3 tipi di collaboratori nei progetti di data science

I progetti di data science di successo richiedono collaborazione tra team. Senza il giusto allineamento con tutti gli stakeholder coinvolti, i progetti di data science non hanno impatto. In un recente webinar di DataCamp, Brian Campbell, Engineering Manager, Internal Engineering in Lucid Software, discute le best practice per la collaborazione cross-team nei progetti di data science.

Tre tipi di collaboratori

I data scientist devono collaborare con altri stakeholder per generare impatto con i loro progetti. Dovrebbero fare affidamento su altre figure all’interno dell’organizzazione per comprendere meglio il valore di business e le metriche alla base dei problemi che li interessano, come muoversi in ambienti dati complessi e come distribuire i modelli ai clienti. Nel webinar, Brian parla di tre tipi di collaboratori:

Esperto del problema

L’esperto del problema è il collaboratore che getta le basi per un progetto di data science. Il suo compito è fornire competenze di dominio per il progetto e definire la problem statement.

Gli esperti del problema comprendono a fondo le metriche influenzate da un progetto di data science e come si traducono in risultati di business. Sanno anche quale livello di accuratezza è necessario perché un modello sia utile. Questa conoscenza è fondamentale, perché nessun modello può essere perfettamente accurato. Capire cosa è ragionevole e utile come obiettivo è essenziale per definire i goal e impostare le aspettative fin dalle prime fasi di un progetto.

Esperto dei dati

I dati sono l’ingrediente chiave per qualsiasi progetto di data science di successo. Molte organizzazioni hanno paesaggi dati complessi che rendono difficile sapere quali dati sono disponibili e quali servono per risolvere un problema.

Gli esperti dei dati si occupano di conoscere quali dati sono disponibili in un dominio, come recuperarli e quali sono più adatti per specifiche domande di business. A volte possono coincidere con l’esperto del problema, ma in genere ricoprono ruoli di data engineering all’interno dell’organizzazione.

Esperti di implementazione

Infine, gli esperti di implementazione sono responsabili di capire come distribuire questi modelli ai clienti. Sono esperti dell’infrastruttura e delle risorse necessarie per distribuire modelli su larga scala.

Quando collabori con questi esperti, è importante informarli del progetto con largo anticipo, così che abbiano il tempo di assicurare che ci sia l’infrastruttura adeguata quando il modello sarà pronto per il rilascio. È anche importante sapere come verrà utilizzato il lavoro: come funzionalità del prodotto, parte di un’API, integrato con un processo esistente o richiedendo un nuovo processo da zero. L’uso previsto del progetto determinerà chi è il miglior esperto di implementazione con cui collaborare.

Come lavorare in modo efficace con i collaboratori

Le tempistiche sono un elemento fondamentale della collaborazione. Consentono a tutti i coinvolti nel progetto di pianificare quando intervenire per farlo avanzare fino al completamento.

Considera un progetto proposto per distribuire un modello di customer retention. Questo modello identificherà i clienti a rischio di non rinnovare l’abbonamento dell’organizzazione e invierà loro un’email promozionale per invogliarli a restare.

Questo progetto richiederà inizialmente di comprendere metriche e trend di retention dei clienti, raccogliere i dati rilevanti, ripulire e analizzare i dati, costruire il modello di classificazione, integrarlo nel sistema di email automatizzate e metterlo in produzione. Tutti questi passaggi potrebbero richiedere settimane e molti di essi necessiteranno dell’aiuto dei tre stakeholder discussi nella sezione precedente.

Definire una timeline iniziale permette ai collaboratori di pianificare quando dovranno essere disponibili per supportare il progetto. Se si verificano ritardi, i partner andrebbero informati subito. Gli esperti di implementazione non dovrebbero presentarsi con un mese di anticipo se c’è un ritardo nella fase di raccolta dati: questo farebbe perdere loro tempo e comprometterebbe opportunità di future collaborazioni.

Per saperne di più sulle best practice di project management in data science, guarda il webinar on-demand per esempi più approfonditi.