rss_feedEugene Yan ·19.02.2017 open_in_newОригинал

One way to help a data science team innovate successfully

#Ai Adoption #Data Science #Leadership

auto_awesomeКраткое саммари

Автор делится наблюдением с пятничной встречи команды Data Science в Lazada, где гости из Aviva рассказали о переходе от традиционной актуарной статистики к клиентской аналитике. Большинство специалистов не справляются с таким переходом, и ключевым отличием успешных оказалась открытость к изменениям — готовность пробовать новое и экспериментировать, даже рискуя ухудшить отлаженные модели. Однако одной личной черты недостаточно: нужна правильная культура, где первая неудача воспринимается как обучение, а не повод для наказания. Если организация наказывает за провалы, команда выбирает безопасные ставки и инновации останавливаются. Автор подчёркивает, что data science содержит научный компонент с экспериментами и R&D, поэтому командам необходимо давать пространство для проб и ошибок. В подкрепление приводятся цитаты Илона Маска и Эйнштейна о связи неудач и изобретений.

translate EN + RU EN RU

eugeneyan

Start Here Writing Speaking Prototyping About

One way to help a data science team innovate successfully

Один из способов помочь команде data science успешно внедрять инновации

[ leadership datascience lazada ] · 3 min read

[ leadership datascience lazada ] · 3 мин чтения

The Lazada Data Science team has paper lunches together every Friday. Usually, we discuss about new papers we read, new ideas and implementations we tried, etc. This past Friday, we invited some special guests from Aviva to discuss about our journeys in cultivating a data-driven culture and building data science into the organization.

Команда Data Science в Lazada каждую пятницу собирается на «бумажные ланчи». Обычно мы обсуждаем прочитанные статьи, новые идеи и реализации, которые попробовали, и так далее. В прошлую пятницу мы пригласили специальных гостей из Aviva, чтобы обсудить наш путь в формировании data-driven культуры и встраивании data science в организацию.

One of the guests, who is in charge of technology, mentioned something interesting.

Один из гостей, отвечающий за технологии, сказал кое-что интересное.

Some can transition successfully from traditional actuarial statistics to customer-based data science—but most fail

Некоторые успешно переходят от традиционной актуарной статистики к клиентской data science — но большинство терпит неудачу

Aviva is very strong in what most would consider traditional aspects of data science involving risk, actuarial statistics, etc (it’s over 300 years old, and is the second oldest institution in England after the Bank of England—of course it’s good!).

Aviva очень сильна в том, что большинство сочтёт традиционными аспектами data science: риски, актуарная статистика и т. п. (компании более 300 лет, и это второй старейший институт в Англии после Bank of England — конечно, она хороша!).

However, as it tries to build new capabilities around understanding the customer better and customer analytics, Aviva found that not many of its data scientists could transition successfully.

Однако, развивая новые компетенции вокруг лучшего понимания клиента и клиентской аналитики, Aviva обнаружила, что не многие из её data scientists могут успешно совершить этот переход.

Why? What distinguishes those who transition successfully from those who do not?

Почему? Что отличает тех, кто успешно совершает переход, от остальных?

Being always on the lookout for features that distinguish a top performer from the rest, this piqued my interest. What was it that those people who transitioned successfully had/did, I asked.

Всегда находясь в поиске черт, которые отличают топ-перформера от остальных, я заинтересовался. Что было у тех, кто успешно перешёл, или что они делали, — спросил я.

Her response? Openness to change.

Её ответ? Открытость к изменениям.

Here’s how she explained it:

Вот как она это объяснила:

Many traditional actuarial scientists have spent years making numerous tweaks and optimising their models to run perfectly (or as close to perfect as possible).

Unsurprisingly, there were concerns that adding a different customer perspective (and features) to these models would reduce overall performance.

Nonetheless, there were a few who were willing to try new ideas and techniques, and experiment.

While they may not have gotten it right the first time, they were given the leeway to learn, experiment, and fail—most eventually succeeded.

Многие традиционные актуарии годами вносили многочисленные правки и оптимизировали свои модели, чтобы те работали идеально (или максимально близко к идеалу). Неудивительно, что были опасения: добавление иной клиентской перспективы (и признаков) в эти модели снизит общую производительность. Тем не менее нашлись те, кто был готов пробовать новые идеи и техники, экспериментировать. Возможно, у них не получилось с первого раза, но им давали свободу учиться, экспериментировать и ошибаться — большинство в итоге добились успеха.

Ah-ha! While the personality characteristic of being open to change helped these data scientists transition, there was also the right environment and culture in place, I opined.

Ага! Хотя личностная черта — открытость к переменам — помогла этим data scientists совершить переход, для этого также нужна правильная среда и культура, — заметил я.

What can the organization and team do to ensure success?

Что могут сделать организация и команда, чтобы обеспечить успех?

Getting the right culture in place is simple, though not easy:

Сформировать правильную культуру просто, хотя и нелегко:

If the organization’s response to the first failure had been chastisement and punishment, the rest of the team would take the lead and stick to “safe” bets. Innovation would stagnate.

However, if the response was that of encouragement, and viewing it not as a failure, but as learning something new, the culture is shaped accordingly. It becomes a culture that encourages experimentation and innovation, and tolerates failure.

Если бы реакцией организации на первую неудачу были упрёки и наказание, остальная команда сделала бы соответствующие выводы и стала придерживаться «безопасных» ставок. Инновации застопорились бы. Однако если реакция — это поддержка и взгляд на произошедшее не как на неудачу, а как на обучение чему-то новому, культура формируется соответственно. Это становится культурой, поощряющей эксперименты и инновации и терпимой к неудачам.

So, how to help a data science team innovate successfully?

Так как же помочь команде data science успешно внедрять инновации?

In data science—and more generally, technology—innovation is essential in order to create greater impact and add greater value.

В data science — и в технологиях в целом — инновации необходимы для того, чтобы создавать большее влияние и приносить большую ценность.

Data science has a science component to it—and science involves experimentation and R&D. Thus, data science teams must be given leeway to experiment and fail, or no groundbreaking innovations can occur.

В data science есть научный компонент — а наука предполагает эксперименты и R&D. Поэтому командам data science нужно давать свободу экспериментировать и ошибаться, иначе никаких прорывных инноваций не случится.

Elon Musk said it best:

Elon Musk сказал лучше всех:

Elon Musk on Failure and Innovation

Elon Musk о неудачах и инновациях

I also can’t resist this quote from Einstein:

Не могу удержаться и от этой цитаты Einstein:

Einstein on Mistakes and Invention

Einstein об ошибках и изобретениях

If you found this useful, please cite this write-up as:

Если этот материал был полезен, пожалуйста, цитируйте его так:

Yan, Ziyou. (Feb 2017). One way to help a data science team innovate successfully. eugeneyan.com. https://eugeneyan.com/writing/one-way-to-help-a-data-science-team-succeed/.

или

@article{yan2017innovate, title = {One way to help a data science team innovate successfully}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2017}, month = {Feb}, url = {https://eugeneyan.com/writing/one-way-to-help-a-data-science-team-succeed/} }

Join 11,800+ readers getting updates on machine learning, RecSys, LLMs, and engineering.

Присоединяйтесь к 11 800+ читателям, получающим обновления о machine learning, RecSys, LLMs и инженерии.