Dobri data naučnici imaju opcija u karijeri i neće dugo tolerisati loše menadžere. Ako želite da ih zadržite, treba da vodite računa o njihovom radu, povežete ga sa poslovanjem i formirate timove koji su diversifikovani, rezilijentni i imaju visoke performanse. Voditi tim data naučnika podrazumeva da znate šta je data nauka.

Možemo se voditi rečima Hilari Mejson: “Podelila bih data nauku na tri kompetence, koje sve počivaju na istoj tehnologiji. Prva kompetenca je razumevanje poslovanja. To je analitika, ili poslovna inteligencija – biti kadar da postavljaš pitanja i analiziraš informacije kako bi doneo bolje odluke. Obično su to profesionalci koji su “prebegli” iz finansija ili operacija. Nisu nužno iz domena tehnike. Druga kompetenca je proizvodna data nauka: pravljenje algoritama i sistema, koji mogu koristiti mašinsko učenje i veštačku inteligenciju, što zapravo poboljšava proizvod. Ovde spadaju filteri protiv spama, sistemi za preporučivanje, algoritmi za pretraživanje i vizuelizacija podataka. Ova kompetenca se obično nalazi u određenoj liniji biznisa i deo je razvoja proizvoda i inženjeringa. Poslednja kompetenca je ona koja se često zanemaruje ili meša sa proizvodnom data naukom. To je kompetenca razvoja i istraživanja – korišćenje podataka da se otvori novi proizvod, novo poslovanje i nove prilike za prihode.”

Izgradite poverenje i budite direktni

Poverenje, autentičnost i lojalnost su naročito važni u data nauci. Zašto? Često postoji zabuna oko ove profesije i njene uloge u kompaniji, pa menadžer tima biva odgovoran da zaštiti data naučnike od nerazumnih zahteva, te da objašnjava ulogu tima ostatku organizacije. Najbolji način da izgradite poverenje jeste da se pobrinete da članovi vašeg tima imaju interesantne projekte na kojima će raditi i da ih ne opterećuju projekti sa nejasnim zahtevima ili nerealnim rokovima.

Takođe bi trebalo da se ozbiljno potrudite da budete izravni. Data naučnici su pametni ljudi koji su obučeni da ispituju i rukuju informacijama. Dobar princip je biti oko 20% direktniji i iskreniji nego što mislite da treba da budete.

Povežite rad sa poslovanjem

Kako biste dobili najbolje od data naučnika, dajte im jasnu sliku poslovnog cilja iza nekog projekta. Veliki deo upravljanja data naukom je diskutovanje i rafiniranje pitanja različitih strana kako biste bolje razumeli informacije koje oni zapravo žele i kako će ih koristiti. Ne dozvolite da pitanja ili zahtevi postanu projekti na kojima vaš tim radi sve dok ne saznate šta tačno naručilac želi i kako će to koristiti. Zahtevanje potpuno jasnih ciljeva za pitanja o podacima koja vam dolaze na dnevni red jeste jedna od najvažnijih stvari koje možete da uradite za svoj tim. Stejkholderi ne mogu uvek sami po sebi da postavljaju ovako fokusirana, specifična pitanja. Postarajte se da članovi data tima budu redovno pozivani na sastanke strategije ili razvoja proizvoda.

Formirajte dobre timove

Kao menadžer data naučnika, dobijaćete veliki broj biografija. Iskoristite to kako biste bili izbirljivi na pravi način. Društvene veštine poput emocionalne inteligencije i komunikacija su potcenjene u data nauci i trebalo bi da budu sastavni deo vaših kriterijuma za zapošljavanje. Umesto da zapošljavate samo u skladu sa “uklapanjem u kulturu”, zapitajte se da li ova osoba posmatra svet na način koji proširuje granice znanja u timu.

Nemojte zapošljavati samo ljude sa iskustvom – manje iskusni zaposleni često ne polaze od pretpostavki kao što to rade njihove iskusnije kolege. Budite otvoreni za raznolikost u akademskom poreklu. Član tima koji je studirao morsku biologiju i njegovo poznavanje ponašanja jata delfina u divljini može biti iznenađujuće korisno kada se modeluje flota robota. Najzad, izgradite tim koji odražava ljude čije podatke analizirate – takav tim će postavljati kvalitetnija pitanja.

Kada specijalizirati

I jedan savet za kraj: Kada tim data naučnika tek počinje, svako od njih će “nositi više šešira” i raditi na različitim vrstama zadataka iz data nauke. To je OK – dosta podseća na to kada se neko pridruži startap kompaniji. Kako vaš tim sazreva i dokazuje se, znajte da će uloge postati definisanije i neke aktivnosti će preći u druge timove (infrastrukturu i operacije, na primer). Ali specijalizacija ima smisla jedino kada postoje jasni, dobro definisani zahtevi kako bi se izbegla odlaganja u koordinaciji i troškovi višestrukih timova koji rade zajedno.

Ključ izuzetne data strategije: biranje Data Science projekata

Data Science u korporativnom okruženju danas