Projetos de ciência de dados bem-sucedidos dependem de colaboração entre times. Sem o alinhamento certo com todos os stakeholders relevantes, eles perdem impacto. Em um webinar recente da DataCamp, Brian Campbell, Engineering Manager de Internal Engineering na Lucid Software, compartilhou as melhores práticas para colaboração entre áreas em projetos de ciência de dados.
Três tipos de colaboradores
Cientistas de dados precisam colaborar com outros stakeholders para gerar impacto com seus projetos. Eles devem contar com colegas da organização para entender melhor o valor de negócio e as métricas por trás dos problemas de interesse, como navegar em ambientes de dados complexos e como colocar seus modelos em produção para os clientes. No webinar, Brian detalha três tipos de colaboradores:
Especialista no problema
O especialista no problema é quem define as bases de um projeto de ciência de dados. Sua função é trazer a expertise de domínio e formular o enunciado do problema.
Esses especialistas entendem profundamente as métricas afetadas por um projeto de ciência de dados e como elas se traduzem em resultados de negócio. Eles também sabem qual nível de acurácia um modelo precisa ter para gerar valor. Essa visão é crucial, porque nenhum modelo será perfeitamente preciso. Saber o que é razoável e valioso como objetivo é essencial para definir metas e ajustar expectativas logo no início do projeto.
Especialista em dados
Dados são o ingrediente-chave de qualquer projeto de ciência de dados. Muitas organizações têm cenários de dados complexos, o que torna desafiador saber quais dados estão disponíveis e quais são necessários para resolver um problema.
Os especialistas em dados são responsáveis por saber que dados existem em um domínio, como obtê-los e quais são os mais adequados para responder a perguntas específicas do negócio. Às vezes, eles também são os especialistas no problema, mas normalmente atuam em funções de engenharia de dados dentro da organização.
Especialistas em implementação
Por fim, os especialistas em implementação entendem como disponibilizar esses modelos para os clientes. Eles dominam a infraestrutura e os recursos necessários para implantar modelos em escala.
Ao colaborar com esses especialistas, é importante avisá-los com antecedência sobre o projeto, para que tenham tempo de garantir a infraestrutura adequada quando o modelo estiver pronto para ser colocado em produção. Também é essencial saber como o trabalho será usado — como um recurso do produto, parte de uma API, integrado a um processo existente ou exigindo um processo novo do zero. O uso previsto do projeto determina quem será o melhor especialista em implementação para colaborar.
Como trabalhar com colaboradores de forma eficiente
Cronogramas são fundamentais para a colaboração. Eles permitem que todos os envolvidos planejem quando irão entrar no projeto para ajudá-lo a avançar até a conclusão.
Considere um projeto proposto para implantar um modelo de retenção de clientes. Esse modelo identificará clientes com risco de não renovar a assinatura e enviará um e-mail promocional para incentivá-los a permanecer.
Esse projeto exigirá, inicialmente, entender métricas e tendências de retenção, coletar dados relevantes, limpar e analisar os dados, construir o modelo de classificação, integrá-lo ao sistema automatizado de e-mails e colocá-lo no ar. Todas essas etapas podem levar semanas, e muitas delas vão exigir ajuda dos três stakeholders discutidos na seção anterior.
Definir um cronograma inicial permite que os colaboradores façam um roadmap de quando precisam estar disponíveis para apoiar o projeto. Se surgirem atrasos, os parceiros devem ser informados imediatamente. Especialistas em implementação não devem aparecer um mês antes se houver atraso na fase de coleta de dados, pois isso desperdiça o tempo deles e prejudica oportunidades de colaboração futura.
Para saber mais sobre boas práticas de gestão de projetos de ciência de dados, assista ao webinar on-demand com exemplos mais detalhados.
