Para que un proyecto de ciencia de datos tenga impacto, es clave la colaboración entre equipos. Sin una buena alineación con todas las personas implicadas, los proyectos se quedan cortos. En un webinar reciente de DataCamp, Brian Campbell, Engineering Manager, Internal Engineering en Lucid Software, comparte buenas prácticas para colaborar entre equipos en proyectos de ciencia de datos.
Tres tipos de colaboradores
Las y los data scientists deben trabajar con otros perfiles para que sus proyectos generen impacto. Es fundamental apoyarse en personas dentro de la organización para entender mejor el valor de negocio y las métricas detrás de los problemas que se quieren abordar, cómo moverse por entornos de datos complejos y cómo desplegar los modelos a clientes. En el webinar, Brian habla de tres tipos de colaboradores:
Experto o experta en el problema
Quien domina el problema sienta las bases del proyecto de ciencia de datos. Su labor es aportar conocimiento del dominio y definir el enunciado del problema.
Estas personas entienden a fondo qué métricas afectará el proyecto y cómo se traducen en resultados de negocio. También saben qué nivel de precisión necesita un modelo para que aporte valor. Esta información es crítica porque ningún modelo es perfecto. Saber qué es razonable y valioso perseguir es clave para fijar objetivos y expectativas desde el inicio.
Experto o experta en datos
Los datos son el ingrediente esencial de cualquier proyecto de ciencia de datos. Muchas organizaciones tienen paisajes de datos complejos que dificultan saber qué datos hay disponibles y cuáles hacen falta para resolver un problema.
Las personas expertas en datos saben qué datos existen en un dominio, cómo obtenerlos y cuáles encajan mejor con preguntas de negocio concretas. A veces pueden coincidir con el perfil experto en el problema, pero normalmente desempeñan funciones de ingeniería de datos dentro de la organización.
Expertos o expertas en implementación
Por último, quienes se especializan en implementación se encargan de entender cómo llevar estos modelos a producción y hacerlos llegar a los clientes. Dominen la infraestructura y los recursos necesarios para desplegar modelos a escala.
Al colaborar con estas personas, es importante avisarlas con suficiente antelación para que puedan garantizar que la infraestructura estará lista cuando toque desplegar el modelo. También conviene aclarar cómo se usará el trabajo: como una funcionalidad del producto, parte de una API, integrado en un proceso existente o si requerirá crear uno nuevo desde cero. El uso previsto del proyecto determinará con quién conviene colaborar en la parte de implementación.
Cómo trabajar eficazmente con colaboradores
Los plazos son un componente crítico de la colaboración. Permiten que todas las personas implicadas planifiquen cuándo deben involucrarse para ayudar a llevar el proyecto a buen puerto.
Imagina un proyecto para desplegar un modelo de retención de clientes. El modelo identificará a los clientes con riesgo de no renovar su suscripción y les enviará un correo promocional para animarles a quedarse.
Este proyecto requerirá entender primero las métricas y tendencias de retención, recopilar los datos relevantes, limpiarlos y analizarlos, construir el modelo de clasificación, integrarlo con el sistema de emails automatizados y ponerlo en producción. Todos estos pasos pueden llevar semanas y muchos de ellos necesitarán la ayuda de los tres perfiles mencionados en la sección anterior.
Definir un cronograma inicial permite a los colaboradores trazar una hoja de ruta sobre cuándo deben estar disponibles para ayudar. Si surgen retrasos, hay que avisar de inmediato. No tiene sentido que el equipo de implementación se incorpore un mes antes si la fase de recopilación de datos se ha retrasado: les hará perder el tiempo y dificultará futuras colaboraciones.
Si quieres conocer más buenas prácticas de gestión de proyectos de ciencia de datos, mira el webinar on-demand con ejemplos más detallados.
