One way to help a data science team innovate successfully
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.
Один из способов помочь команде data science успешно внедрять инновации
[ leadership datascience lazada ] · 3 мин чтения
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.
Один из гостей, отвечающий за технологии, сказал кое-что интересное.
Некоторые успешно переходят от традиционной актуарной статистики к клиентской data science — но большинство терпит неудачу
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!).
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.
Почему? Что отличает тех, кто успешно совершает переход, от остальных?
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.
Её ответ? Открытость к изменениям.
Вот как она это объяснила:
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.
Ага! Хотя личностная черта — открытость к переменам — помогла этим data scientists совершить переход, для этого также нужна правильная среда и культура, — заметил я.
Что могут сделать организация и команда, чтобы обеспечить успех?
Сформировать правильную культуру просто, хотя и нелегко:
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.
Так как же помочь команде data science успешно внедрять инновации?
В data science — и в технологиях в целом — инновации необходимы для того, чтобы создавать большее влияние и приносить большую ценность.
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 сказал лучше всех:
Elon Musk о неудачах и инновациях
Не могу удержаться и от этой цитаты Einstein:
Einstein об ошибках и изобретениях
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/} }
Присоединяйтесь к 11 800+ читателям, получающим обновления о machine learning, RecSys, LLMs и инженерии.