中产生更好的结果。作为保守的公司遭受了已知的,掷骰子组织推动了幸运未知的信封。结果:令人愉悦的讨厌数据科学家在迭代,富有想象力,失败的方式中,将产生刺激,针头的结果。

关于作者:
高拉夫·阿南德(Gaurav Anand)是该公司财务主管谷歌云。他在业务中有一个经过验证的赛道记录战略与分析,企业运营和团队建设。他有一个MBAStephen M. Ross School of Business, University of Michigan, and a Bachelor of Technology (B.Tech.), Chemical Engineering from the Indian Institute of Technology, Kharagpur。我可以通过[电子邮件受保护]

深入了解商业智能团队

搜索数据管理
搜索AWS.
搜索内容管理
搜索甲骨文
搜索SAP
搜索SQL.服务器
关闭