في عام 2014 ، انضممت إلى الفريق الصغير في مجموعة Schibsted Media Group كأخصائي علوم البيانات السادس في هذه الشركة. منذ ذلك الحين ، عملت في العديد من المساعي في مجال علوم البيانات في منظمة تضم الآن أكثر من 40 من هؤلاء الأشخاص. في هذا المنشور ، سأتحدث عن بعض الأشياء التي تعلمتها على مدى السنوات الأربع الماضية ، أولاً كمتخصص ، ثم كمدير لعلوم البيانات.
يتبع هذا المنشور مثال روبرت تشانج ومقالته الممتازة ، " Doing Data Science in Twitter " ، التي وجدتها قيّمة للغاية عندما قرأتها لأول مرة في عام 2015. الغرض من مساهمتي الخاصة هو مشاركة الأفكار المفيدة على قدم المساواة مع متخصصي ومديري علوم البيانات حول العالم.
قسمت المنشور إلى قسمين:
- الجزء الأول: علوم البيانات في الحياة الحقيقية
- الجزء الثاني: إدارة فريق علوم البيانات
في الجزء الأول ، ركزت على العمل الذي يقوم به خبراء علوم البيانات بالفعل ، بينما يناقش الجزء الثاني كيفية إدارة فريق علوم البيانات بأكبر قدر ممكن من الكفاءة. أود أن أقول أن كلا الجزأين مهمان لكل من المتخصصين والمديرين.
لن أقضي الكثير من الوقت في وصف من هو متخصص علوم البيانات ومن لا - هناك مقالات كافية حول هذا الموضوع في جميع أنحاء الإنترنت.
باختصار حول شيبستد: وسائل الإعلام والأسواق في أكثر من 20 دولة حول العالم. أعمل بشكل رئيسي على أعمالنا الخاصة بالأسواق ، حيث يقوم الملايين من الناس بشراء وبيع السلع كل يوم. إذا كنت تريد إلقاء نظرة على بعض الأمثلة الواقعية لعمل علوم البيانات في Schibsted ، فإليك مجموعة صغيرة:
مع أخذ ذلك في الاعتبار ، دعنا نتعمق!
الجزء الأول: علوم البيانات في الحياة الحقيقية
إن البدء كمتخصص في علوم البيانات في شركة جديدة ذات طموحات كبيرة أمر رائع حقًا ، ولكنه قد يبدو مخيفًا أيضًا. ماذا يتوقع الناس من حولي؟ ما مستوى المهارة الذي سيحصل عليه زملائي؟ كيف أعمل لأكون في خدمة الشركة؟ في وضع يوجد حوله الكثير من الضجيج ، يصعب في بعض الأحيان عدم الشعور بأنك محتال .
غالبًا ما يدفع الخوف من كونك شخصًا بسيطًا اختصاصي علوم البيانات إلى التركيز بشكل أساسي على التعقيد. هذا يقودنا إلى الاستنتاج الأول.
1.1. تزيد الصعوبة القيمة ، وتبدأ بسيطة
لقد استعانوا بأخصائي علوم البيانات ، لذا يجب أن تكون هذه المشكلة معقدة حقًا ، أليس كذلك؟
غالبًا ما يؤدي هذا الافتراض إلى تضليلك كمتخصص في علوم البيانات. بادئ ذي بدء ، غالبًا ما يتم حل المشكلات التي تواجهها في العمل باستخدام طرق بسيطة إلى حد ما. ثانياً ، من المهم أن نتذكر أن التعقيد يزيد القيمة. من المرجح أن يستلزم النموذج المعقد مزيدًا من العمل على تنفيذه ، ومخاطر أعلى للأخطاء والمزيد من الصعوبات في شرحه للعملاء. لذلك ، يجب عليك دائمًا البحث عن أبسط نهج أولاً.
ولكن كيف نفهم ما إذا كانت الطريقة الأبسط كافية؟
1.2. احرص دائمًا على نموذج أساسي
على الأرجح ، فإن تقديرات جودة النموذج الخاص بك لا معنى لها من تلقاء نفسها دون المقارنة بالنموذج الأساسي. إن المقارنة مع الدقة مع الاختيار العشوائي ، في معظم الحالات ، ليست كافية ببساطة.
في مرحلة ما ، قمنا ببناء نموذج للتنبؤ باحتمالية عودة المستخدم إلى موقعنا - نموذج الإرجاع. تم استخدام حوالي 15 سمة تستند إلى سلوك المستخدم في نموذجنا ، وحققنا دقة تبلغ حوالي 0.8 ROC-AUC. وبالمقارنة مع دقة التنبؤ العشوائي (0.5) ، فقد سررنا تمامًا بهذه النتيجة. ولكن عندما طرحنا كل شيء خارج النموذج ، باستثناء أهم علامتين: الأخيرة (عدد الأيام من الزيارة الأخيرة) والتكرار (عدد أيام الزيارات في الماضي) ، وجدنا أن الانحدار اللوجستي البسيط على هذين المتغيرين أعطانا 78٪ ROC-AUC ! وبعبارة أخرى ، يمكننا تحقيق أكثر من 97٪ من الأداء من خلال التخلص من أكثر من 85٪ من السمات.
لقد رأيت مرات عديدة كيف يُظهر خبراء علوم البيانات نتائج التجارب في وضع عدم الاتصال على النماذج المعقدة دون أي نموذج أساسي بسيط للمقارنة. عندما ترى هذا ، يجب أن تسأل دائمًا: هل يمكننا تحقيق نفس النتيجة باستخدام نموذج أبسط؟
1.3. استخدم البيانات التي لديك
تناولت الغداء مرة مع مهندس بيانات وأخصائي علوم بيانات آخر. أضاءت عيون هذا الأخير عندما تحدث عن جميع الأشياء المدهشة التي يمكن أن يفعلها "إذا كان لديه بيانات فقط عن X أو Y أو Z". في مرحلة ما أثناء المحادثة ، ضحك المهندس: "أنت ، خبراء علوم البيانات ، تتحدث دائمًا عما يمكنك فعله بالبيانات التي لا تملكها. ماذا عن فعل شيء بالبيانات الموجودة لديك؟ "
بدا الأمر وقحًا ، لكن المهندس عبر عن حقيقة مهمة. لن يكون لديك مطلقًا مجموعة البيانات المثالية ، وستكون هناك دائمًا بيانات يمكنك استخدامها. في معظم الحالات ، يمكنك القيام بشيء مع ما لديك.
1.4 تحمل المسؤولية عن البيانات
كما ذكرنا سابقًا ، دائمًا ما تكون جودة البيانات واكتمالها مشكلة. ولكن بدلاً من الجلوس والانتظار لشخص ما ليقدم لك بيانات على طبق من الفضة ، تحتاج إلى التحدث وتحمل المسؤولية عن البيانات التي تحتاجها.
أنا لا أتحدث عن الملكية الرسمية بمعنى نموذج إدارة البيانات. أنا أتحدث عن توسيع دوري ومساعدتي ، حيثما أمكن ، للحصول على البيانات التي تحتاجها.
قد يعني هذا المشاركة في إنشاء مخططات وتنسيقات جمع البيانات. قد يعني هذا النظر إلى كود Javascript الذي يتم تشغيله في واجهة تطبيق الويب للتأكد من تشغيل الأحداث في الوقت المناسب. أو قد يعني بناء خطوط بيانات دون انتظار قيام مهندسي البيانات بكل شيء نيابة عنك.
1.5. ننسى البيانات
من الواضح أن هذا يتناقض مع كل ما قلته أعلاه ، ولكن من المهم جدًا عدم التركيز كثيرًا على البيانات التي لديك.
عندما تظهر مشكلة جديدة ، يجب عليك أولاً محاولة نسيان البيانات الموجودة. لماذا؟ نعم ، لأن بياناتك الحالية يمكن أن تحد من مساحة القرارات ، وهذا يمكن أن يصرفك عن إيجاد أفضل نهج. سوف تكون عالقًا في الوضع المحلي الأمثل ، حيث تحاول سحب الحل لأية مشكلة في مجموعة البيانات المتاحة لك (استخدم ما بعد التعلم). نتيجة لذلك ، لن يكون لديك مجموعات بيانات جديدة.
1.6. طوّر فهمًا تفصيليًا للسببية
نعلم جميعًا أن الارتباط لا يعني علاقة سببية. المشكلة هي أن العديد من خبراء علوم البيانات يتوقفون عند هذا ويخشون ربط السبب بالتأثير.
لماذا هذه مشكلة؟ لأن مديري المنتجات أو فريق التسويق أو الرئيس التنفيذي أو الذين تعمل معهم لا يشعرون بالقلق على الإطلاق من العلاقة. هم يهتمون بعلاقة سببية.
يريد مدير المنتج التأكد من أنه عندما يقرر إطلاق هذه الميزة الجديدة ، فإنه سيؤدي إلى زيادة مشاركة المنتج بنسبة 10٪. يريد فريق التسويق أن يعرف أن زيادة عدد الرسائل من حرفين في الأسبوع إلى 4 لن يجبر الأشخاص على إلغاء الاشتراك من النشرة الإخبارية. ويريد الرئيس التنفيذي أن يعرف أن الاستثمار في استهداف أفضل سيؤدي إلى زيادة في عائدات الإعلانات.
حسنًا ، هل هناك حل وسط؟ اتضح أن هناك اثنين منهم.
أشهر التجارب على الإنترنت. في الواقع ، أنت تجري تجارب عشوائية ، من بينها اختبارات A / B الأكثر شيوعًا. الفكرة بسيطة: بما أننا اخترنا عن غير قصد من سيكون في المجموعة المستهدفة ومن سيكون في المجموعة الضابطة ، إذا وجدنا فرقًا مهمًا إحصائيًا بين المجموعات ، يمكن اعتبار "العلاج" الذي استخدمناه هو السبب. دون الدخول في المنطق الفلسفي ، هذا في الواقع افتراض معقول.
نهج أقل شهرة للبحث عن العلاقات السببية هو النمذجة السببية. الفكرة هنا هي أنك تقوم بافتراضات حول البنية السببية للعالم ، ثم تستخدم بيانات المراقبة (ليست تجريبية) للتحقق مما إذا كانت هذه الافتراضات متسقة مع البيانات ، أو لتقييم قوة العلاقات المختلفة بين السبب والنتيجة. كتب آدم كيليهر سلسلة رائعة من المقالات بعنوان " علم البيانات السببية " أوصي بقراءتها. بالإضافة إلى ذلك ، فإن الكتاب المقدس السببي هو كتاب السببية لجوديا بيرل.
من واقع خبرتي ، يمتلك معظم خبراء علوم البيانات خبرة واسعة في إنشاء نماذج التعلم الآلي وتقييمهم في وضع عدم الاتصال. عدد أقل بكثير من الأشخاص لديهم خبرة في التقييم والتجريب عبر الإنترنت. التفسير بسيط: يمكنك تنزيل مجموعة البيانات من Kaggle ، وتدريب النموذج وتقييمها في وضع عدم الاتصال في دقائق. لتقييم هذا النموذج عبر الإنترنت ، من ناحية أخرى ، تحتاج إلى الوصول إلى العالم الحقيقي. حتى إذا كنت تعمل في شركة إنترنت مع ملايين المستخدمين ، فسيتعين عليك غالبًا التغلب على العديد من العوائق لكشف نموذج التعلم الآلي للمستخدمين.
الآن ، في حين أن القليل من خبراء علوم البيانات لديهم خبرة واسعة في التقييم عبر الإنترنت ، إلا أن القليل منهم لديهم خبرة في النمذجة السببية. أعتقد أن هناك العديد من الأسباب الجيدة. أحد الأسباب هو أن معظم كتب السببية نظرية تمامًا ، من بينها هناك القليل من الإرشادات العملية حول كيفية بدء النمذجة السببية في العالم الحقيقي. أتوقع أنه في السنوات القليلة القادمة سنرى المزيد من المبادئ التوجيهية العملية للنمذجة السببية.
سيسمح لك تطوير فهم تفصيلي للسببية بتقديم توصيات عملية لعملائك وفي الوقت نفسه دعم نزاهتك كمتخصص في علوم البيانات.
الجزء الثاني: إدارة فريق علوم البيانات
لدى Schibsted ، مثل العديد من الشركات الأخرى ، مساران وظيفيان: كعامل مستقل وكقائد. في سياق علوم البيانات ، الأول مخصص لأولئك الذين يريدون حقًا زيادة معرفتهم في مجال علوم البيانات والمساهمة في الشركة من خلال العمل العملي والقيادة التقنية. مسار القيادة هو لأولئك الذين هم أكثر شغفًا بتنمية الأفراد وإدارة الفريق.
لم أكن متأكدًا على الإطلاق من المسار الصحيح بالنسبة لي ، ولكن في النهاية قررت تجربة مسار القائد. لم يمر الكثير من الوقت عندما أدركت أن هذه هي الطريقة الصحيحة حقًا بالنسبة لي ، ولكن بالطبع ، واجهت الكثير من المشاكل (وما زلت أفعل ذلك!).
التحدي الأول الذي ستواجهه هو أنه يوجد عدد قليل جدًا من مديري علوم البيانات الآخرين في العالم. إذا كنت تعتقد أن المتخصصين ذوي الخبرة في علوم البيانات نادرون ، فإن المديرين ذوي الخبرة في علوم البيانات أقل عدة مرات. وبالتالي ، فأنت تترك إلى حد ما إلى أجهزتك الخاصة.
ولكن هل صحيح أن إدارة فريق علوم البيانات مختلفة تمامًا عن إدارة أنواع أخرى من الفرق؟ نعم ولا.
إذا لم يسبق لك إدارة فريق من قبل ، فيمكنك على الأرجح العثور على مواد القراءة الكلاسيكية للإدارة مثل إدارة الإنتاج العالي لـ Andrew Grove. بالإضافة إلى ذلك ، يعد اللجوء الاستباقي لكبار المديرين (من التخصصات الأخرى) للحصول على المشورة أمرًا بالغ الأهمية أيضًا.
ومع ذلك ، فإن فرق علوم البيانات لديها العديد من الاختلافات الرئيسية ، لذلك سنركز الآن على الاستنتاجات ، خاصة تلك المتعلقة بفرق علوم البيانات.
2.1. فريق علوم البيانات ليس حقًا فريقًا
عندما يفكر معظم الناس في الفرق ، يفكرون في شيء مثل هذا:
ما هي بعض خصائص فريق كرة القدم مثل نادي برشلونة؟ ثلاثة أشياء على الأقل:
- هدف مشترك
- أدوار مختلفة في الفريق ، لكل منها مسؤوليات مختلفة
- الاستقلال في تحقيق هدفك
إذا كنت تدير فريقًا يتكون فقط من متخصصي علوم البيانات ، فمن المرجح ألا يتم تحقيق أي من هذه الخصائص. بدلاً من ذلك ، سيكون لدى فريقك:
- أهداف متعددة ومتغيرة
- المتخصصين ، وهم جيدون في نفس الشيء: علوم البيانات
- فرق أخرى يمكنك العمل معها للتأثير في النهاية على المستخدمين والأرباح
القياس الأكثر ملاءمة من فريق كرة القدم لفريق من المتخصصين في علوم البيانات هو:
الطلب على خدمات مولدر وسكالي يتغير بمرور الوقت. ينجذبون عندما تكون خبرتهم مطلوبة. ولن يحلوا الأمر أبداً دون التحدث إلى أشخاص خارج مكتب التحقيقات الفدرالي.
لماذا هذا التمييز مهم؟
لأنه إذا كان لديك فريق من خبراء علوم البيانات وتديرهم كفريق "كلاسيكي" له هدف مشترك وأدوار متنوعة واستقلالية كاملة ، فستحصل بسرعة على فريق محبط.
لقد رأيت فرق علوم البيانات تدار مثل أي منتج أو فريق تطوير آخر ، والنتيجة الحتمية لذلك هي أن متخصصي علوم البيانات بدأوا يفعلون أي شيء ما عدا علوم البيانات. بدلاً من ذلك ، ينتهي بهم الأمر إلى تطوير المنتج أو تحليله أو إدارته.
لذا فإن خبراء علوم البيانات مختلفون. ولكن كيف تضمن بعد ذلك أن علوم البيانات الخاصة بك لن تعيش في برج عاجي؟
2.2. تضمين متخصصي علوم البيانات في فرق أخرى
يحدث السحر عندما تضع خبراء علوم البيانات جنبًا إلى جنب مع مديري المنتجات ، والمبرمجين ، وباحثي الواجهة ، والمسوقين ، والمزيد.
ببساطة ، الوظيفة الموضوعية التي ترغب في تعظيمها هي ما يلي: تفاعل مثمر بين متخصصي علوم البيانات في فريقك والأشخاص في الفرق الأخرى.
أحب أن أفكر في ذلك باستخدام مفهوم القناة الواسعة. دعنا نوضح ذلك مع مدير المنتج مقترنًا بأخصائي علوم البيانات.
الأسوأ من ذلك كله ، عندما لا تكون هناك قناة بينهما:
هذا يعني أنه لا يوجد اتصال بين DS و PM. بمعنى آخر ، لن تكون شركة DS على دراية بأي مشاكل في المنتج تواجه PM ، مما يجعل من المستحيل تحليل هذه المشكلات أو حلها.
أفضل قليلاً عندما يكون لدينا قناة ضيقة بينهما:
في هذه الحالة ، تأتي المعلومات ، ولكنها عادة ما تكون محدودة وغالبًا ما تكون غير متزامنة. تأتي المعلومات من خلال أشخاص آخرين (على سبيل المثال ، مدير آخر) أو من خلال نماذج الطلبات ، وما إلى ذلك. هذا النوع من التواصل شائع عندما يُتوقع أن يخدم متخصصو Data Science العديد من العملاء المختلفين. لكن هذا يمكن أن يكون محبطًا ، لأن سياق العمل غالبًا ما يكون غائبًا ، وهذا يمكن أن يؤدي إلى سوء الفهم وضجة غبية.
الحالة الأكثر فعالية هي عندما يكون لدينا قناة واسعة:
بالمعنى الحرفي للكلمة ، تكون القناة الواسعة هي عندما يجلس أخصائي علوم البيانات بجوار مدير المنتج. وهذا بالطبع يسمح لهم بالتواصل بشكل أكثر فعالية. إن إبقاء الأشخاص على مقربة جسديًا ليس دائمًا مناسبًا أو حتى ممكنًا (نحن في Schibsted منتشرون عبر 22 دولة مختلفة!) ، ولكن هناك إصدارات افتراضية لهذا المبدأ: من Slack إلى برمجة الزوج البعيد و Hangouts.
بطبيعة الحال ، لن يكون بإمكان كل مدير منتج في الشركة تنظيم قناة واسعة مع كل متخصص في علوم البيانات في فريقك ، وهذا لا يتسع. مهمتك كمدير لعلوم البيانات هي تحديد موعد تنظيم القنوات الواسعة. ثم ابتعد عن الطريق!
كانت إحدى الحالات في Schibsted عندما كنا نعمل بنشاط على إنشاء قناة واسعة هي تطوير أداة تسعير السيارات الخاصة بنا ، والتي تساعدك على تحديد السعر عند بيع سيارتك ( جربها في سوق الفنلندي في النرويج ). في البداية ، كانت لدينا قناة رقيقة نوعًا ما ، مثل هذه: "حاول إنشاء نموذج تسعير أكثر دقة يمكنك". وجدنا أن هذا غير فعال تمامًا ، حيث كانت هناك العديد من أسئلة المنتج التي لم نتمكن من الإجابة عليها بدون تجربة المستخدمين في المراحل المبكرة.
ومع ذلك ، بعد مرور بعض الوقت ، انتهى كل شيء بحقيقة أننا دمجنا أحد متخصصي علوم البيانات لدينا في فريق المنتج ، وحصلنا على النتائج بشكل أفضل. يمكنك أن تقرأ عن بعض أعمالنا المبكرة حول أداة تقييم السيارة في هذا المنشور .
مثال على عندما كانت لدينا قناة واسعة من البداية هو نموذج تنبؤ للاشتراكات الرقمية الجديدة . ساعد النموذج في زيادة تحويلات المبيعات بنسبة 540٪ وحصل على جائزة أفضل استخدام لتحليل البيانات من INMA في عام 2017.
2.3. تولي مسؤولية إنتاجية التحليلات
يوضح Andrew Grove في كتاب High Output Management أنك تمتلك كمدير نتائج فريقك. وهذا يعني أن مدير علوم البيانات يجب أن يستثمر في خلق أفضل بيئة ممكنة ليصبح متخصصو علوم البيانات منتجين.
هذا يتعارض بعدة طرق مع نموذج التضمين الموضح أعلاه. إذا قمت بتضمين كل شيء طوال الوقت ، فهناك احتمال كبير أنه نتيجة لذلك ستحصل على مستودعات البيانات والبنية التحتية غير المثالية ، المكررة عدة مرات.
يدعي بعض مديري التطوير أنه عندما تصبح قائدًا ، يجب عليك التوقف تمامًا عن الترميز. , Data Science 10% : , . . Data Science.
« 15 , , , , ad-hoc ?! , ».
« ― ?»
.
, . , , , Data Science.
, Lean Management, Data Science. XKCD :
, Data Science . !
2.4. -> ->
«» , Data Science, . Data Science . , , , .
:
- . 98% , , (… , ).
- , , - , .
, Data Science, , , , .
, , .
, , , , . , .
, ― . , . . Slack . ( !) , .
. . , !
, ? , , . , , , Data Science.
. , , , , . .
2.5. ,
Data Science. , . , , - , ?
Ferrari, .
, .
Ferrari , .
Data Science ― , , . , , , , (ROI).
Data Science. - , .
, , . , , , , ― , . , , .
, Data Science . , . , , , .
2.6. OKR
, Data Science. Objectives and Key Results (OKR). , OKR ― , . , . OKR , .
OKR , , , , .
, OKR , . , : , .
, , OKR.
-: OKR. OKR , , , . « », . , . , .
LSTM ? , NLP-, , LSTM . ? . ? , .
OKR, .
, OKR . , .
-: OKR . , . , :
, , 10 , . , , ― . . OKR .
, , OKRs ― .
2.7.
وفي النهاية أهم نقطة.
عندما درست Google فرقها لمدة عامين لمعرفة ما يجعل بعض الفرق تعمل بشكل جيد والبعض الآخر يجعلها أقل عملًا ، كان هناك شيء واحد بارز. هذه هي السلامة النفسية .
باختصار ، يمكن تلخيص الأمن النفسي على أنه الاعتقاد بأنك لن تعاقب عندما ترتكب خطأ.
الآن فكر في هذا في سياق مقدمة الجزء الأول. متلازمة المحتال كبيرة جدًا في علوم البيانات. ما الذي تخافه عندما تشعر بأنك دجال؟ يخطئ.
على مر السنين ، اكتشفت أن الأشخاص من مختلف المجالات يأتون إلى Data Science. في فريق Schibsted لدينا ، نحن محظوظون بأن لدينا أشخاص رائعين يتمتعون بمجموعة واسعة جدًا من الخبرة. الأشخاص ذوو الخبرة في التمويل والبحث والتعليم والاستشارات وتطوير البرمجيات وما إلى ذلك.
سيكون من الحماقة أن نفترض أن كل هؤلاء الناس يعرفون نفس الشيء. على العكس من ذلك ، تكمن قيمة هذه التجربة المتنوعة في حقيقة أن كل شخص يأتي بشيء جديد إلى الفريق.
فكرة علم البيانات "وحيد القرن" هي سم للسلامة النفسية.
هل هناك حل سريع لزيادة السلامة النفسية؟ لا أعتقد ذلك. لكني أعتقد أنه يجب أن يكون على رأس قائمة أولوياتك كمدير - خاصة عند إنشاء فريق جديد أو عندما ينضم إليك أعضاء جدد. على الرغم من عدم وجود حل سريع ، هناك تدابير واضحة يمكنك اتخاذها لزيادة السلامة النفسية. فيما يلي بعض تلك التي عملت بشكل جيد بالنسبة لنا:
- خلق ثقافة التغذية الراجعة . وضح أن أعضاء فريقك مطالبون بتوصيل "الإيجابيات وما يمكن تحسينه" لبعضهم البعض بعد العروض التقديمية ، والعدو السريع ، وما إلى ذلك. بالمناسبة ، يجب أن تفعل ذلك كمدير أيضًا! وعلم الناس كيفية تقديم ملاحظات بناءة بشكل صحيح - وهذا ليس بالشيء الطبيعي للجميع.
- زيادة وقت وجها لوجه . البرمجة الزوجية ، حل المشكلات على السبورة ... هذا مهم بشكل خاص للفرق البعيدة. من المؤكد أن هذه التذكرة تستحق المال.
- قم بإنشاء أزواج أو فرق بدلاً من العمل الفردي. قد ينتهي بك الأمر بفعل أشياء أقل في الفريق ، لكنك ستفعلها بشكل أفضل. وأولئك الذين يعملون معًا سوف يبنون الثقة في بعضهم البعض.
- شجع مناقشات الاجتماع المفتوحة والصادقة . اعمل بنشاط لموازنة الوقت على الهواء لجميع المشاركين - قد يحتاج بعض الأشخاص إلى أن يُطلب منهم التحدث.
- تذكر الاختلافات الثقافية . يمكنك أن تأتي من ثقافة مساوية وصريحة ومباشرة . هناك احتمال كبير بأن تفوتك إشارات من عضو فريق ينشأ من ثقافة هرمية ، ضمنية وغير مباشرة.
- إجراء تجارب جماعية للتحسين المستمر. إن إشراك الفريق بأكمله في المشكلة "كيف تدير فريقًا بنجاح" يمنح الجميع إحساسًا بالمسؤولية عن رفاهية الفريق.
- قياس السعادة والسلامة النفسية. اعثر على طريقة سهلة لطرح الأسئلة بانتظام حول السعادة والسلامة النفسية. إذا لم يكن لديك نظام موارد بشرية عصري لهذه الأغراض ، فما عليك سوى البدء باستخدام Typeform والتكرار حتى تجد أنت والفريق أنه مفيد. قم بمشاركة متوسط التقييمات أو النتائج (مجهولة المصدر) مع الفريق وتضمينها في كيفية تحسين الموقف.
...
تهانينا ، لقد وصلت إلى النهاية! آمل أن يكون هذا المنشور مفيدًا بعض الشيء لك كمتخصص أو مدير لعلوم البيانات.
لقد مررنا كثيرًا ، إليك قائمة قصيرة:
الجزء الأول: علوم البيانات في الحياة الحقيقية
1.1. التعقيد يزيد القيمة ، ابدأ بالبساطة
1.2. احرص دائمًا على نموذج أساسي
1.3. استخدم البيانات التي لديك
1.4. تولي مسؤولية البيانات
1.5. ننسى البيانات
1.6. طوّر فهمًا تفصيليًا للسببية
الجزء الثاني: إدارة فريق علوم البيانات
2.1. فريق علوم البيانات ليس حقًا فريقًا
2.2. تضمين متخصصي علوم البيانات في فرق أخرى
2.3. تولي مسؤولية إنتاجية التحليلات
2.4. البيانات -> القوة -> السياسة
2.5. استخدام الموارد الخاصة بك ، والسعي لتحقيق عائد مرتفع على الاستثمار
2.6. OKR للتركيز والمحاذاة
2.7. بادئ ذي بدء ، السلامة النفسية
...
شكرا للقراءة! إذا كان هذا مفيدًا ، ففكر في نشر هذه المشاركة مع الآخرين. آمل أن أرى أفكارك يومًا ما بشأن العمل كمتخصص أو مدير علوم البيانات