Proyek data science yang sukses memerlukan kolaborasi lintas tim. Proyek data science tidak akan berdampak besar tanpa keselarasan yang tepat dengan semua pemangku kepentingan terkait. Dalam webinar DataCamp terbaru, Brian Campbell, Engineering Manager, Internal Engineering di Lucid Software, membahas praktik terbaik untuk kolaborasi lintas tim dalam proyek data science.
Tiga Jenis Kolaborator
Data scientist harus berkolaborasi dengan pemangku kepentingan lain untuk mendorong dampak dari proyek mereka. Data scientist perlu mengandalkan rekan di dalam organisasinya untuk lebih memahami nilai bisnis dan metrik yang mendasari masalah yang ingin mereka selesaikan, cara menavigasi lingkungan data yang kompleks, serta bagaimana menerapkan model ke pelanggan. Dalam webinar ini, Brian membahas tiga jenis kolaborator:
Ahli Permasalahan
Ahli permasalahan adalah kolaborator yang meletakkan fondasi bagi sebuah proyek data science. Tugas mereka adalah memberikan keahlian domain untuk proyek dan merumuskan pernyataan masalah.
Ahli permasalahan memahami secara mendalam metrik yang dipengaruhi oleh proyek data science dan bagaimana metrik tersebut berujung pada hasil bisnis. Mereka juga mengetahui tingkat akurasi yang dibutuhkan agar sebuah model bernilai. Pengetahuan ini sangat penting karena tidak ada model yang bisa 100% akurat. Memahami target yang masuk akal dan bernilai sangat krusial untuk menetapkan tujuan dan ekspektasi sejak awal proyek.
Ahli Data
Data adalah bahan utama bagi setiap proyek data science yang berhasil. Banyak organisasi memiliki lanskap data yang kompleks sehingga menantang untuk mengetahui data apa yang tersedia dan data apa yang dibutuhkan untuk menyelesaikan suatu masalah.
Ahli data bertanggung jawab mengetahui data apa yang tersedia dalam suatu domain, bagaimana mendapatkan data tersebut, dan data mana yang paling cocok untuk pertanyaan bisnis tertentu. Kadang mereka juga berperan sebagai ahli permasalahan, tetapi umumnya berada pada fungsi rekayasa data di dalam organisasi.
Ahli Implementasi
Terakhir, ahli implementasi bertanggung jawab memahami cara menerapkan model-model ini kepada pelanggan. Mereka adalah pakar dalam infrastruktur dan sumber daya yang dibutuhkan untuk menerapkan model dalam skala besar.
Saat berkolaborasi dengan para ahli ini, penting untuk memberi tahu mereka jauh-jauh hari tentang proyek agar mereka memiliki waktu untuk memastikan infrastruktur yang tepat tersedia ketika model siap diterapkan. Penting juga untuk mengetahui bagaimana hasil kerja akan digunakan—sebagai fitur dalam produk, bagian dari API, terintegrasi dengan proses yang sudah ada, atau memerlukan proses baru dari awal. Cara penggunaan proyek akan menentukan ahli implementasi mana yang paling tepat untuk diajak bekerja sama.
Cara Bekerja Efektif dengan Kolaborator
Linimasa adalah komponen krusial dalam kolaborasi. Ini memungkinkan semua pihak yang terlibat dalam proyek merencanakan kapan mereka akan terlibat untuk membantu mendorong proyek hingga selesai.
Pertimbangkan proyek yang diusulkan untuk menerapkan model retensi pelanggan. Model ini akan mengidentifikasi pelanggan yang berisiko berhenti berlangganan dari organisasi dan akan mengirimkan email promosi kepada mereka untuk mendorong agar tetap bertahan.
Proyek ini akan memerlukan pemahaman awal tentang metrik dan tren retensi pelanggan, pengumpulan data yang relevan, pembersihan dan analisis data, pembangunan model klasifikasi, integrasinya ke dalam sistem email otomatis, dan penayangan langsung. Semua langkah ini bisa memakan waktu berminggu-minggu dan banyak tahapan akan membutuhkan bantuan dari tiga pemangku kepentingan yang dibahas pada bagian sebelumnya.
Menetapkan linimasa awal memungkinkan para kolaborator menyusun rencana kapan mereka perlu tersedia untuk membantu proyek. Jika terjadi penundaan, para mitra harus segera diberi tahu. Ahli implementasi tidak perlu muncul sebulan lebih awal jika ada penundaan pada fase pengumpulan data, karena ini akan membuang waktu mereka dan merugikan peluang kolaborasi di masa depan.
Untuk mempelajari lebih lanjut praktik terbaik manajemen proyek data science, simak webinar on-demand untuk contoh yang lebih mendalam.
