[ad_1]
Việc lãnh đạo các dự án khoa học dữ liệu liên quan đến việc vượt qua nhiều thách thức khác nhau, từ sự hiểu lầm và thiếu hiểu biết về thương mại đến năng suất thấp và các bên liên quan không tham gia. Can thiệp hiệu quả thường đòi hỏi sự kết hợp giữa sự phản ánh, tự vấn, lập kế hoạch thích ứng, các cuộc họp một-một và lãnh đạo thực hành. Ở đây, tôi thảo luận về những thách thức cụ thể mà tôi đã gặp phải và các chiến lược mà tôi đã sử dụng để giải quyết chúng một cách thành công.
Thiếu hiểu biết và hiểu biết sâu sắc về thương mại
Challenge: Trong một trong những dự án trước đây của tôi, tôi được giao phụ trách một vài nhà khoa học dữ liệu đang vật lộn để hoàn thành một dự án. Họ đã xây dựng một thuật toán đưa ra câu trả lời ngược lại với những gì họ mong đợi. Trong trường hợp này, mô hình của họ dự đoán rằng tỷ lệ khách hàng rời bỏ sẽ giảm khi giá tăng. Các đối tác tư vấn trong dự án không ấn tượng và cần một giải pháp khả thi mà khách hàng có thể chấp nhận.
TÔIcan thiệp: Hành động đầu tiên của tôi là thiết lập những gì chúng ta trực giác nên mong đợi từ thuật toán. Sau đó, tôi đắm mình vào quá trình chuẩn bị dữ liệu và quy trình. (Tôi hoàn toàn ủng hộ quan điểm phổ biến rằng các nhà khoa học dữ liệu dành 80% thời gian để dọn dẹp và chuẩn bị dữ liệu, và chỉ dành 20% để tạo ra thông tin chi tiết.) Điều này giúp tôi phát hiện ra rằng vấn đề là do cách dữ liệu được chuẩn bị và chuyển đổi từ dữ liệu nguồn, dữ liệu nào được đưa vào mô hình và những giả định khác mà họ đưa ra trong quá trình lập mô hình.
Ngoài việc cố gắng dẫn bằng ví dụ và thực hành với dữ liệu, tôi cũng thường xuyên các cuộc họp một-một với nhà khoa học dữ liệu. Những cuộc họp này giúp tôi làm rõ kỳ vọng của mình và hiểu rõ hơn lý do tại sao họ đã đi sai hướng liên quan đến mô hình hóa và dữ liệu. Hơn nữa, tôi đã cung cấp phản hồi về cách chúng tôi có thể điều chỉnh lộ trình và quay lại đúng hướng. Điều quan trọng nữa là phải liên tục nhắc nhở các nhà khoa học dữ liệu về mục tiêu cuối cùng chúng tôi đang cố gắng đạt được thông qua dự án.
Quá hàn lâm mà không tập trung vào mục tiêu cuối cùng của dự án
Chội trường: Như thường thấy với các dự án khoa học dữ liệu và kỹ thuật dữ liệu, có rất nhiều người thông minh tham gia. Thông thường điều này rất tuyệt, nhưng đôi khi những ý tưởng hay có thể cản trở việc đạt được mục tiêu của bạn. Tôi thường thấy các nhà khoa học dữ liệu — và bản thân tôi cũng từng mắc lỗi này — đi sâu vào một vấn đề nhất định và có lẽ hơi mất tập trung vào những gì chúng ta đang cố gắng đạt được. Vấn đề này trở nên nghiêm trọng hơn trong bối cảnh dự án bận rộn, khi chúng ta phải đối mặt với các hạn chế về ngân sách, thời gian và nguồn lực.
Có lần, tôi giao cho một nhà khoa học dữ liệu nhiệm vụ phát triển một mô hình để dự đoán tình trạng churn, tuy nhiên anh ta lại mắc kẹt ở các chi tiết và tiếp tục đi theo một con đường phân tích không có kết quả — mặc dù không đạt được những tiến triển đáng kể. Nhà khoa học dữ liệu rất nghiêm ngặt trong cách tiếp cận của mình và gặp khó khăn trong việc đưa ra quan điểm thực tế hơn về tình hình. Trong trường hợp này, chúng tôi cũng đang tìm kiếm mối liên hệ giữa churn và giá, tuy nhiên cách dữ liệu được cấu trúc và các thuật toán được áp dụng không có lợi cho mục tiêu cuối cùng.
Thách thức này không chỉ áp dụng cho các thành viên trong nhóm, và với tư cách là người lãnh đạo nhóm, chính bạn cũng có thể dễ dàng rơi vào cái bẫy này. Trong một dự án gần đây, tôi đã làm một trường hợp kinh doanh và quyết định rằng mình có một giải pháp tuyệt vời để ước tính ROI của dự án. Nó rất nghiêm ngặt, từ dưới lên và không yêu cầu bất kỳ giả định hoang đường nào để có thể trình bày trường hợp của chúng tôi. Tuy nhiên, sau khi làm việc với nó trong vài ngày, hóa ra nó quá tốn thời gian và phức tạp so với những gì chúng tôi thực sự cần. Khách hàng không hiểu đầy đủ về phương pháp luận và rõ ràng là chúng tôi cần một phương pháp tiếp cận đơn giản hơn và trực quan hơn.
TÔIcan thiệp: Trong cả hai trường hợp, giải pháp là sự tự vấn và suy ngẫm về kết quả và việc sử dụng thời gian. Về tình hình với nhà khoa học dữ liệu, tôi đã các cuộc họp một-một với anh ấy để thống nhất về những gì chúng tôi cần đạt được và cung cấp. Những gì của chúng tôi mục tiêu cuối cùng là. Và đối với bản thân tôi, bằng cách lắng nghe phản hồi từ nhóm của mình và suy ngẫm về thời gian và tiến độ thực hiện, tôi đã có thể điều chỉnh hướng đi và cách tiếp cận bằng một kỹ thuật đơn giản hơn nhưng vẫn đáp ứng được mục tiêu của chúng tôi và cho phép chúng tôi định lượng ROI của dự án.
Các thành viên trong nhóm có năng suất thấp
Chội trường: Không phải tất cả các thành viên trong nhóm đều có thể tạo ra kết quả mong đợi khi lập kế hoạch ban đầu cho một dự án. Tuy nhiên, với tư cách là một nhà tư vấn, bạn thường được yêu cầu lập kế hoạch phát triển tích hợp nhân sự khách hàng — mặc dù không thể đánh giá năng suất của họ trước. Nhiều yếu tố, chẳng hạn như quá tải với các dự án hoặc giải quyết các vấn đề cá nhân, có thể góp phần làm giảm năng suất. Hãy cẩn thận khi lập kế hoạch quá chi tiết mà không hiểu rõ các nguồn lực có sẵn, vì đây có thể là một cái bẫy.
Trong một dự án, khách hàng đã thông báo với tôi rằng họ sẽ cung cấp cho tôi 2 nhà khoa học dữ liệu toàn thời gian (tương đương toàn thời gian), 1 nhà phân tích kinh doanh toàn thời gian và 1 kỹ sư dữ liệu toàn thời gian để giúp tôi hoàn thành dự án. Dựa trên thông tin này, tôi đã cố gắng lập kế hoạch xem chúng tôi có thể hoàn thành dự án trong khung thời gian đã cho như thế nào. Tuy nhiên, khi đến thời điểm hoàn thành thì hóa ra một trong những nhà khoa học dữ liệu toàn thời gian của tôi đã lên kế hoạch nghỉ phép vài tuần và không có ai thay thế anh ấy. Hóa ra là kỹ sư dữ liệu toàn thời gian không thực sự hoàn thành và không thể tạo ra mức đầu ra mà chúng tôi cần cho dự án.
TÔIsự can thiệp: Tình huống trên đã được giải quyết bằng cách có chu kỳ lập kế hoạch ngắn và nhanh chóng thích nghi với những điều kiện thay đổi. Tôi đã chỉ đạo một trong những FTE khoa học dữ liệu năng suất nhất của chúng tôi để giải quyết công việc và trở nên rất thực hành bản thân tôi. Sự linh hoạt này sẽ khó có thể thực hiện được với những kế hoạch dài hạn và ít thích ứng hơn.
Người quản lý dự án phía khách hàng không tham gia hoặc không hợp tác
Chội trường: Trong nhiều dự án tư vấn, bạn sẽ có một bên đối tác ở phía khách hàng quản lý dự án nội bộ. Thông thường, đây sẽ là người sở hữu sản phẩm cuối cùng mà bạn đang xây dựng hoặc là người có vai trò quản lý dự án nội bộ và biết cách giúp dự án tiến triển.
Thông thường, thật tuyệt khi có một người ở phía khách hàng có thể đóng góp và giúp thúc đẩy dự án — đặc biệt là khi bạn cần thống nhất với nhiều bên liên quan. Nhưng đôi khi bạn sẽ có một người quản lý không gắn kết hoặc không hợp tác, không trả lời e mail và trở thành nút thắt cổ chai hơn là trợ giúp. Đối với các dự án khoa học dữ liệu, nơi lý tưởng nhất là bạn muốn nhận được phản hồi thường xuyên, điều này có thể gây ra vấn đề.
TÔIsự can thiệp: Lấy Buổi họp thường xuyên vào lịch của họ. Nếu bạn đã quen với các cuộc họp hàng tuần với các nhà quản lý khác, hãy cân nhắc tăng lên thành hai cuộc họp một tuần. Ngay cả khi họ không trả lời e mail, ít nhất thì khoảng thời gian giữa chúng cũng không quá dài. gặp mặt trực tiếp. Nếu tất cả đều không hiệu quả, một chiến lược khác cũng có thể là sử dụng các kênh khác để kết nối với khách hàng. Trong một trong những dự án của tôi, chúng tôi có một đối tác tư vấn, người không trực tiếp tham gia vào các hoạt động hàng ngày của dự án, liên hệ trực tiếp với CMO về phía khách hàng và nhắc nhở người quản lý dự án thực hiện thêm hành động.
Một lần nữa, đây cũng là một tình huống mà sự phản chiếu và nội quan có thể có lợi. Tại sao người quản lý dự án lại hành xử theo cách của anh ta, có điều gì về hành vi của riêng bạn có thể thúc đẩy điều đó không? Có lẽ bạn đã làm điều gì đó hoặc trình bày điều gì đó theo cách gây hiểu lầm? Hãy thử một-một cuộc họp để giải quyết mọi hiểu lầm và thống nhất trọng tâm vào mục tiêu cuối cùng của dự án.
[ad_2]
Source link