Как выстроить Data Science отдел в корпорации

Почему состав команды так важен?

Предприниматели хотят создавать качественные продукты, приносящие прибыль. Для этого нужна сбалансированная команда с четким распределением обязанностей, которая создаст систему и комплексные решения.

Идеальная схема выглядит так: мы создаем один автоматизированный продукт. По завершении мы над ним не работаем, а он приносит деньги. Переходим к созданию второго продукта и так далее. 

В случае несбалансированной командной работы, мы создаем ad-hoc’и, которые трудно масштабировать. Ценность нашего бизнеса либо не растет, либо растет линейно — хотим больше зарабатывать, больше работаем, нанимаем больше людей, люди дорогие. В итоге дело закончится провалом. 

Чтобы избежать провала, читайте о грамотном распределении ролей в команде.

Роли data-boys и data-girls

Data Analyst

Начнем с дата-аналитиков — эти люди находятся на передовой обработки данных. 

Аналитики данных знают вашу базу данных лучше других специалистов, знают, где и какие данные взять, быстро их находят, сводят и считают. Четко отвечают на поставленные вопросы и правильно их задают.

Любопытный дата-аналитик самостоятельно работает с данными и понимает, в чем их польза для бизнеса. 

Требования:

Hard skills:

• SQL
• Немного Python
• Визуализация данных
• Понимание структур данных

Soft skills:

• Коммуникация результатов
• Умение разбираться в бизнес-задаче
  
  

Data Scientist

Дата-сайентисты — математики. 

Главная цель их работы — сделать точно. 

Перед ними стоят два типа задач:

1. Построение любых математических моделей
2. Декомпозиция бизнес-задач на эту математическую модель

Требования:

Hard skills:

• Python/R
• SQL
• Алгоритмы машинного обучения
• Теория вероятности
• Мат. статистика

Soft skills:

• Коммуникация с заказчиком
• Умение превратить бизнес-задачу в математическую постановку

Data Engineer

Дата-инженеры — люди с системным складом ума. 

Они создают пайплайн данных — данные от вашего кассового аппарата через длинную цепочку систем складываются в data lake. Также дата-инженеры работают с моделями, которые разработали дата-сайентисты. Они обвязывают модели текстами, структурами, мониторингом и доводят до готового продукта.

Требования:

Hard skills:

• SQL
• Hadoop
• Spark
• Python
• Kubernetes 
• Docker

Soft skills:

• Умение работать в команде

Product Owner

Продакт-оунер — мини-CEO продукта. 

Он общается с командой и ставит задачи, знает потребности заказчика, обладает полной картиной развития продукта. На его плечах ответственность за итоговый продукт и его масштабирование.

Требования:

• Внешние и внутренние коммуникации
• Владение PnL продукта
• Разработка стратегии продукта
• Умение организовывать процесс разработки и добывать ресурсы

Business Analyst

Бизнес-аналитики требуются не во всех проектах. 

К их помощи прибегают, когда продукт сложный и комплексный. А также если внедрение продукта требует изменения бизнес-процессов. 

Бизнес аналитик знает, как сейчас работает бизнес и как он будет работать после внедрения продукта. Благодаря этим людям вы можете быть уверены, что работа принесет результат.

Пример работы без бизнес-аналитика

В компании разработали модель, которая прогнозирует реакции людей на маркетинговые акции на неделю вперед. В конце работы показали модель маркетологам. Оказалось, что маркетологи работают двухнедельными циклами. Контент-план расписан на две недели вперед. 

Итог: модель работает, но не применима. Команда работала 2–3 месяца впустую.

Требования:

Hard skills:

• Методология описания бизнес-процессов 
• SQL
• Опыт оптимизации бизнес-процессов

Soft skills:

• Коммуникации с внешними и внутренними коллегами

Архитектура data science-отделов

Люди думают, что большинство компаний выстроено таким образом: в разных отделах есть инициативы по Data Science.

На самом деле все гораздо хуже. 

Между S&OP (планирование продаж и операций) и Back-office (торговая система компании) — соревнование в духе корпоративных игр. S&OP хотят, чтобы все обязанности от Back-office перешли к ним. 

Между Marketing и другими отделами — китайская стена. Эта система ненадежна, работа не структурирована. Люди дублируют процессы, базы данных и делают двойную работу. 

Работающая система выстроена следующим образом

В компании создан единый центр Data Science, в котором собираются все компетенции по DS. Они аккумулируются, дата-сайентисты разрабатывают модели. Связующий элемент — product owner’ы. Их задача — соединять бизнес с центром компетенций. Они передают информацию, инициативы, проекты.

Существует устойчивое убеждение, что 2020–2021 гг. — период трансформации функции анализа данных в крупных компаниях. Как будет построена работа?

Центр компетенций — место концентрации наибольшего количества знаний и навыков. Оттуда информация передается в отделы, к которым она относится. Задача — передавать наилучшие технологии и опыт в функции в структурированном формате.

Все это нужно, чтобы создать business partnership — среду делового партнерства — без конкурентной гонки.

Выводы

Перед предпринимателями стоят следующие цели:

• Создать новый продукт
• Сделать улучшенную версию существующих аналогов
• Масштабировать бизнес
• Создать сплоченную команду, вдохновленную одной идеей
• Увеличение прибыли

Все это возможно в среде делового партнерства, где люди понимают ценности компании, понимают свои задачи и стараются ради общего дела.

Как получить максимум

Ответьте для себя на следующие вопросы:

• Чего вы хотите достичь?
• Каков ваш идеальный состав команды?
• Достаточно ли у вас сейчас сотрудников?
• Правильное ли у вас распределение обязанностей?
• Разделяет ли ваш коллектив ценности компании?

Подумайте о трансформации архитектуры ваших отделов и создании сбалансированной команды. 

В результате прибыль вашего бизнеса вырастет.

Фото на обложке: Shutterstock / foxaon1987