数据科学项目中的3种协作角色

成功的数据科学项目需要跨团队协作。若未与所有相关利益方充分对齐，数据科学项目将难以产生影响。在DataCamp 最近的一场网络研讨会中，Lucid Software 内部工程团队的工程经理 Brian Campbell 分享了数据科学项目中跨团队协作的最佳实践。

三种协作角色

数据科学家必须与其他相关方协作，才能让项目产生真正的影响。数据科学家应依靠组织内的他人，更好地理解其关注问题背后的业务价值与指标、如何在复杂的数据环境中导航，以及如何将模型部署给客户。在研讨会上，Brian 介绍了三类协作者：

问题专家是为数据科学项目奠定基础的协作者。他们的职责是为项目提供领域专业知识，并明确问题陈述。

问题专家深入理解数据科学项目会影响哪些指标，以及这些指标如何转化为业务结果。他们也清楚模型需要达到何种精度才具有价值。这些都是关键信息，因为没有任何模型能做到绝对准确。了解合理且有价值的目标，有助于在项目早期明确目标并设定预期。

数据是任何成功数据科学项目的关键要素。许多组织的数据版图十分复杂，导致难以明确可用数据有哪些，以及解决问题需要哪些数据。

数据专家负责了解某一领域中有哪些数据、如何获取这些数据，以及哪些数据最适合回答特定的业务问题。有时他们本身也可能是问题专家，但通常在组织中担任数据工程相关角色。

最后，实施专家负责理解如何将这些模型部署给客户。他们精通支持大规模模型部署所需的基础设施与资源。

与这些专家协作时，务必要提前很久告知他们项目情况，以便在模型准备好部署时，他们已有合适的基础设施就位。同样重要的是要明确成果将如何被使用——作为产品中的一个功能、作为 API 的一部分、与现有流程集成，还是需要从零建立新流程。项目的具体用途将决定最合适的实施专家是谁。

时间线是协作的关键组成部分。它能让所有参与者规划何时介入，推动项目向完成迈进。

以部署一套客户留存模型的拟议项目为例。该模型将识别出有可能不再续订的客户，并向他们发送促销邮件以挽留。

该项目最初需要了解客户留存的指标与趋势，收集相关数据，对数据进行清洗与分析，构建分类模型，将其集成到自动化邮件系统中，并最终上线。所有这些步骤可能需要数周时间，而且其中许多环节都需要前文提到的三类相关方的协助。

制定初步时间线有助于协作者规划他们需要何时待命以支持项目。若出现延误，应立即通知合作伙伴。若数据收集阶段延迟，实施专家不应提前一个月介入，否则会浪费他们的时间，也会影响未来与他们的合作机会。

如需进一步了解数据科学项目管理的最佳实践，请观看按需回放的网络研讨会，获取更深入的示例。