Succesvolle data science-projecten vereisen samenwerking tussen teams. Zonder goede afstemming met alle relevante stakeholders zijn data science-projecten niet impactvol. In een recente DataCamp-webinar bespreekt Brian Campbell, Engineering Manager, Internal Engineering bij Lucid Software, best practices voor samenwerking over teams heen bij data science-projecten.
Drie soorten samenwerkers
Data scientists moeten met andere stakeholders samenwerken om met hun projecten impact te maken. Ze doen er goed aan te vertrouwen op collega’s binnen de organisatie om de bedrijfswaarde en KPI’s achter de problemen die ze willen aanpakken beter te begrijpen, om hun weg te vinden in complexe data-omgevingen, en om te weten hoe ze hun modellen bij klanten uitrollen. In de webinar bespreekt Brian drie soorten samenwerkers:
Probleemexpert
De probleemexpert legt de basis voor een data science-project. Hun taak is om domeinexpertise te leveren en de probleemstelling te definiëren.
Probleemexperts begrijpen tot in detail welke metrics door een data science-project worden beïnvloed en hoe die zich vertalen naar bedrijfsresultaten. Ze weten ook welke nauwkeurigheid nodig is om een model waardevol te maken. Die kennis is cruciaal, want geen enkel model is perfect nauwkeurig. Begrijpen wat realistisch en waardevol is om na te streven, is essentieel om doelen te definiëren en verwachtingen vroeg in een project te managen.
Data-expert
Data is het kerningrediënt van elk succesvol data science-project. Veel organisaties hebben complexe datalandschappen, waardoor het lastig is om te weten welke data beschikbaar is en welke data nodig is om een probleem op te lossen.
Data-experts weten welke data binnen een domein beschikbaar is, hoe je die data krijgt en welke data het best past bij specifieke businessvragen. Soms zijn zij zelf ook de probleemexpert, maar meestal werken ze in data engineering-rollen binnen de organisatie.
Implementatie-experts
Tot slot zijn implementatie-experts verantwoordelijk voor het begrijpen van hoe je deze modellen bij klanten uitrolt. Zij zijn expert in de infrastructuur en middelen die nodig zijn om modellen op schaal te deployen.
Als je met deze experts samenwerkt, is het belangrijk om ze ruim van tevoren te informeren over het project, zodat zij tijd hebben om te zorgen voor de juiste infrastructuur zodra het model klaar is voor uitrol. Het is ook belangrijk om te weten hoe het werk gebruikt zal worden—als feature in het product, als onderdeel van een API, geïntegreerd in een bestaand proces, of dat er een nieuw proces vanaf nul nodig is. Het beoogde gebruik van het project bepaalt met welke implementatie-expert je het beste kunt samenwerken.
Effectief samenwerken met partners
Tijdslijnen zijn een cruciaal onderdeel van samenwerking. Zo kan iedereen die bij het project betrokken is plannen wanneer ze instappen om het naar de finish te helpen.
Stel: er wordt een project voorgesteld om een model voor klantbehoud te deployen. Dit model identificeert klanten die het risico lopen hun abonnement niet te verlengen en stuurt hen een promotionele e-mail om ze te verleiden te blijven.
Dit project vereist eerst inzicht in de metrics en trends rond klantbehoud, het verzamelen van relevante data, het opschonen en analyseren van de data, het bouwen van het classificatiemodel, het integreren in het geautomatiseerde e-mailsysteem en het live zetten. Al deze stappen kunnen weken duren en voor veel stappen is hulp nodig van de drie stakeholders die in de vorige sectie zijn besproken.
Door een eerste tijdslijn te schetsen, weten samenwerkers wanneer ze beschikbaar moeten zijn om te helpen. Als er vertraging optreedt, moet je partners direct informeren. Implementatie-experts moeten niet een maand te vroeg opdraven als de dataverzamelingsfase vertraagd is, want dat verspilt hun tijd en schaadt de kans op toekomstige samenwerkingen met hen.
Wil je meer leren over best practices in projectmanagement voor data science? Bekijk de on-demand webinar voor meer diepgaande voorbeelden.
