Виммельбух, 2, перетяжка
Виммельбух, 2, перетяжка
Виммельбух, 2, перетяжка

Master Data: должны ли хорошие руководители Data Science-проектов быть экспертами в сфере обработки данных?

Аватарка пользователя Анастасия Кисенкова
Отредактировано

Должны ли руководители проектов или продакт-менеджеры обладать знаниями в области Data Science? Ответ постараемся дать ниже.

2К открытий2К показов

Это частично адаптированный перевод статьи «Do Good Analytics Leaders Have To Be Expert Data Scientists

В 2012 году науку о больших данных признали самой «желанной профессией XXI века». За последние несколько лет ничего не изменилось: сегодня спрос на специалистов в сфере дата-сайенс продолжает расти. Именно дата-сайентист и дата-аналитик возглавляют рейтинг наиболее востребованных профессий Всемирного экономического форума. При этом большинство работников в сфере Data Science не имеют специализированного образования — приходят в отрасль из области бизнес-администрирования, статистики, математики, а иногда биологии, медицины или психологии.

Но, для создания эффективного, работающего решения в сфере ИИ важна работа не только технических специалистов, но и грамотных управленцев, которые умеют находить общий язык со всеми участниками проекта: командой разработки, генеральным директором компании, заказчиком.

Должны ли при этом руководители проектов или продакт-менеджеры обладать знаниями в области больших данных? Какими компетенциями следует владеть управленцам, чтобы эффективно координировать работу по разработке ИИ-проекта и получать результаты, которые в дальнейшем можно применять на практике? Где искать настоящих менеджеров-универсалов и на что обращать внимание HR-службе при подборе руководителей в области Data Science? Ответы на эти вопросы мы постараемся дать ниже.

Команда Data Science: основные роли и построение процессов в проектах

Разработка любого ИИ-проекта, как правило, ведётся двумя способами: силами самой компании — отделом research and development (R&D) — или сторонним подрядчиком, специализирующимся на создании дата-сайенс решений.

По мнению самих дата-сайенс компаний, для создания высокоэффективной команды необходимо минимум 14 специалистов. Среди ключевых позиций здесь архитектор данных, дата-инженер, дата-сайентист и дата-аналитик. У каждого из сотрудников зона ответственности четко разграничена.

Так, специалист, работающий с архитектурой данных, определяет тип собранной информации, обеспечивает её использование и хранение. Дата-инженер ответственен за построение, тестирование и обновление инфраструктуры, которая применяется для работы с данными. Дата-сайентист занимается оценкой статистических моделей, тестирует гипотезы, структурирует большие объемы информации. Дата-аналитик ориентирован на решение бизнес-задач: проводит статистический анализ, подготавливает отчеты, визуализирует данные.

При этом многие забывают о важной роли сотрудника, который управляет работой команды — руководителя ИИ-проекта. Такой менеджер либо является представителем заказчика, либо работает на стороне команды. В первом случае управленец формирует и транслирует подрядчику требования по разработке проекта от имени клиента, во втором — оценивает задачи, поставленные заказчиком, и передаёт поручения напрямую своим сотрудникам.

При работе над большим проектом эти роли, вероятнее всего, будут разграничены. Однако при создании отдельных функциональных дата-сайенс решений управление командой разработки часто может осуществлять лишь один человек.

Управление ИИ-проектом на стороне команды разработки

Руководитель R&D-команды со стороны компании-разработчика, чаще всего вырастает из старшего дата-сайентиста. Обычно такой человек довольно хорошо владеет техническими навыками: знает тот или иной язык программирования, азы математики, статистики и моделирования.

При этом на позиции руководителя ИИ-проекта требования к специалисту несколько меняются — большее значение уже имеют управленческие скиллы, эмпатия, умение решать конфликты, визионерство, способность выстроить стратегию, доходчиво объяснить и грамотно представить результаты своей работы.

Часто HR-служба не стремится заниматься повышением квалификации собственных сотрудников, а хочет найти готового специалиста на рынке. Должен ли такой сотрудник владеть техническими навыками, чтобы управлять деятельностью своей команды? Ответ — и да, и нет.

С одной стороны, такому менеджеру, безусловно, нужно понимать технический язык, на котором общаются его сотрудники и то, как осуществляется процесс обработки данных. Поскольку дата-сайенс представляет собой эксперименты, основанные на гипотезах, хорошее знание технических аспектов позволит лидеру быстрее направить работу команды в правильном направлении, что значительно сэкономит время и деньги компании.

Однако на позиции менеджера ИИ-проекта технические навыки специалиста всё же отходят на второй план. Для управленца гораздо важнее грамотно транслировать результаты работы команды руководителям компании, сторонним заказчикам и партнерам, переводя с технического языка на человеческий, а также выстраивать работу своего подразделения согласно принятой в их организации стратегии.

Для решения этих задач не требуется продвинутых технических знаний. Правда, здесь существует другая опасность: если у менеджера хорошо развиты управленческие навыки, но нет технической «базы», он может начать слишком активно заниматься микроменеджментом, что иногда негативно сказывается на работе всей команды.

Когда у менеджера нет технического образования,  принимать решения, особенно в сфере Data Science, где нельзя со 100% уверенностью гарантировать результат, сложнее. Вместе с командой R&D управленцу потребуется проводить многочисленные эксперименты, чтобы выбрать наиболее подходящий метод решения конкретной задачи. Конечно, сталкиваясь со сложными техническими вопросами, менеджер может почувствовать себя менее компетентным среди коллег.При разработке дата-сайенс решений в первую очередь фокусируйтесь на потребностях пользователей и пытайтесь донести эти запросы до разработки. Например, если предложить дата-сайентистам использовать наравне с моделью машинного обучения простейшие технологии — они, вероятно, выскажут недоверие и опишут все недостатки этого подхода (что будет справедливо для большинства кейсов). Однако если менеджер погружен в бизнес-задачу и специфику проекта, увидеть необходимость и обосновать применение таких надстроек будет проще.Также, на мой взгляд, не менее важно отслеживать результаты работы команды по бизнес-метрикам — эти показатели будут помогать принимать решение, если глубоких технических познаний у менеджера или аналитика нет.

Управление ИИ-проектом на стороне заказчика

Часто у компании, которая заказывает разработку ИИ-проекта, нет своего отдела дата-сайенс. В данном случае координацией работы команды занимается либо сотрудник/директор ИТ-департамента, либо руководитель того подразделения, куда внедряется решение.

Очевидно, что без такого человека реализовать проект будет сложно, ведь этот специалист имеет глубокое понимание своей предметной области, понимает, как устроены процессы в его компании, каким именно требованиям должно отвечать разрабатываемое решение. Часто такой управленец не владеет языками программирования и глубокими знаниями в сфере моделирования, обработки и валидации данных, при этом в большинстве случаев руководителю ИИ-проекта всё равно придётся решать все технические вопросы самостоятельно.

Руководителю проекта со стороны заказчика важен результат — эффективность решения и потенциальная прибыль для бизнеса, поэтому фактически не так важно, какая используется технология, главное, чтобы это работало. Однако даже самая сильная команда разработки не сможет заменить ваших компетенций — только вы знаете, как устроены процессы в компании.Спрашивайте разработчиков, предлагайте свои варианты. Порой простая технология способна решить сложную задачу. При разработке и внедрении ИИ-решений важно понимать, что решения такого класса не могут сразу гарантировать 100% точности, поэтому заложите время на ошибки и пробы, тестирование и поиск наиболее эффективного решения.Например, в одном из наших кейсов — разработке ИИ-решения для автоматизации проверки договоров на риски, мы отдали системе на проверку договоры на небольшие суммы, а крупные сделки по-прежнему анализирует юрист.

В организации рабочего процесса такому сотруднику может помочь знание азов аналитики и программирования, основ Data Science, понимание, как происходит цифровая трансформация бизнеса. Из управленческих аспектов будут важны навыки критического мышления, управления проектами, в том числе умение декомпозировать задачи, создавать систему KPI, оценивать прибыльность и перспективы роста проекта, проводить аналитику и прогнозировать изменения ситуации на рынке.

Хорошие менеджеры также должны подумать об этическом аспекте работе с информацией, выстроить политику обработки данных, чтобы в ходе внедрения ИИ-решения не случалось утечек.

Как повысить квалификацию руководителю ИИ-проекта

По данным NewVantage, половина компаний (49%) склонна привлекать на роль руководителей ИИ-проектов готовых управленцев из других организаций. Гораздо меньшее число фирм готово растить руководителей команды внутри коллектива, хотя эта стратегии во многих случаях может оказаться гораздо более выигрышной и менее затратной. Какие же навыки стоит развивать менеджеру ИИ-проектов?

Я думаю, управленцу, как и любому квалифицированному специалисту, важно в первую очередь качественно выполнять свою работу. Так, менеджеру проекта стоит фокусироваться на управленческой и коммуникационной функции, техническим специалистам – на вопросах выбора технологий и разработке решений, маркетологам — на определении стратегии продвижения продукта и так далее.На мой взгляд, менеджерам, безусловно, полезно владеть техническими знаниями для понимания принципов работы ИИ-решений. Однако их главная задача — выстроить процесс работы таким образом, чтобы решения принимались наиболее релевантными сотрудниками (в том числе техническим отделом). Менеджеру важно адекватно оценивать свою экспертизу и не стремиться принимать решения в тех сферах, где профильные специалисты не нуждаются в помощи.Кроме того, когда менеджеры углубляются в технические вопросы, часто проседают базовые процессы, как, например, поддержка общего коммуникационного пространства, определение актуальных целей проекта, понимание потребностей пользователей и так далее.Управленцу важно чётко определять цель, задавать правильные вопросы команде, анализировать, насколько оптимально выбранное решение с продуктовой, технической, маркетинговой точки зрения. Для решения этих задач необходим опыт управления проектами, опыт работы с командой разнопрофильных специалистов, отличное понимание предметной области.При этом я рекомендую постоянно повышать квалификацию — следить за технологиями в интересующей сфере, изучать существующие решения, опыт конкурентов, получать обратную связь от пользователей, а также регулярно обращаться к экспертизе коллег. Наряду с решением повседневных задач это поможет расти профессионально и улучшать различные практические навыки.

Полезные ресурсы для менеджера ИИ-проектов

Технические навыки. Углубить свои знания в сфере Data Science можно с помощью многочисленных онлайн-курсов. Такие платформы, как Coursera, Udemy, могут существенно помочь на начальном этапе повышения квалификации. Не лишним будет читать специализированные статьи или блоги (Kdnuggets, Open AI, TechCrunch).

Управленческие навыки. Быть грамотным менеджером в рамках решаемой задачи поможет чтение множества хороших книг по управлению, среди которых книги Питера Друкера, Маршалла Голдсмита, Стивена Р. Кови, Марти Кагана. Кроме того, существует множество онлайн-курсов, которые будут способствовать развитию soft skills специалиста.

Аналитика рынка. Как менеджерам ИИ-проектов, так и техническим специалистам обязательно нужно быть в контексте того, что сегодня происходит в мире дата-сайенс. Не забывайте о блогах Data Science-компаний, которые подробно рассказывают о своей работе, читайте специализированные исследования и прогнозы коллег (Ernst and Young, McKinsey, PwC).

Не бойтесь общаться друг с другом и задавать вопросы. Зачастую разработчики рады подробно описать особенности своей работы и помочь менеджерам в постановке задач и организации производственного процесса. В конечном счете именно симбиоз R&D-команды и сильного менеджмента позволяет создавать продукты, выводящие бизнес на новый уровень, а иногда разрабатывать решения, в корне меняющие всю индустрию и остающиеся в истории надолго.

Следите за новыми постами
Следите за новыми постами по любимым темам
2К открытий2К показов