Когда и как создать команду по анализу данных

Оцените свой уровень зрелости, найдите необходимые навыки и создайте культуру данных

Все больше стартапов всего спектра обращаются к искусственному интеллекту (ИИ), который поможет им в решении бизнес-задач и повышении эффективности. Многочисленные преимущества создания возможностей искусственного интеллекта в вашем стартапе никого не должны удивлять.

Фактически, преимущества для бизнеса настолько велики, что, по прогнозам PwC, к 2030 году ИИ добавит к мировой экономике 15,7 триллиона долларов. Вопреки распространенному мнению, успешное внедрение ИИ для принятия эффективных решений требует разнообразной команды, обладающей опытом в нескольких областях. набор умений.

Начать свой путь в области искусственного интеллекта непросто - вам нужно задавать зондирующие вопросы, чтобы убедиться, что соответствующие проекты в области науки о данных запускаются в нужное время. Кроме того, вам необходимо создать эффективную команду, способную превращать данные в решения.

Когда компаниям следует перейти на искусственный интеллект?

Большинство стартапов уже используют данные для понимания эффективности своего бизнеса и принятия операционных решений, будь то отчеты MIS или KPI, отслеживаемые в таблицах Excel. Но когда нужно перейти на расширенную аналитику? В какой момент вам следует начать использовать технологии искусственного интеллекта и создать свою команду по анализу данных?

Любой стартап, стремящийся к развитию науки о данных, должен иметь доступ к надежным источникам данных и чистым данным. Итак, предварительным условием является использование инженерных практик для получения данных, а затем их структурирования и хранения.

Первым шагом в науке о данных является изучение описательной аналитики, чтобы понять, что происходило в прошлом - обычно это достигается с помощью отчетов KPI и простых сводок бизнес-показателей.

После проведения описательной аналитики вам следует воспользоваться исследовательским анализом данных, чтобы понять, почему все так сложилось. Это называется диагностической аналитикой и основывается на статистике и бизнес-анализе.

Как только вы обнаружите, что хотите извлечь больше пользы из своих данных, вам следует запланировать перспективный анализ. Здесь использование ИИ и машинного обучения (ML) жизненно важно для более глубокого прогнозирования на основе данных.

Следующим шагом на пути к науке о данных является использование этих данных и их связь с бизнес-решениями. Потребление данных основано на повествовании, информационном дизайне и историях данных.

Последний уровень зрелости данных в организации - это когда данные становятся культурой. Именно здесь для каждого в организации является второй натурой использовать данные и методы, такие как исследовательские идеи, машинное обучение и искусственный интеллект, прямо или косвенно для принятия решений.

Когда наступает подходящее время для науки о данных?

Но как насчет стартапов, которые только начинаются? Стоит ли вам потратить шесть месяцев на создание озер данных, прежде чем вдаваться в подробности? Нет. Никогда не рано начинать обучать алгоритмы искусственного интеллекта и машинного обучения с любыми данными, которые у вас есть под рукой - просто убедитесь, что у вас есть актуальные, тщательно отобранные данные из внутренних или внешних источников.

На раннем этапе вашего пути жизненно важно внедрить процессы очистки и преобразования данных, прежде чем вы сможете начать вводить их в свой уровень науки о данных. Например, предположим, что недавно запущенный стартап электронной коммерции хочет использовать AI и ML, чтобы лучше понять покупательское поведение своей аудитории. Команда специалистов по анализу данных может собирать данные из журналов транзакций, обрабатывать их и очищать.

Они могут анализировать эти данные, чтобы затем понять, почему люди покупают определенные товары, и спрогнозировать, что они, вероятно, купят в будущем. Это позволяет организации на раннем этапе получить ключевые практические сведения о своей потребительской базе, а не ждать.

Итак, вы приняли решение сделать скачок в ИИ, и вы определили свое видение ИИ и вероятные варианты использования, с которых можно начать. Как вы затем можете создать свою команду, чтобы реализовать преимущества и масштабировать этапы зрелости?

Что делает команду специалистов по науке о данных разносторонней?

Если вы начинаете с создания отчетов и описательной аналитики, вам понадобится переводчик данных. Эти люди по своим навыкам ближе всего к «бизнес-аналитикам» в группах бизнес-аналитики (BI). Помимо сильной деловой хватки, у них есть чутье на игру с данными, знакомство с аналитикой и чутье на дизайн.

Трансляторы данных помогают определить наиболее эффективные проекты, поскольку они придают бизнес-задачам форму, которую можно решить с помощью данных. Обладая четким пониманием предметной области и беглости данных, а также способности эффективно общаться, они действуют как мост между бизнес-пользователями, инженерами данных и такими ролями, как специалисты по обработке данных и дизайнеры информации.

Эта роль жизненно важна для групп по анализу данных, работающих над достижением бизнес-результатов - по оценкам McKinsey, потребность в переводчиках только в Соединенных Штатах может достигнуть от двух до четырех миллионов к 2026 году.

Специалисты по обработке данных найдут способы извлечь наиболее важную информацию из ваших данных, используя свои знания в области статистики, машинного обучения и искусственного интеллекта. Вам также понадобятся информационные дизайнеры, чтобы сделать эти выводы полезными.

Информационные дизайнеры могут воплотить в жизнь уровень визуального интеллекта и использовать визуализацию данных и визуальный дизайн для создания увлекательных бизнес-историй из этих идей.

Инженеры машинного обучения (инженеры машинного обучения) - это программисты, которые свободно владеют данными и играют жизненно важную роль в создании моделей машинного обучения и искусственного интеллекта. Они включают в себя решение для анализа данных с правильной информацией в серверной части и правильным повествованием во внешнем интерфейсе, что позволяет принимать бизнес-решения.

Этой командой с ее разнообразным набором навыков лучше всего управляют менеджеры по анализу данных. Это люди, которые понимают данные, идеи и истории, а также их основной опыт в управлении людьми и проектами.

Многие организации институционализируют дополнительную роль рассказчиков данных. Эти люди выходят за рамки панелей визуализации, создавая четкое повествование на основе анализа данных. Они предоставляют контекст, чтобы сделать выводы доступными для всех в компании.

Согласно этому отчету Gartner, мы, люди, по своей природе связаны с механизмами, которые препятствуют нашей способности осмысленно взаимодействовать с фактами. Истории эмоциональны, запоминаются и требуют действий. Без увлекательного повествования о данных вы рискуете оттолкнуть членов своей команды, не занимающихся наукой о данных.

Организации также обращаются к искусству и социальным дисциплинам, чтобы добавить человеческое измерение в науку о данных. Например, поведенческий психолог может лучше выявить основные причины, лежащие в основе решений клиентов, таких как отток, покупки и вовлеченность.

В сочетании с анализом данных эта человеческая точка зрения позволяет организациям глубже понимать свою клиентскую базу и принимать действительно важные решения.

Структурируйте бизнес так, чтобы способствовать развитию здоровой культуры данных

Для любого стартапа, который только начинает свой путь в науке о данных, создание разносторонней команды по науке о данных и получение важных идей не произойдет в одночасье. Многие организации, делающие первые шаги на этом пути, изо всех сил пытаются выдвинуть правильные аналитические инициативы и выявить глубокие бизнес-идеи.

Им сложно сделать выводы потребляемыми, и они не всегда могут гарантировать, что решения для науки о данных будут приняты целевыми пользователями. Вот почему внедрение аналитики требует исполнительного мандата и согласованных усилий руководства, чтобы добиться успеха.

Крайне важно спланировать инициативы по управлению изменениями, чтобы вызвать изменение поведения в своих командах и использовать данные. Вы можете добиться этого, вмешиваясь в процессы, чтобы встроить принятие решений на основе данных в рабочие процессы членов команды.

Здоровая культура данных также должна поддерживаться правильной организационной структурой, которая способствует сотрудничеству между командой специалистов по анализу данных и бизнес-группами. Определенная кросс-функциональная основная команда с лидерами в области науки о данных должна возглавить инициативу и поддерживать конечных пользователей.

Организационное принятие и заинтересованность должны быть обеспечены напоминанием командам о многих преимуществах для бизнеса - компании, управляемые данными, растут в среднем более чем на 30% в год по сравнению с их аналогами. В конце концов, каждая организация должна рассматривать культуру данных как свою конечную цель. Это происходит, когда данные используются для глубокого понимания и используются всей организацией, что делает каждое решение потенциально эффективным.

Это меняет не только то, как команды работают внутри компании на повседневной основе, но и то, как ведется бизнес. Институционализация культуры данных может проложить путь к организационным преобразованиям и конкурентным преимуществам на рынке.

Эта статья была впервые опубликована в программе членства TechCrunch, ExtraCrunch. Добавлены иллюстрации. Изображение на обложке: Фабрицио Верреккья.