Dienstag , September 15 2020

Der 5-stufige Prozess zur Suche nach Einhörnern, die führend in der Datenwissenschaft sind

Erzählen die heutigen datenwissenschaftlichen Programme Entscheidungsträgern immer wieder eine nützliche Geschichte? Lösen diese Abteilungen regelmäßig die richtigen Probleme? Wenn diese beiden Fragen nicht routinemäßig gestellt werden, haben Datenwissenschaftlerteams häufig eine niedrige Moral, was zu einem hohen Umsatz führt. Abgesehen von dem rohen Schaden, den ein hoher Personalabzug mit sich bringt, kann die Führung eines Unternehmens, die enorme Zeit- und Ressourceninvestitionen getätigt hat, um eine sehr falsche Schlussfolgerung zu ziehen oder keine Maßnahmen in wichtigen Angelegenheiten zu ergreifen, verheerend sein. Jede Entscheidung, auch kleine, kann sich auf den Marktanteil auswirken, der auf Glaubwürdigkeit, Innovation, Reaktionszeit, Logistik, Designsensibilität und vielem mehr beruht. Sowohl der öffentliche als auch der private Sektor benötigen Datenwissenschaftler, um Big Data auf erfinderische, provokative Weise zu korrigieren und abzufragen, um einen Wettbewerbsvorteil zu erzielen. Aber etwas ist schief gegangen. Data-Science-Silos sind in der gesamten Datenlandschaft entstanden. Was ist die Antwort?

Unternehmen, die nach den besten Ressourcen für die Verwaltung von Data Science-Programmen suchen, müssen möglicherweise ihre Einstellungsstrategien für Technologieführer überdenken. Die Branche ist jung, aber ein kurzer Blick auf ihre kurze Geschichte und ein Rückblick auf die aktuellen Herausforderungen legen eine nützliche "Einhorn" -Lösung zur Überwindung des Siloproblems nahe.

Die Geschichte der Datenwissenschaft und die Position des Datenwissenschaftlers

Datenwissenschaftler von heute waren die Statistiker und Mathematiker der 1980er Jahre. Der Datenwissenschaftler als etablierte Rolle startete Anfang der 2010er Jahre mit dem Aufstieg der Internetwirtschaft. Diese Rolle hilft Unternehmen beispielsweise bei Empfehlungssystemen, Betrugserkennung und Abwanderungsvorhersage. Der nette Datenwissenschaftler wurde 2012 fast über Nacht zu einem Muss, aber es gilt immer noch.

Die Arbeit des Datenwissenschaftlers hängt von den Eingaben des weniger glamourösen Dateningenieurs (der die Datenbank erstellt) und des Datenanalysten (auch) ab genannt Business Analyst), der Erkenntnisse aus den Daten sammelt, um grundlegende Annahmen zu treffen, die der Datenwissenschaftler entwickelt. Einige Datenwissenschaftler bauen Modelle für bessere menschliche Entscheidungen. Andere erstellen Modelle für Maschinen, um zielgerichtete Ergebnisse zu erzielen. Die dritte Art von Datenwissenschaftlern betrifft forschungsbasierte KI und maschinelles Lernen.

Herausforderungen bei der Leitung von datenwissenschaftlichen Programmen

Die Einstellung ist ein großer Teil des Problems. Die meisten Organisationen suchen einen Doktortitel. in einem verwandten Bereich oder mit bedeutender Erfahrung mit Modellen des maschinellen Lernens, und sie lassen häufig die Anforderungen an die Managementerfahrung fallen, um technische Talente zu erhalten. Diese Strategie führt dazu, dass ein Datenwissenschaftler eingestellt wird, der nicht über die drei Cs – Kultur, Kontext und Kommunikationsfähigkeiten – verfügt, um effektiv zu verwalten.

Dieses fehlerhafte Ethos wird gepflegt, weil Unternehmensleiter schnelle Antworten wünschen, um einen Schritt voraus zu sein ihre Konkurrenten. Ohne eigenes Verschulden antworten die Datenwissenschaftler mit Lösungen, die keine Probleme lösen oder die richtige Frage nicht beantworten . Die Ursache liegt in datenwissenschaftlichen Silos, die sich häufig nicht in das Gesamtgeschäft integrieren lassen.

Mehrere Organigramme wie diese Organisations- / Berichtspermutationen sind experimentierwürdig (jeder muss weiter iterieren), um festzustellen, welche den Anforderungen und Kulturen des Unternehmens entsprechen könnten . Alle Organigramme auf der Erde liefern jedoch keine bessere datenwissenschaftliche Ausgabe, wenn die Profile der datenwissenschaftlichen Führungskräfte nicht korrekt sind. Der Schlüssel zur Suche nach effektiven Führungskräften in der Datenwissenschaft liegt in der Rekrutierung von technischen Hard Skills und für geschäftstüchtige Soft Skills. Dies wird am besten durch einen hybriden Ansatz bei der Einstellung erreicht.

Die hybride (Einhorn-) Lösung zur Einstellung effektiver Führungskräfte in der Datenwissenschaft.

Ein Datenwissenschaftler ist nicht die beste Person, um ein Team von Datenwissenschaftlern zu leiten, das Teil des Grund dafür ist, dass Data Science-Programme in vielen Unternehmen nicht wie erhofft funktionieren. Die Prozentsätze variieren, doch nur 10% aller datenwissenschaftlichen Programme schaffen es in die Produktion. Das Hybrid- / Einhorn-Modell beinhaltet eine Mischung aus technischen Fähigkeiten und Geschäftssinn sowie ein paar hochrangige und junge Datenwissenschaftler. Das Modell umfasst:

  1. Einstellung von innen.
  2. Keine technische Tiefe erforderlich, sondern ein grundlegendes Verständnis der datenwissenschaftlichen Vorteile.
  3. Vermittlung einer Person, die versteht, was Algorithmen zu bieten haben.
  4. Rekrutierung einer Person, die kann Lösungen für reale geschäftliche Herausforderungen visualisieren und kommunizieren.
  5. Gewährleistung einer effektiven Betreuung für Junior-Datenwissenschaftler durch Einbeziehung von Senior-Datenwissenschaftlern in das Team.

Es ist schwierig, eine Person zu finden, die beide technischen Probleme hat Fähigkeiten eines erfahrenen, erfahrenen Datenwissenschaftlers und die übertragbaren Fähigkeiten eines erfahrenen Geschäftsführers mit hervorragenden Fähigkeiten. Das hybride Einhorn-Teammodell bietet die folgenden Vorteile:

  • Data Science-Silos sind verschwunden.
  • Der Mythos eines reinen Data Scientist als guter Data Science-Manager wird zunichte gemacht.
  • Generalist-Manager verstehen die Ziele und Stärken der Menschen besser ihre Teams und ordnen Projekte entsprechend zu.
  • Die Data Science-Teams entwickeln tiefgreifende, neue, nützliche geschäftliche Erkenntnisse und Fähigkeiten.
  • Sie werden Spaß haben.

Vor- und Nachteile von Data Science-Führungskräften: Das Hybrid- / Einhornmodell nutzt am besten von beiden

Vorteile Nachteile
Technisches Profil
  • Fähigkeit, Teammitglieder in Bezug auf Algorithmen, Modelle usw. zu coachen.
  • Auf dem neuesten Stand der Forschung, Trends und Erkenntnisse zu bleiben.
  • Die Einstellung von Talenten auf Netzwerkbasis ist einfacher.
  • Mangelndes Geschichtenerzählen und mangelnde Kommunikation könnten dazu führen, dass die Auswirkungen des Programms nicht gewürdigt werden.
  • Konzentrieren Sie sich auf die Arbeit an Modellen, anstatt die eigentlichen Geschäftsprobleme zu lösen.
  • Wahrnehmung des Programms als "Silo, das sein eigenes Ding macht"
Unternehmensprofil
  • Datenwissenschaftler arbeiten an vorrangigen Projekten, die für die Führung wichtig sind.
  • Eine bessere interne Kommunikation mit anderen Teams bedeutet, dass Straßensperren schneller behoben werden.
  • Ein effektiver "Verkauf" des Programms führt zu einer höheren Teammoral und einer geringeren Abnutzung.
  • Erkennen von Fähigkeiten und Zuordnen dieser zu Rollen, um Karrierewege zu schaffen
  • Coaching und Mentoring für junge Datenwissenschaftler werden zu einer Herausforderung.
  • Die Einstellung kann schwieriger sein, wenn nicht ein vom Manager aufgebautes Netzwerk vorhanden ist.
  • Es kann eine Herausforderung sein, sich über die neuesten Trends auf diesem Gebiet auf dem Laufenden zu halten. [19659041] Vor- und Nachteile sowie erwartete Ergebnisse dieses Ansatzes

    Unternehmen wachsen immer noch in den Bereich der Datenwissenschaft hinein und bemühen sich, Ressourcen zu optimieren, die atemberaubende Erkenntnisse aus Bergen von Big Data zusammenfassen. Die berechtigte Tendenz besteht darin, bei der Suche nach technischen (datenwissenschaftlichen) Managern die Einstellung technischer Fähigkeiten zu stark zu indizieren. Am Anfang machte es Sinn. Die Fluktuationsrate in diesen Positionen zeigt jedoch, dass Unternehmen ihre Datenwissenschaftler nicht optimal nutzen. Ein vernünftiger, aber mutigerer Weg ist es, das Alte herauszufordern und mit etwas Neuem zu experimentieren. Wie Peter Drucker einmal sagte: "Wenn Sie etwas Neues wollen, müssen Sie aufhören, etwas Altes zu tun." Jetzt ist es an der Zeit, die Dinge aufzubrechen und das Profil des Data Science Managers neu zu definieren. Der technische (Data Science) Manager hat Vorteile, ebenso wie das All-Business-Profil. Die hybride Einhornlösung ist kein Wundermittel, aber die Idee ist, das Beste aus den Vor- und Nachteilen herauszuholen und die in der beigefügten Tabelle aufgeführten Nachteile zu reduzieren.

    Das Potenzial, das vor uns liegt

    Zu Beginn des Big-Data-Zeitalters Datenwissenschaftler waren praktisch nicht vorhanden. Heute stellen die Universitäten zahlreiche Dateningenieure, Datenanalysten und Datenwissenschaftler her. Diese sehr intelligenten Personen können Algorithmen erstellen, um sie in Workflows einzufügen, die KPIs in die gewünschte Richtung verschieben. Das Potenzial für die Nutzung dieser Ressourcen ist berauschend. Wenn sie richtig verwaltet werden, wird ihre Arbeit an die richtigen Leute geliefert, um relevante Probleme zu lösen, und die Organisation nutzt das Wissen jubelnd, um ihre Konkurrenz rechtzeitig und nicht zwei Wochen zu spät auszuschalten.

    Zahlen sind bequem und Top-Entscheidungsträger möchten einfache Antworten auf Fragen wie "Wie viel?" oder "Was ist der prozentuale Gewinn?" Datenwissenschaftler sind nur der quantitative Analyst, der ihre Fragen beantwortet. Die Einstellung von "Personen", die auch über datenwissenschaftliche Kenntnisse verfügen, um die datenwissenschaftliche Funktion zu verwalten, führt jedoch zu einem besseren Ergebnis in der berauschenden und aufregenden datenwissenschaftlichen Disziplin. Während konservative Unternehmen unter den bekannten Würfelorganisationen leiden, schieben sie den Umschlag des glücklichen Unbekannten. Ergebnis: Die wunderbar nerdigen Datenwissenschaftler, die iterativ, einfallsreich und ausfallsicher arbeiten, werden anregende, nadelbewegende Ergebnisse liefern.

    Über den Autor:
    Gaurav Anand ist Finanzleiter bei Google Cloud . Er verfügt über eine nachgewiesene Erfolgsbilanz in den Bereichen Strategie und Analyse sowie Unternehmensbetrieb und Teambildung. Er hat einen MBA von der Stephen M. Ross School of Business der University of Michigan und einen Bachelor of Technology (B.Tech.), Chemieingenieurwesen vom Indian Institute of Technology, Kharagpur. Anand kann unter gaurav.anand@gmail.com erreicht werden.

    About BusinessIntelligence

    Check Also

    Datengesteuertes Storytelling öffnet Analysen für alle

    Datengesteuertes Storytelling hat das Potenzial, die Analytik zu revolutionieren. Eine der großen Herausforderungen der Analytik …

    Schreibe einen Kommentar

    Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.