Cómo integrar un Data Science Team a mi compañía
Conforme va creciendo nuestro equipo de ciencia de datos junto con las necesidades de la empresa, es necesario crear un departamento completamente nuevo que se debe organizar, controlar, monitorear y administrar. Este enorme cambio organizativo sugiere que un nuevo grupo debería tener roles y responsabilidades establecidos, todo en relación con otros proyectos e instalaciones. Entonces, ¿Cómo integrar un Data Science Team a mi compañía?, en otras palabras ¿cómo integrar a los científicos de datos en tu empresa?
A continuación, veamos los modelos más utilizados:
Modelo de Consultoría
Se trabaja en grupo, pero su función dentro de una organización es la consultoría, de modo que distintas áreas de la compañía pueden solicitarlos para tareas específicas. El modelo de consultoría es el más adecuado para empresas pequeñas con tareas de ciencia de datos esporádicas y de pequeña a mediana escala.
Algunos inconvenientes del modelo de consultoría:
- En primer lugar, la mala calidad de los datos puede convertirse en un defecto fundamental del modelo. Como el equipo no puede adherirse a sus mejores prácticas para cada tarea, tienen que sacrificar la calidad por las necesidades comerciales que exigen soluciones rápidas.
- Además, encontramos baja motivación. Como el área no está completamente involucrada en la creación de productos y la toma de decisiones, podría tener poco interés en el resultado.
- Un serio inconveniente de un modelo de consultoría es la incertidumbre. Los plazos no son claros cuando el equipo no está claramente familiarizado con las fuentes de datos y el contexto de su aparición. Los proyectos complejos y a largo plazo son poco accesibles porque a veces los especialistas trabajan durante años sobre el mismo conjunto de problemas para lograr grandes resultados.
- El método de priorización tampoco está claro. Es difícil identificar cómo un administrador de ciencia de datos prioriza y asigna tareas para los involucrados y qué objetivos favorecer primero.
Modelo Centralizado
Esta estructura permite utilizar la analítica en tareas estratégicas: un equipo sirve a toda la organización en una variedad de proyectos. No solo proporciona al equipo una visión a largo plazo y una mejor gestión de los recursos, sino que también fomenta el crecimiento profesional. El único problema es el peligro de transformar una función analítica en una de apoyo.
Uno de los mejores casos de uso para crear un equipo centralizado es cuando tanto la demanda de análisis como el número de analistas aumentan rápidamente, lo que requiere la asignación urgente de estos recursos. Al introducir un enfoque centralizado, una empresa indica que considera los datos como un concepto estratégico y está lista para construir un departamento o área de análisis equivalente a ventas o marketing.
Algunos inconvenientes del modelo centralizado:
- Existe una alta probabilidad de aislarse y enfrentar la desconexión entre un equipo de análisis de datos y las unidades de negocio. Dado que el equipo de análisis de datos no participa en las actividades habituales de las unidades de valor empresarial reales, es posible que no estén familiarizados con las necesidades y los problemas de estas últimas. Esto puede llevar a una relevancia limitada de las recomendaciones que pueden dejarse sin usar e ignorarse.
- Esto conduce a desafíos en la cooperación significativa con un equipo de producto. Una vez que el grupo de análisis ha encontrado una manera de abordar un problema, sugiere una solución a un equipo de producto. El mayor problema es que esta solución puede no encajar en la hoja de ruta de un producto. Y pueden aparecer conflictos. La única solución es crear un equipo que evalúe, diseñe e implemente la solución sugerida. Sin embargo, esta alternativa requiere de la asignación de muchos recursos.
Modelo Centro de Excelencia – CoE
Se mantiene el enfoque centralizado con un solo centro de coordinación, pero equipos se asignan a diferentes unidades de la organización. Esta es la estructura más equilibrada en donde las actividades de análisis están altamente coordinadas, pero no se eliminará a los expertos de las unidades de negocio.
Debido a sus interacciones bien equilibradas, este modelo se está adoptando cada vez más, especialmente en organizaciones a escala empresarial. Funciona mejor para empresas con una estrategia corporativa y una hoja de ruta de datos completamente desarrollada.
Algunos inconvenientes del modelo de excelencia:
- Si bien este modelo es equilibrado, no existe un único grupo centralizado que se centre en los problemas a nivel empresarial. Cada grupo analítico estaría resolviendo problemas dentro de sus unidades.
- Otro inconveniente es que no existe una unidad de innovación, un grupo de especialistas que se enfoca principalmente en soluciones de vanguardia e iniciativas de datos a largo plazo en lugar de las necesidades del día a día.
Modelo Federal
Este modelo es relevante cuando existe una demanda cada vez mayor de talento analítico en toda la empresa. Se emplea un equipo especializado o grupo de análisis que trabaja desde un punto central y aborda complejas tareas multifuncionales. El resto de los equipos se distribuyen como en el modelo de Centro de Excelencia.
El modelo federado se adopta mejor en empresas donde los procesos y tareas de análisis tienen una naturaleza sistémica y necesitan actualizaciones diarias. Este enfoque puede servir tanto a objetivos a escala empresarial como el diseño de cuadros de mando de la empresa y análisis a medida de funciones con diferentes tipos de modelado.
Algunos inconvenientes del modelo federal:
- Gastos de adquisición y retención de talentos. Este modelo sugiere un especialista independiente para cada equipo y gestión de datos central. Por lo tanto, este enfoque no es la mejor opción para empresas que se encuentran en sus primeras etapas de adopción de análisis.
- La funcionalidad cruzada puede crear un entorno conflictivo. Puede carecer de una paridad de poder entre todos los puestos de liderazgo del equipo y causar entregas tardías o resultados cuestionables debido a los conflictos constantes entre los líderes del equipo de la unidad y la administración del CoE.
Modelo Democrático
Este modelo es una forma adicional de pensar en la cultura de datos. Implica que todos en la organización tengan acceso a los datos a través de herramientas de BI u otras herramientas. Esto significa que se puede combinar con cualquier otro modelo. Puede tener un enfoque federado con CoE y especialistas en análisis dentro de cada área y, al mismo tiempo, exponer las herramientas de BI a todos los interesados en usar datos para sus funciones, lo cual es excelente en términos de fomentar la cultura de datos.
Inconvenientes del modelo democrático:
- Se invierte mucho en infraestructura, herramientas y capacitación en ciencia de datos.
- Se necesitan más personas para evitar el cruce de responsabilidades, permitiendo que los involucrados se dediquen en su especialidad y rol definido dentro del equipo.
¿Y ahora qué modelo se adapta mejor a tu empresa?
—
Si querés contactarnos directamente mandanos un mensaje a Contacto
Cómo integrar un Data Science Team a mi compañía
Fuente: https://www.altexsoft.com/blog/datascience/how-to-structure-data-science-team-key-models-and-roles/