शिबस्टेड मीडिया ग्रुप में 4 साल का डेटा साइंस

2014 में, मैं इस कंपनी में 6 वें डेटा साइंस स्पेशलिस्ट के रूप में शिबस्टेड मीडिया ग्रुप में छोटी टीम में शामिल हुआ। तब से, मैंने एक संगठन में डेटा साइंस के क्षेत्र में कई प्रयासों पर काम किया है जिसमें अब ऐसे 40 से अधिक लोग हैं। इस पोस्ट में, मैं कुछ चीजों के बारे में बात करूँगा जो मैंने पिछले चार वर्षों में सीखीं, पहले एक विशेषज्ञ के रूप में, और फिर डेटा विज्ञान के प्रबंधक के रूप में।

यह पोस्ट रॉबर्ट चांग और उनके उत्कृष्ट लेख, " ट्विटर में डूइंग डेटा साइंस " के उदाहरण के बाद है , जो मुझे 2015 में पहली बार पढ़ने पर बहुत मूल्यवान लगी। मेरे अपने योगदान का उद्देश्य दुनिया भर के डेटा विज्ञान विशेषज्ञों और प्रबंधकों के साथ समान रूप से उपयोगी विचार साझा करना है।

मैंने पोस्ट को दो भागों में विभाजित किया है:

• भाग I: वास्तविक जीवन में डेटा विज्ञान
• भाग II: डेटा साइंस टीम का प्रबंधन

भाग I में, मैंने उस काम पर ध्यान केंद्रित किया जो डेटा विज्ञान विशेषज्ञ वास्तव में करते हैं, जबकि भाग II चर्चा करता है कि डेटा विज्ञान टीम को कैसे कुशलतापूर्वक प्रबंधित किया जाए। मैं कहूंगा कि दोनों भाग विशेषज्ञ और प्रबंधक दोनों के लिए महत्वपूर्ण हैं।

मैं यह बताने में बहुत समय नहीं लगाऊंगा कि डेटा साइंस विशेषज्ञ कौन है और कौन नहीं - इंटरनेट पर इस विषय पर पर्याप्त लेख हैं।

संक्षेप में शिबस्टेड के बारे में: दुनिया भर के 20 से अधिक देशों में मीडिया और बाज़ार। मैं मुख्य रूप से हमारे बाज़ार के व्यवसाय पर काम करता हूँ, जहाँ लाखों लोग हर दिन सामान खरीदते और बेचते हैं। यदि आप शिबिस्टेड में डेटा विज्ञान के काम के कुछ वास्तविक दुनिया उदाहरणों पर एक नज़र डालना चाहते हैं, तो यहां एक छोटा चयन है:

• कार मूल्य निर्धारण
• संभावित समाचार ग्राहकों की भविष्यवाणी करना
• कस्टम विशेषताएँ आउटपुट

इसे ध्यान में रखते हुए, चलो में गोता लगाएँ!

भाग I: वास्तविक जीवन में डेटा विज्ञान

बड़ी महत्वाकांक्षाओं के साथ एक नई कंपनी में डेटा साइंस विशेषज्ञ के रूप में शुरू करना वास्तव में भयानक है, लेकिन यह डरावना भी लग सकता है। मेरे आसपास के लोग क्या उम्मीद करते हैं? मेरे सहयोगियों के पास क्या कौशल स्तर होगा? मैं कंपनी की सेवा के लिए कैसे काम करूं? ऐसी स्थिति में जिसके चारों ओर बहुत प्रचार है, कभी-कभी यह एक नपुंसक की तरह महसूस नहीं करना मुश्किल होता है।

एक साधारण व्यक्ति होने के डर से अक्सर मुख्य रूप से जटिलता पर ध्यान केंद्रित करने के लिए एक डेटा विज्ञान पेशेवर को संकेत मिलता है। यह हमें पहले निष्कर्ष पर ले जाता है।

1.1। कठिनाई मूल्य बढ़ाती है, सरल शुरू करो

उन्होंने एक डेटा साइंस विशेषज्ञ को काम पर रखा है, इसलिए यह समस्या निश्चित रूप से वास्तव में जटिल होनी चाहिए, है ना?

यह धारणा अक्सर आपको डेटा साइंस विशेषज्ञ के रूप में गुमराह करेगी। सबसे पहले, व्यापार में आपके द्वारा सामना की जाने वाली समस्याएं अक्सर काफी सरल तरीकों का उपयोग करके हल की जाती हैं। दूसरे, यह याद रखना महत्वपूर्ण है कि जटिलता मूल्य बढ़ाती है। एक जटिल मॉडल को इसके कार्यान्वयन पर अधिक काम करने, त्रुटियों का एक उच्च जोखिम और ग्राहकों को समझाने में अधिक कठिनाइयों की संभावना है। इसलिए, आपको हमेशा सबसे पहले सरल दृष्टिकोण की तलाश करनी चाहिए।
लेकिन कैसे समझें कि क्या सरल दृष्टिकोण पर्याप्त है?

1.2। हमेशा एक आधार मॉडल होता है

आपके मॉडल की गुणवत्ता का अनुमान, सबसे अधिक संभावना है, आधार मॉडल के साथ तुलना के बिना अपने दम पर समझ में नहीं आता है। यादृच्छिक चयन के साथ सटीकता की तुलना, ज्यादातर मामलों में, बस पर्याप्त नहीं है।

कुछ बिंदु पर, हमने इस संभावना की भविष्यवाणी करने के लिए एक मॉडल बनाया कि उपयोगकर्ता हमारी साइट पर वापस आ जाएगा - रिटर्न मॉडल। हमारे मॉडल में उपयोगकर्ता व्यवहार पर आधारित लगभग 15 विशेषताओं का उपयोग किया गया था, और हमने ~ 0.8 ROC-AUC के बारे में सटीकता प्राप्त की। यादृच्छिक भविष्यवाणी (0.5) की सटीकता के साथ तुलना करते हुए, हम इस परिणाम से काफी प्रसन्न थे। लेकिन जब हमने दो सबसे महत्वपूर्ण संकेतों को छोड़कर, मॉडल से सब कुछ फेंक दिया: हाल ही में (अंतिम यात्रा से दिनों की संख्या) और आवृत्ति (अतीत में यात्राओं के दिनों की संख्या), हमने पाया कि इन दो संस्करणों पर एक साधारण लॉजिस्टिक प्रतिगमन ने हमें 78% आरओसी-एयूसी दिया ! दूसरे शब्दों में, हम 85% से अधिक विशेषताओं को फेंककर 97% से अधिक प्रदर्शन प्राप्त कर सकते हैं।

मैंने कई बार देखा है कि डेटा साइंस विशेषज्ञ जटिल मॉडल पर ऑफ़लाइन प्रयोगों के परिणामों को बिना किसी सरल आधार मॉडल के कैसे दिखाते हैं। जब आप इसे देखते हैं, तो आपको हमेशा पूछना चाहिए: क्या हम बहुत सरल मॉडल का उपयोग करके एक ही परिणाम प्राप्त कर सकते हैं?

1.3। आपके पास जो डेटा है उसका इस्तेमाल करें

मैंने एक बार एक डाटा इंजीनियर और दूसरे डेटा साइंस विशेषज्ञ के साथ दोपहर का भोजन किया। बाद की आँखें तब जल उठीं, जब उन्होंने उन सभी आश्चर्यजनक चीजों के बारे में बात की, जो वे कर सकते थे "यदि केवल उनके पास एक्स, वाई या जेड पर डेटा था"। बातचीत के दौरान कुछ बिंदु पर, इंजीनियर ने हंसते हुए कहा: "आप, डेटा साइंस विशेषज्ञ, हमेशा इस बारे में बात करते हैं कि आप उन डेटा के साथ क्या कर सकते हैं जो आपके पास नहीं हैं। आपके पास डेटा के साथ कुछ करने के बारे में कैसे? "

यह असभ्य लग रहा था, लेकिन इंजीनियर ने एक महत्वपूर्ण सच्चाई व्यक्त की। आपके पास कभी भी सही डेटासेट नहीं होगा और हमेशा ऐसे डेटा होंगे जिनका आप उपयोग कर सकते हैं। ज्यादातर मामलों में, आपके पास जो कुछ है उसके साथ आप कुछ कर सकते हैं।

1.4 डेटा की जिम्मेदारी लें

जैसा कि ऊपर कहा गया है, डेटा की गुणवत्ता और पूर्णता लगभग हमेशा एक समस्या है। लेकिन किसी के बैठने और इंतजार करने के बजाय आपको चांदी के थाल पर डेटा पेश करने के लिए, आपको अपनी ज़रूरत के डेटा के लिए बोलने और ज़िम्मेदारी लेने की ज़रूरत है।

मैं डेटा प्रबंधन मॉडल के अर्थ में औपचारिक स्वामित्व के बारे में बात नहीं कर रहा हूँ। मैं अपनी भूमिका का विस्तार करने और जहां संभव हो, मदद करने के बारे में बात कर रहा हूं, जो डेटा आपको चाहिए।
इसका मतलब डेटा संग्रह योजनाओं और प्रारूपों के निर्माण में भाग लेना हो सकता है। इसका मतलब यह हो सकता है कि वेब एप्लिकेशन इंटरफ़ेस में चल रहे जावास्क्रिप्ट कोड को देखने के लिए सुनिश्चित करें कि जब यह होना चाहिए तब घटनाओं को निकाल दिया जाए। या इसका मतलब हो सकता है कि डेटा इंजीनियरों को आपके लिए सब कुछ करने के लिए इंतजार किए बिना डेटा पाइपलाइनों का निर्माण करना।

1.5। डेटा भूल जाओ

जाहिर है, यह उन सभी बातों का खंडन करता है जो मैंने ऊपर कहा था, लेकिन आपके पास मौजूद डेटा पर बहुत अधिक ध्यान केंद्रित नहीं करना बहुत महत्वपूर्ण है।

जब कोई नई समस्या दिखाई देती है, तो आपको पहले मौजूदा डेटा को भूलने की कोशिश करनी चाहिए। ऐसा क्यों? हां, क्योंकि आपका मौजूदा डेटा निर्णयों के स्थान को सीमित कर सकता है, और यह आपको सर्वोत्तम दृष्टिकोण खोजने से विचलित कर सकता है। आप एक स्थानीय इष्टतम में फंस जाएंगे, जहां आप डेटा सेट पर किसी भी समस्या के समाधान को खींचने की कोशिश कर रहे हैं जो आपके लिए उपलब्ध है (सीखने से परे उपयोग करें)। नतीजतन, आपके पास नए डेटासेट कभी नहीं होंगे।

1.6। कार्य-कारण की विस्तृत समझ विकसित करें

हम सभी जानते हैं कि सहसंबंध एक कारण संबंध नहीं है। समस्या यह है कि कई डेटा साइंस विशेषज्ञ इस पर रोक लगाते हैं और प्रभाव के कारण से संबंधित होने से डरते हैं।

यह एक समस्या क्यों है? क्योंकि उत्पाद प्रबंधक, मार्केटिंग टीम, आपका CEO, या आप जिनके साथ काम करते हैं, वे सहसंबंध के बारे में बिल्कुल चिंतित नहीं हैं। वे एक कारण संबंध की परवाह करते हैं।

उत्पाद प्रबंधक यह सुनिश्चित करना चाहता है कि जब वह इस नई सुविधा को जारी करने का निर्णय लेता है, तो वह उत्पाद भागीदारी में 10% वृद्धि को ट्रिगर करेगा। मार्केटिंग टीम यह जानना चाहती है कि प्रति सप्ताह 2 से 4 की संख्या में वृद्धि से लोगों को समाचार पत्र से सदस्यता समाप्त करने के लिए मजबूर नहीं किया जाएगा। और सीईओ जानना चाहते हैं कि बेहतर लक्ष्यीकरण में निवेश करने से विज्ञापन राजस्व में वृद्धि होगी।

खैर, क्या कोई समझौता समाधान है? यह पता चला कि उनमें से दो हैं।

सबसे प्रसिद्ध ऑनलाइन प्रयोग। वास्तव में, आप यादृच्छिक परीक्षण चलाते हैं, उनमें से सबसे लोकप्रिय ए / बी परीक्षण। यह विचार सरल है: चूंकि हमने गलती से चुना है कि कौन लक्षित समूह में होगा और कौन नियंत्रण समूह में होगा, तो अगर हम समूहों के बीच सांख्यिकीय रूप से महत्वपूर्ण अंतर पाते हैं, तो हमारे द्वारा उपयोग किए जाने वाले "उपचार" को इसका कारण माना जा सकता है। दार्शनिक तर्क में जाने के बिना, व्यवहार में यह एक उचित धारणा है।

कारण संबंधों के लिए खोज के लिए एक कम ज्ञात दृष्टिकोण कारण मॉडलिंग है। यहां विचार यह है कि आप दुनिया के कारण की संरचना के बारे में धारणा बनाते हैं, और फिर यह देखने के लिए कि क्या ये धारणाएं डेटा के अनुरूप हैं, या विभिन्न कारण-प्रभाव वाले रिश्तों की ताकत का मूल्यांकन करने के लिए अवलोकन डेटा (प्रयोगात्मक नहीं) का उपयोग करें। एडम केलर ने लेखों की एक महान श्रृंखला, " कॉसल डेटा साइंस " लिखी है , जिसे मैं पढ़ने की सलाह देता हूं। इसके अलावा, कार्य-कारण बाइबिल यहूदिया पर्ल की पुस्तक Causality है।

मेरे अनुभव में, अधिकांश डेटा साइंस विशेषज्ञों के पास मशीन लर्निंग मॉडल और उनके ऑफ़लाइन मूल्यांकन बनाने का व्यापक अनुभव है। बहुत कम लोगों को ऑनलाइन मूल्यांकन और प्रयोग के साथ अनुभव है। स्पष्टीकरण सरल है: आप केगल से डेटासेट डाउनलोड कर सकते हैं, मॉडल को प्रशिक्षित कर सकते हैं और इसे मिनटों में ऑफ़लाइन मूल्यांकन कर सकते हैं। इस मॉडल का ऑनलाइन मूल्यांकन करने के लिए, दूसरी ओर, आपको वास्तविक दुनिया तक पहुंच की आवश्यकता है। यहां तक ​​कि अगर आप लाखों उपयोगकर्ताओं के साथ इंटरनेट कंपनी में काम करते हैं, तो आपको अक्सर अपने मशीन लर्निंग मॉडल को उपयोगकर्ताओं के सामने लाने के लिए कई बाधाओं को दूर करना होगा।

अब, जबकि कुछ डेटा विज्ञान विशेषज्ञों के पास व्यापक ऑनलाइन मूल्यांकन अनुभव है, बहुत कम के पास कारण मॉडलिंग के साथ अनुभव है। मुझे लगता है कि कई अच्छे कारण हैं। कारणों में से एक यह है कि कार्य-कारण की अधिकांश पुस्तकें काफी सैद्धांतिक हैं, उनमें से वास्तविक दुनिया में कार्य-कारण मॉडलिंग शुरू करने के बारे में कुछ व्यावहारिक दिशानिर्देश हैं। मैं भविष्यवाणी करता हूं कि अगले कुछ वर्षों में हम कारण मॉडलिंग के लिए अधिक व्यावहारिक दिशानिर्देश देखेंगे।

कार्य-कारण की विस्तृत समझ विकसित करने से आप अपने ग्राहकों को व्यावहारिक अनुशंसाएँ दे सकते हैं और साथ ही डेटा विज्ञान के विशेषज्ञ के रूप में आपकी अखंडता का समर्थन कर सकते हैं।

भाग II: डेटा साइंस टीम का प्रबंधन

कई अन्य कंपनियों की तरह, शिबस्टेड के पास दो कैरियर पथ हैं: एक स्वतंत्र कार्यकर्ता के रूप में और एक नेता के रूप में। डेटा विज्ञान के संदर्भ में, पहला उन लोगों के लिए है जो वास्तव में डेटा विज्ञान के क्षेत्र में अपने ज्ञान को बढ़ाना चाहते हैं और व्यावहारिक कार्य और तकनीकी नेतृत्व के माध्यम से कंपनी में योगदान करना चाहते हैं। नेतृत्व का रास्ता उन लोगों के लिए है जो लोगों के विकास और टीम प्रबंधन के बारे में अधिक भावुक हैं।

मैं बिल्कुल भी निश्चित नहीं था कि कौन सा रास्ता मेरे लिए सही है, लेकिन अंत में मैंने नेता के रास्ते को आजमाने का फैसला किया। ज्यादा समय नहीं बीता जब मुझे एहसास हुआ कि यह वास्तव में मेरे लिए सही तरीका था, लेकिन निश्चित रूप से, मैं बहुत सारी समस्याओं में भाग गया (और मैं अभी भी ऐसा करता हूं!)।
आपके सामने पहली चुनौती यह होगी कि दुनिया में बहुत कम अन्य डेटा साइंस मैनेजर हैं। यदि आपने सोचा कि डेटा साइंस में अनुभवी विशेषज्ञ दुर्लभ हैं, तो डेटा साइंस के अनुभवी प्रबंधक कई गुना कम हैं। इस प्रकार, आप कम या ज्यादा अपने उपकरणों के लिए छोड़ दिया है।

लेकिन क्या यह सच है कि डेटा साइंस टीम का प्रबंधन अन्य प्रकार की टीमों के प्रबंधन से अलग है? हाँ और नहीं।

यदि आपने पहले कभी कोई टीम नहीं चलाई है, तो आप संभवतः एंड्रयू ग्रोव के उच्च आउटपुट प्रबंधन जैसे प्रबंधन के लिए क्लासिक पठन सामग्री पा सकते हैं। इसके अलावा, सलाह के लिए वरिष्ठ प्रबंधकों (अन्य विषयों से) के लिए सक्रिय सक्रियता भी महत्वपूर्ण है।

हालाँकि, डेटा साइंस टीमों में कई महत्वपूर्ण अंतर हैं, इसलिए अब हम निष्कर्षों पर ध्यान देंगे, विशेष रूप से डेटा साइंस टीमों से संबंधित।

2.1। डेटा साइंस टीम वास्तव में एक टीम नहीं है

जब ज्यादातर लोग टीमों के बारे में सोचते हैं, तो वे कुछ इस तरह से सोचते हैं:

एफसी बार्सिलोना जैसी फुटबॉल टीम की कुछ विशेषताएं क्या हैं? कम से कम तीन चीजें:

1. सामान्य लक्ष्य
2. टीम में अलग-अलग भूमिकाएँ, प्रत्येक अलग-अलग जिम्मेदारियों के साथ
3. अपने लक्ष्य को प्राप्त करने में स्वतंत्रता

यदि आप पूरी तरह से डेटा विज्ञान विशेषज्ञों से युक्त टीम का प्रबंधन कर रहे हैं, तो संभवतः इनमें से कोई भी विशेषता पूरी नहीं होती है। इसके बजाय, आपकी टीम के पास होगा:

1. एकाधिक, बदलते लक्ष्य
2. विशेषज्ञ, और वे एक ही चीज में अच्छे हैं: डेटा साइंस
3. अन्य टीमें जिन्हें आप अंततः उपयोगकर्ताओं और राजस्व को प्रभावित कर सकते हैं

डेटा विज्ञान विशेषज्ञों की एक टीम के लिए फुटबॉल टीम की तुलना में अधिक उपयुक्त सादृश्य है:

मूल्डर और स्कली की सेवाओं की मांग समय के साथ बदल रही है। जब उनके अनुभव की आवश्यकता होती है तो वे आकर्षित होते हैं। और वे एफबीआई के बाहर के लोगों से बात किए बिना मामले को कभी हल नहीं करेंगे।
यह भेद क्यों महत्वपूर्ण है?

क्योंकि यदि आपके पास डेटा विज्ञान विशेषज्ञों की एक टीम है और आप उन्हें एक सामान्य लक्ष्य, विभिन्न भूमिकाओं और पूर्ण स्वायत्तता के साथ "क्लासिक" टीम के रूप में प्रबंधित करते हैं, तो आपको जल्दी से निराश टीम मिलेगी।

मैंने देखा है कि डेटा साइंस टीम किसी भी अन्य उत्पाद या विकास टीम की तरह प्रबंधित होती है, और इसका अपरिहार्य परिणाम यह है कि डेटा साइंस विशेषज्ञ डेटा साइंस के अलावा कुछ भी करना शुरू कर रहे हैं। इसके बजाय, वे उत्पाद का विकास, विघटन या प्रबंधन करते हैं।

इसलिए डेटा साइंस विशेषज्ञ अलग हैं। लेकिन फिर आप कैसे गारंटी देते हैं कि आपका डेटा साइंस हाथी दांत के टॉवर में नहीं रहेगा?

2.2। अन्य टीमों में डेटा विज्ञान पेशेवर एम्बेड करें

जादू तब होता है जब आप उत्पाद प्रबंधकों, प्रोग्रामर, इंटरफ़ेस शोधकर्ताओं, विपणक और अन्य के साथ डेटा साइंस विशेषज्ञों को लगाते हैं।

बस, आप जिस उद्देश्य फ़ंक्शन को अधिकतम करना चाहते हैं, वह निम्नलिखित है: आपकी टीम में डेटा विज्ञान विशेषज्ञों और अन्य टीमों के लोगों के बीच उपयोगी बातचीत।

मुझे व्यापक चैनल अवधारणा का उपयोग करने के बारे में सोचना पसंद है। आइए एक डेटा साइंस विशेषज्ञ के साथ जोड़े गए उत्पाद प्रबंधक के साथ इसका उदाहरण दें।
सभी के बीच, जब उनके बीच कोई चैनल नहीं है:

इसका मतलब है कि डीएस और पीएम के बीच कोई संवाद नहीं है। दूसरे शब्दों में, डीएस को पीएम के सामने आने वाले किसी भी उत्पाद के बारे में पता नहीं होगा, जिससे इन समस्याओं का विश्लेषण या समाधान करना असंभव हो जाता है।

थोड़ा बेहतर जब हमारे पास एक संकीर्ण चैनल होता है:

इस मामले में, जानकारी आती है, लेकिन आमतौर पर सीमित और अक्सर अतुल्यकालिक रूप से। जानकारी अन्य लोगों (उदाहरण के लिए, एक अन्य प्रबंधक) या अनुरोध फ़ॉर्म आदि के माध्यम से आती है। इस प्रकार का संचार आम है जब यह उम्मीद की जाती है कि डेटा विज्ञान विशेषज्ञ कई अलग-अलग ग्राहकों की सेवा करेंगे। लेकिन यह निराशाजनक हो सकता है, क्योंकि व्यावसायिक संदर्भ अक्सर अनुपस्थित होता है, और इससे गलतफहमी और बेवकूफी पैदा हो सकती है।
सबसे प्रभावी स्थिति तब होती है जब हमारे पास एक विस्तृत चैनल होता है:

सबसे शाब्दिक अर्थ में, एक विस्तृत चैनल तब होता है जब एक डेटा साइंस विशेषज्ञ एक उत्पाद प्रबंधक के बगल में बैठता है। यह, निश्चित रूप से, उन्हें और अधिक प्रभावी ढंग से संवाद करने की अनुमति देता है। लोगों को शारीरिक रूप से पास रखना हमेशा सुविधाजनक या संभव नहीं होता है (हम शिबस्टेड में 22 अलग-अलग देशों में बिखरे हुए हैं!), लेकिन इस सिद्धांत के आभासी संस्करण हैं: स्लैक से दूरस्थ जोड़ी प्रोग्रामिंग और हैंगआउट तक।

स्वाभाविक रूप से, कंपनी के प्रत्येक उत्पाद प्रबंधक के लिए आपकी टीम में प्रत्येक डेटा साइंस विशेषज्ञ के साथ एक विस्तृत चैनल का आयोजन करना संभव नहीं होगा, इसका कोई पैमाना नहीं है। डेटा विज्ञान के प्रबंधक के रूप में आपका कार्य यह निर्धारित करना है कि कब कौन से व्यापक चैनल को व्यवस्थित करना है। और फिर रास्ते से हट जाओ!

शिबस्टेड के मामलों में से एक जब हम सक्रिय रूप से एक विस्तृत चैनल बनाने पर काम कर रहे थे, तो हमारी कार मूल्य निर्धारण उपकरण का विकास था, जो आपकी कार को बेचते समय कीमत निर्धारित करने में आपकी सहायता करता है ( नॉर्वे में हमारे फिन मार्केटप्लेस पर इसे आज़माएं )। प्रारंभ में, हमारे पास एक पतला चैनल था, जैसे कि: "सबसे सटीक मूल्य निर्धारण मॉडल जो आप कर सकते हैं बनाने की कोशिश करें।" हमें यह काफी अक्षम लग रहा था, क्योंकि कई उत्पाद प्रश्न थे, जिनका हम शुरुआती दौर में उपयोगकर्ताओं के साथ प्रयोग किए बिना उत्तर नहीं दे सकते थे।

हालांकि, कुछ समय के बाद, यह सब इस तथ्य के साथ समाप्त हो गया कि हमने अपने डेटा विज्ञान विशेषज्ञों में से एक को उत्पाद टीम में एकीकृत कर दिया, और हमें परिणाम बेहतर मिले। आप इस पोस्ट में कार रेटिंग टूल पर हमारे कुछ शुरुआती काम के बारे में पढ़ सकते हैं।

जब हम शुरू से ही एक विस्तृत चैनल का एक उदाहरण था , नए डिजिटल सदस्यता के लिए एक पूर्वानुमान मॉडल है । मॉडल ने बिक्री रूपांतरण को 540% बढ़ाने में मदद की और 2017 में INMA बेस्ट यूज़ ऑफ़ डेटा एनालिसिस अवार्ड से पुरस्कृत किया गया।

2.3। एनालिटिक्स उत्पादकता का प्रभार लें

एंड्रयू ग्रोव उच्च आउटपुट प्रबंधन पुस्तक में कहते हैं कि आप एक प्रबंधक के रूप में, अपनी टीम के परिणामों के मालिक हैं। इसका अर्थ है कि डेटा साइंस मैनेजर को अपने डेटा साइंस विशेषज्ञों के लिए उत्पादक होने के लिए सर्वोत्तम संभव वातावरण बनाने में निवेश करना चाहिए।

यह कई मायनों में ऊपर वर्णित एंबेडमेंट मॉडल के विपरीत है। यदि आप हर समय सब कुछ एम्बेड करते हैं, तो एक उच्च संभावना है कि परिणामस्वरूप आपको कई बार डुप्लिकेट किए गए डेटा वेयरहाउस और गैर-इष्टतम बुनियादी ढांचे मिलेंगे।

कुछ विकास प्रबंधकों का दावा है कि जब आप नेता बन जाते हैं, तो आपको कोडिंग को पूरी तरह से बंद कर देना चाहिए। , 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.

और अंत में सबसे महत्वपूर्ण बिंदु।

जब Google ने दो साल के लिए अपनी टीमों का अध्ययन किया, तो यह पता लगाने के लिए कि क्या कुछ टीमें अच्छी तरह से काम करती हैं और अन्य इसे कम काम करते हैं, एक चीज थी जो बाहर खड़ी थी। यह मनोवैज्ञानिक सुरक्षा है ।

संक्षेप में, मनोवैज्ञानिक सुरक्षा को इस विश्वास के रूप में संक्षेपित किया जा सकता है कि गलती करने पर आपको दंडित नहीं किया जाएगा।

अब भाग 1 के परिचय के संदर्भ में इस बारे में सोचें । डेटा साइंस में नपुंसक सिंड्रोम बहुत बड़ा है। जब आप एक अभेद्य की तरह महसूस करते हैं तो क्या डरते हैं? गलतियाँ करना।

इन वर्षों में, मैंने पाया है कि विभिन्न क्षेत्रों के लोग डेटा साइंस में आते हैं। हमारी शिबस्टेड टीम में, हम भाग्यशाली हैं कि हमारे पास बहुत विस्तृत अनुभव वाले शानदार लोग हैं। वित्त, अनुसंधान, शिक्षा, परामर्श, सॉफ्टवेयर विकास आदि में अनुभव रखने वाले लोग

यह मानना ​​मूर्खता होगी कि ये सभी लोग एक ही बात जानते हैं। इसके विपरीत, इस तरह के विविध अनुभव का मूल्य इस तथ्य में निहित है कि हर कोई टीम के लिए कुछ नया लाता है।
"यूनिकॉर्न" डेटा साइंस का विचार मनोवैज्ञानिक सुरक्षा के लिए एक जहर है।

क्या मनोवैज्ञानिक सुरक्षा बढ़ाने के लिए एक त्वरित समाधान है? मुझे ऐसा नहीं लगता। लेकिन मेरा मानना ​​है कि यह एक प्रबंधक के रूप में आपकी प्राथमिकता सूची में सबसे ऊपर होना चाहिए - खासकर जब आप एक नई टीम बनाते हैं या जब नए सदस्य आपसे जुड़ते हैं। हालांकि कोई त्वरित सुधार नहीं है, ऐसे स्पष्ट उपाय हैं जो आप मनोवैज्ञानिक सुरक्षा बढ़ाने के लिए कर सकते हैं। यहाँ कुछ हैं जो हमारे लिए अच्छा काम कर रहे हैं:

• एक प्रतिक्रिया संस्कृति बनाएँ। यह स्पष्ट करें कि आपकी टीम के सदस्यों को प्रस्तुतिकरण, स्प्रिंट आदि के बाद "प्लसस और क्या सुधार किया जा सकता है" एक दूसरे से संवाद करने की आवश्यकता है, वैसे, आपको एक प्रबंधक के रूप में भी ऐसा करना चाहिए! और लोगों को सिखाएं कि रचनात्मक प्रतिक्रिया को सही तरीके से कैसे दिया जाए - यह हर किसी के लिए स्वाभाविक बात नहीं है।
• आमने-सामने का समय बढ़ाएं। जोड़ी प्रोग्रामिंग, बोर्ड पर समस्या को हल करना ... यह विशेष रूप से दूरस्थ टीमों के लिए महत्वपूर्ण है। यह टिकट लगभग निश्चित रूप से पैसे के लायक है।
• व्यक्तिगत काम के बजाय जोड़े या टीम बनाएं। हो सकता है कि आप टीम पर कम काम कर रहे हों, लेकिन आप इसे बेहतर करेंगे। और जो लोग एक साथ काम करते हैं वे एक-दूसरे पर विश्वास का निर्माण करेंगे।
• खुली और ईमानदार बैठक चर्चा को प्रोत्साहित करें। सभी प्रतिभागियों की हवा पर समय को संतुलित करने के लिए सक्रिय रूप से काम करें - कुछ लोगों को बोलने के लिए कहने की आवश्यकता हो सकती है।
• सांस्कृतिक अंतर याद रखें। आप समतावादी, स्पष्ट और प्रत्यक्ष संस्कृति से आ सकते हैं। एक उच्च संभावना है कि आप एक पदानुक्रमित, अंतर्निहित और अप्रत्यक्ष संस्कृति में उत्पन्न टीम के सदस्य से संकेतों को याद करेंगे।
• निरंतर सुधार के लिए समूह प्रयोगों का संचालन करें। समस्या में पूरी टीम को शामिल करना "आप एक टीम का सफलतापूर्वक प्रबंधन कैसे करते हैं" हर किसी को टीम की भलाई के लिए जिम्मेदारी की भावना देता है।
• खुशी और मनोवैज्ञानिक सुरक्षा को मापें । खुशी और मनोवैज्ञानिक सुरक्षा के बारे में नियमित रूप से सवाल पूछने का एक आसान तरीका खोजें। यदि आपके पास इन उद्देश्यों के लिए एक ट्रेंडी एचआर सिस्टम नहीं है, तो बस तब तक टाइपफॉर्म और इट्रेट से शुरू करें, जब तक कि आप और टीम इसे उपयोगी न पा लें। टीम के साथ साझा (अनाम) औसत रेटिंग या निष्कर्ष और स्थिति को सुधारने के तरीके में उन्हें शामिल करें।

...
बधाई हो, आप अंत तक पहुँच चुके हैं! मुझे उम्मीद है कि यह पोस्ट डेटा साइंस के विशेषज्ञ या प्रबंधक के रूप में आपके लिए थोड़ी उपयोगी थी।

हम काफी हद तक गुजर गए, यहाँ एक छोटी सूची है:
भाग I: वास्तविक जीवन में डेटा विज्ञान
1.1। जटिलता मूल्य बढ़ाती है, सरल से शुरू करें
1.2। हमेशा एक आधार मॉडल होता है
1.3। आपके पास जो डेटा है उसका इस्तेमाल करें
1.4। डेटा का प्रभार लें
1.5। डेटा भूल जाओ
1.6। कार्य-कारण की विस्तृत समझ विकसित करें
भाग II: डेटा साइंस टीम का प्रबंधन
2.1। डेटा साइंस टीम वास्तव में एक टीम नहीं है
2.2। अन्य टीमों में डेटा विज्ञान पेशेवर एम्बेड करें
2.3। एनालिटिक्स उत्पादकता का प्रभार लें
2.4। डेटा -> पावर -> राजनीति
2.5। अपने संसाधनों का उपयोग करें, निवेश पर उच्च वापसी के लिए प्रयास करें
2.6। फोकस और संरेखण के लिए OKR
2.7। सबसे पहले, मनोवैज्ञानिक सुरक्षा
...
पढ़ने के लिए धन्यवाद! यदि यह मददगार था, तो इस पोस्ट को दूसरों के साथ साझा करने पर विचार करें। मैं किसी दिन एक विशेषज्ञ या डेटा विज्ञान प्रबंधक के रूप में काम करने के बारे में अपने स्वयं के विचारों को देखने की उम्मीद करता हूं