La ciencia de los datos y el arte de la persuasión.
Por Scott Berinato
Analítica
Harvard Business Review
La ciencia de los datos está creciendo rápidamente. En los últimos cinco años, las empresas han invertido miles de millones para que los científicos de datos con más talento puedan instalarse, acumular zettabytes de material y ejecutarlos a través de sus máquinas de deducción para encontrar señales en el insondable volumen de ruido. Está funcionando, hasta cierto punto. Los datos han comenzado a cambiar nuestra relación con campos tan variados como la traducción de idiomas, el comercio minorista, la atención médica y el baloncesto.
Pero a pesar de las historias de éxito, muchas empresas no obtienen el valor que podrían obtener de la ciencia de datos. Incluso las operaciones bien dirigidas que generan un análisis sólido no logran capitalizar sus conocimientos. Los esfuerzos se quedan cortos en la última milla, cuando llega el momento de explicar las cosas a los tomadores de decisiones.
En una pregunta sobre la encuesta de científicos de datos de Kaggle en 2017, a la que respondieron más de 7,000 personas, cuatro de las siete "barreras enfrentadas en el trabajo" se relacionaron con problemas de la última milla, no con problemas técnicos: "falta de apoyo administrativo / financiero, "Falta de preguntas claras para responder", "resultados no utilizados por los tomadores de decisiones" y "explicación de la ciencia de datos a otros". Esos resultados son consistentes con lo que el científico de datos Hugo Bowne-Anderson encontró entrevistando a 35 científicos de datos para su podcast; como escribió en un artículo de 2018 HBR.org, "La gran mayoría de mis invitados me dicen [a mí] que las habilidades clave para los científicos de datos son ... las habilidades para aprender sobre la marcha y comunicarse bien para responder preguntas de negocios". explicando los resultados complejos a los interesados no técnicos".
En mi trabajo dando conferencias y consultando con grandes organizaciones sobre visualización de datos (dataviz) y presentaciones persuasivas, escucho a científicos y ejecutivos de datos descargar su frustración. Los equipos de datos saben que cuentan con información valiosa pero no pueden venderlos. Dicen que los tomadores de decisiones malinterpretan o simplifican demasiado su análisis y esperan que hagan magia, para proporcionar las respuestas correctas a todas sus preguntas. Mientras tanto, los ejecutivos se quejan de cuánto dinero invierten en operaciones de ciencia de datos que no proporcionan la orientación que esperaban. No ven resultados tangibles porque los resultados no se comunican en su idioma.
Las brechas entre los tipos de negocios y de tecnología no son nuevas, pero esta división es más profunda. Considere que hace 105 años, antes de la codificación y las computadoras, Willard Brinton comenzó su libro histórico Métodos gráficos para presentar hechos describiendo el problema de la última milla: "Una y otra vez sucede que algún miembro ignorante o presuntuoso de un comité o junta directiva trastornará el plan cuidadosamente pensado de un hombre que conoce los hechos, simplemente porque el hombre con los hechos no puede presentar sus hechos lo suficientemente rápido como para vencer a la oposición ... Como la catedral está en sus cimientos, así es una presentación efectiva de los hechos. a los datos".
Los ejecutivos se quejan de que la ciencia de los datos no proporciona la orientación que esperaban.
¿Cómo podría esta canción seguir siendo la misma durante más de un siglo? Como cualquier otra cosa tan arraigada, los orígenes del problema de la última milla son múltiples. Por un lado, las herramientas utilizadas para hacer la ciencia incluyen la funcionalidad de visualización. Esto fomenta la noción de que es responsabilidad de la persona de datos ser el comunicador. La salida predeterminada de estas herramientas no puede coincidir con un diseño de datos bien concebido y totalmente diseñado; su visualización a menudo no está tan desarrollada como su manipulación de datos, y las personas que usan las herramientas a menudo no quieren hacer la comunicación. Muchos científicos de datos me han dicho que desconfían de la visualización, ya que puede acallar su trabajo y alentar a los ejecutivos a sacar conclusiones que desmienten el matiz y la incertidumbre inherentes a cualquier análisis científico. Pero en la prisa por capturar a los científicos de datos más solicitados, las organizaciones han estado contratando a las personas más técnicamente orientadas que pueden encontrar, ignorando su capacidad o deseo (o falta de ellos) para comunicarse con un público lego.
Eso estaría bien si esas organizaciones también contrataran a otras personas para cerrar la brecha, pero no lo hacen. Todavía esperan que los científicos de datos disputen los datos, los analicen en el contexto de conocer el negocio y su estrategia, hagan gráficos y los presenten a un público no especializado. Eso es irrazonable.
Eso es unicornio.
Para comenzar a resolver el problema de la última milla, las empresas deben dejar de buscar unicornios y repensar qué tipo de talento conforma una operación de ciencia de datos. Este artículo propone una forma para aquellos que no están aprovechando al máximo sus operaciones para liberar a los científicos de datos de expectativas no razonables e introducir nuevos tipos de trabajadores a la mezcla. Se basa en equipos interdisciplinarios compuestos por miembros con diferentes talentos que trabajan en estrecha proximidad. La empatía, desarrollada a través de la exposición al trabajo de otros, facilita la colaboración entre los tipos de talento. El trabajo ya no se pasa entre grupos; Se comparte entre ellos.
Un enfoque de equipo, apenas nuevo, pero recientemente aplicado, puede obtener operaciones de ciencia de datos en la última milla, brindando el valor que han creado para la organización.
¿Por qué las cosas son así?
A principios del siglo XX, los pioneros de la administración moderna ejecutaron operaciones sofisticadas para convertir los datos en decisiones a través de la comunicación visual, y lo hicieron con equipos. Fue un esfuerzo interdisciplinario que incluyó operadores de pandillas, organizadores de tarjetas, gerentes y dibujantes (casi siempre eran hombres). Ejemplos de los resultados de esta colaboración son legiones en el libro de Brinton. Las empresas ferroviarias y los grandes fabricantes fueron especialmente expertos, aprendieron las rutas más eficientes para enviar materiales a través de las fábricas, alcanzaron los objetivos de ventas regionales e incluso optimizaron los horarios de vacaciones.
Cómo falla la comunicación
Aprendí en mi trabajo que la mayoría de los líderes reconocen el valor que puede aportar la ciencia, y pocos están satisfechos con la forma en que se está entregando. Algunos científicos de la información se quejan de que los jefes no entienden lo que hacen y no los utilizan. Algunos gerentes se quejan de que los científicos no pueden hacer su trabajo inteligible para una audiencia no especializada.
En general, las historias que escucho siguen uno de estos escenarios. Mira si reconoces alguno de ellos.
La maldición del estadístico
Un científico de datos con algoritmos de vanguardia y grandes datos desarrolla un conjunto de ideas y las presenta a los responsables de la toma de decisiones con gran detalle. Ella cree que su análisis es objetivo e indiscutible. Sus gráficos son "haga clic y viz" con un texto agregado a las diapositivas; en su opinión, el diseño no es algo en lo que los estadísticos serios pasan tiempo. El lenguaje que usa en su presentación no es familiar para sus oyentes, quienes se confunden y se sienten frustrados. Su análisis está en marcha, pero su recomendación no es adoptada.
La fábrica y el capataz
Un actor de negocios quiere impulsar un proyecto de mascotas, pero no tiene datos para respaldar su hipótesis. Le pide al equipo de ciencia de datos que produzca el análisis y los cuadros para su presentación. El equipo sabe que su hipótesis está mal formada y ofrece ideas útiles sobre una mejor manera de abordar el análisis, pero solo quiere gráficos y notas orales. Ocurrirá una de estas dos cosas: su reunión se modificará cuando alguien le pregunte sobre el análisis de datos y no pueda proporcionar respuestas, o su proyecto pasará y luego fracasará porque el análisis no fue correcto.
La Verdad Conveniente
Un diseñador de información de primera categoría está inspirado en algunos análisis de los científicos de datos de la compañía y ofrece su ayuda para crear una presentación hermosa para el tablero, con colores y tipografías de marca e historias atractivas y de fácil acceso. Pero los científicos se ponen nerviosos cuando los ejecutivos comienzan a extraer ideas erróneas del análisis. Los gráficos claros y simples hacen que ciertas relaciones parezcan causa y efecto directo cuando no lo son, y eliminan cualquier incertidumbre que sea inherente al análisis. Los científicos se encuentran en un dilema: finalmente, los principales responsables de la toma de decisiones están entusiasmados con su trabajo, pero lo que les entusiasma no es una buena representación del mismo.
El enfoque de equipo persistió durante la mayor parte del siglo. En su libro Practical Charting Techniques de 1969, Mary Eleanor Spear detalla el equipo ideal: un comunicador, un analista gráfico y un dibujante (todavía en su mayoría hombres), y sus responsabilidades. "Es recomendable", escribe Spear, "que [los tres] colaboren".
En la década de 1970 las cosas empezaron a dividirse. Los científicos se reunieron con la nueva tecnología que les permitió visualizar datos en el mismo espacio (un programa de computadora) donde los manipularon. Las imágenes eran rudimentarias pero estaban disponibles rápidamente y no requerían ayuda de nadie más. Se abrió una grieta en el mundo de dataviz entre la visualización por computadora y la visualización por diseño más clásica producida por los dibujantes (finalmente).
Chart Wizard, la innovación de Microsoft en Excel, introdujo "click and viz" para el resto de nosotros, rompiendo totalmente los dos mundos. De repente, cualquiera podía crear instantáneamente un gráfico junto con variaciones excesivas en él que hicieran barras tridimensionales o convirtieran una tarta en una dona. La profundidad de este cambio no puede ser exagerada. Ayudó a hacer de las cartas una lengua franca para los negocios. Alimentó el uso de los datos en las operaciones y, finalmente, permitió que existiera la ciencia de los datos, porque superó el límite bajo de la cantidad de datos que los diseñadores humanos pueden procesar en comunicación visual. Más crucialmente, cambió la estructura del trabajo. Los diseñadores, dibujantes, fueron devaluados y eventualmente se quedaron fuera del análisis de datos. La visualización se convirtió en el trabajo de quienes administraban los datos, la mayoría de los cuales no estaban capacitados para visualizar ni estaban dispuestos a aprender. La velocidad y la conveniencia de pegar un gráfico de Chart Wizard en una presentación prevaleció sobre las visuales más lentas, más intensivas en recursos, impulsadas por el diseño, incluso si estas últimas fueran demostrablemente más eficaces.
Con el advenimiento de la ciencia de datos, las expectativas puestas en los científicos de datos han permanecido iguales: haga el trabajo y comuníquelo, incluso cuando las habilidades necesarias se han ampliado para incluir codificación, estadísticas y modelos algorítmicos. De hecho, en el artículo histórico de HBR de 2012 sobre el científico de datos como el trabajo más sexy del siglo XXI, el papel se describe en términos explícitamente unicornios: “¿Qué habilidades hacen que un científico de datos tenga éxito? Piense en él o ella como un híbrido de hacker de datos, analista, comunicador y asesor de confianza. La combinación es extremadamente poderosa y rara".
Una rara combinación de habilidades para los trabajos más buscados significa que muchas organizaciones no podrán reclutar el talento que necesitan. Tendrán que buscar otra forma de triunfar. La mejor manera es cambiar el conjunto de habilidades que esperan que tengan los científicos de datos y reconstruir los equipos con una combinación de talentos.
Construyendo una mejor operación de Data Science
Una operación de datos efectiva basada en el trabajo en equipo puede ser tomada de Brinton y Spear, pero explicará el contexto moderno, incluido el volumen de datos que se procesan, la automatización de los sistemas y los avances en las técnicas de visualización. También contará con una amplia gama de tipos de proyectos, desde el informe razonablemente simple de datos analíticos estándar (por ejemplo, resultados financieros) hasta los esfuerzos de big data más sofisticados que utilizan algoritmos de aprendizaje automático de vanguardia.
Aquí hay cuatro pasos para crear uno:
1. Define talentos, no miembros del equipo.
Puede parecer natural que el primer paso hacia el desmantelamiento del pensamiento unicornio es asignar a varias personas los roles que el científico de datos "perfecto" ahora desempeña: manipulador de datos, analista de datos, diseñador y comunicador.
No exactamente. En lugar de asignar roles a personas, defina los talentos que necesita para tener éxito. Un talento no es una persona; Es una habilidad que una o más personas poseen. Una persona puede tener varios talentos; Tres personas pueden ser capaces de manejar cinco talentos. Es una distinción sutil pero importante para mantener a los equipos lo suficientemente ágiles como para configurar y reconfigurar durante las distintas etapas de un proyecto. (Volveremos a esto.)
La lista de talentos de cualquier compañía variará, pero un buen conjunto de núcleo incluye estos seis:
Gestión de proyectos. Debido a que su equipo será ágil y cambiará de acuerdo con el tipo de proyecto y su avance, un PM sólido que utilice alguna metodología similar a un scrum se ejecutará en cada faceta de la operación. Un buen gerente de proyecto tendrá una gran capacidad organizativa y una gran capacidad diplomática, lo que ayudará a superar las brechas culturales al reunir talentos diferentes en las reuniones y lograr que todos los miembros del equipo hablen el mismo idioma.
La disputa de datos. Las habilidades que componen este talento incluyen sistemas de construcción; búsqueda, limpieza y estructuración de datos; y creando y manteniendo algoritmos y otros motores estadísticos. Las personas con talento para negociar buscarán oportunidades para simplificar las operaciones, por ejemplo, mediante la creación de procesos repetibles para múltiples proyectos y plantillas para obtener resultados visuales sólidos y predecibles que impulsarán el proceso de diseño de la información.
Análisis de los datos. La capacidad de establecer hipótesis y probarlas, encontrar un significado en los datos y aplicar eso a un contexto empresarial específico es crucial y, sorprendentemente, no está tan bien representada en muchas operaciones de ciencia de datos como podría pensarse. Algunas organizaciones son pesadas con los wranglers y confían en ellas para hacer el análisis también. Pero un buen análisis de datos está separado de la codificación y las matemáticas. A menudo, este talento surge no de la informática sino de las artes liberales. La compañía de software Tableau clasificó la infusión de las artes liberales en el análisis de datos como una de las tendencias más importantes en análisis en 2018. El pensamiento crítico, la configuración del contexto y otros aspectos del aprendizaje en humanidades también son habilidades básicas para el análisis, los datos o cualquier otra cosa. . En una conferencia en línea sobre el tema, el científico de investigación de Tableau, Michael Correll, explicó por qué cree que infundir la ciencia de los datos con las artes liberales es crucial. "Es imposible considerar los datos divorciados de las personas", dice. “Las artes liberales son buenas para ayudarnos a intervenir y ver el contexto. Hace que las personas sean visibles de una manera que quizás no estén en la tecnología".
Experiencia del sujeto. Es hora de retirar el tropiezo de que los equipos de ciencia de datos están atrapados en el sótano para hacer su trabajo arcano y emerger solo cuando el negocio necesita algo de ellos. La ciencia de datos no debe considerarse como una unidad de servicio; Debería tener talento directivo en el equipo. Las personas con conocimiento del negocio y la estrategia informarán el diseño del proyecto y el análisis de datos y mantendrán al equipo enfocado en los resultados del negocio, no solo en la construcción de los mejores modelos estadísticos. Joaquín Candela, quien administra el aprendizaje automático aplicado en Facebook, ha trabajado arduamente para enfocar a su equipo en los resultados de negocios y para recompensar las decisiones que favorecen esos resultados sobre la mejora de la ciencia de datos.
Diseño. Este talento es ampliamente mal entendido. Un buen diseño no es solo elegir colores y fuentes o crear una estética para los gráficos. Eso es estilo, parte del diseño, pero de ninguna manera la parte más importante. Más bien, las personas con talento para el diseño desarrollan y ejecutan sistemas para una comunicación visual efectiva. En nuestro contexto, entienden cómo crear y editar imágenes para enfocar a una audiencia y extraer ideas. El talento en diseño de información, que hace hincapié en comprender y manipular la visualización de datos, es ideal para un equipo de ciencia de datos.
Cuentacuentos. La narrativa es un artilugio humano extremadamente poderoso y uno de los más infrautilizados en la ciencia de datos. La capacidad de presentar información sobre los datos como una historia, más que nada, ayudará a cerrar la brecha de comunicación entre los algoritmos y los ejecutivos. "Contar historias con datos", una frase de moda cansada, es ampliamente mal entendida, sin embargo. No se trata de convertir a los presentadores en Stephen Kings o Tom Clancys. Más bien, se trata de comprender la estructura y los mecanismos de la narrativa y aplicarlos a la información y las presentaciones.
2. Contratar para crear una cartera de talentos necesarios.
Una vez que haya identificado los talentos que necesita, libere su reclutamiento de la idea de que estos son roles que debe contratar para completar. En su lugar, enfócate en asegurarte de que estos talentos estén disponibles en el equipo. Algunos de ellos, naturalmente, tienden a ir juntos: el diseño y la narración de cuentos, por ejemplo, o la disputa de datos y el análisis de datos, pueden existir en una sola persona.
A veces el talento no se encuentra en los empleados sino en los contratistas. Para mi trabajo, mantengo un gabinete de cocina de personas que tienen talento en áreas donde estoy débil. Es posible que desee contratar a una empresa de diseño de información, o contratar a algunos encargados de la preparación de datos para limpiar y estructurar nuevos flujos de datos.
Pensar en los talentos como algo separado de las personas ayudará a las compañías a abordar el problema de la última milla, ya que las liberará de intentar encontrar a la persona que puede hacer ciencia de la información y comunicarla. Atrapar a algunas personas que tienen habilidades de diseño superiores liberará a los científicos de datos para que se centren en sus puntos fuertes. También abrirá la puerta a las personas que anteriormente podrían haber sido ignoradas. Un codificador promedio que también tenga buenas habilidades de diseño, por ejemplo, podría ser muy útil.
Randal Olson, el científico de datos líder de Life Epigenetics y curador del canal de Reddit Data Is Beautiful (dedicado a compartir y discutir buenos datos), se centró únicamente en qué tan bien alguien hizo la parte técnica de la ciencia de datos. "Lo sé, cuando empecé, no tenía ninguna apreciación por la parte de la comunicación", dice. "Creo que eso es común". Ahora, en algunos casos, ha cambiado el proceso de contratación. "Ya sabes, entran y comenzamos de inmediato con los modelos de pizarra blanca y las matemáticas", dice. "Se trata de científicos de datos que hablan con científicos de datos. Ahora a veces traeré a una persona no técnica y le diré al candidato, 'Explique este modelo a esta persona' ".
3. Exponer a los miembros del equipo a talentos que no tienen.
La superación de los choques culturales comienza con la comprensión de las experiencias de los demás. El talento de diseño a menudo no tiene exposición a estadísticas o algoritmos. Se centra en el refinamiento estético, la simplicidad, la claridad y la narrativa. La profundidad y complejidad de los datos.
La superación de los choques culturales comienza con la comprensión de las experiencias de los demás. El talento de diseño a menudo no tiene exposición a estadísticas o algoritmos. Se centra en el refinamiento estético, la simplicidad, la claridad y la narrativa. La profundidad y complejidad del trabajo de datos es difícil de conciliar para los diseñadores. Los científicos de datos de núcleo duro, en contraste, valoran la objetividad, el rigor estadístico y la exhaustividad; La parte de la comunicación no solo es extraña para ellos, sino también una distracción. "Va en contra de su ética", dice un gerente de una operación de ciencia de datos en una gran empresa de tecnología. "Yo era igual, trabajando en ciencia de datos durante 10 años, pero fue sorprendente para mí cuando tuve que formar un equipo". Vi que si aprendiéramos un poco más sobre la parte de la comunicación, podríamos defender mucho más para el negocio ".
Hay muchas maneras de exponer a los miembros del equipo al valor de los talentos de los demás. Los diseñadores deben aprender algunas estadísticas básicas (tomar un curso introductorio, por ejemplo), mientras que los científicos de datos aprenden los principios básicos de diseño. Tampoco deben convertirse en expertos en el campo de sus contrapartes, solo necesitan aprender lo suficiente para apreciarse mutuamente.
Stand-ups y otras reuniones siempre deben incluir una mezcla de talentos. Un scrum stand-up orientado principalmente a la actualización del progreso de la tecnología aún puede incluir un comercializador que haga presentaciones, como sucede en la compañía de Olson. Los expertos en la materia deberían aportar talento para el análisis y la discusión de datos a las reuniones de estrategia. Las sesiones especiales en las que las partes interesadas responden preguntas del equipo de datos y viceversa también ayudan a cerrar la brecha. El jefe de algoritmos de Stitch Fix, Eric Colson (que es algo parecido a un unicornio, tiene tanto talento estadístico como de comunicación en una empresa donde la ciencia de los datos es intrínseca), pide a los miembros de su equipo que hagan presentaciones de un minuto a audiencias no técnicas, lo que obliga Para enmarcar problemas de manera inteligente que todos puedan entender. "Hasta el día de hoy", dice Colson, "si dices" cocos "aquí, la gente sabrá que fue parte de una metáfora que una persona usó para describir un problema estadístico particular que estaba abordando. Nos enfocamos en encuadrarlo de manera que todos entiendan porque la empresa no hará lo que no entiende ”. Otro gerente de un equipo de ciencia de datos creó un glosario de términos utilizados por talento técnico y talento de diseño para ayudar a los empleados a familiarizarse con uno el lenguaje de otro.
Si su organización contiene algunas de esas personas raras que, como Colson, tienen tanto talentos de datos como de comunicación y talentos de diseño, es útil que sean mentores entre ellos. Las personas que expresan interés en desarrollar talentos que no tienen, pero que usted necesita, deben ser alentadas, incluso si esas fortalezas (por ejemplo, habilidades de diseño) están muy lejos de las que ya tienen (disputa de datos). De hecho, en mis talleres escucho a científicos de datos a los que les encantaría desarrollar su talento para el diseño o la narración, pero no tienen tiempo para comprometerse. A otros les encantaría ver el talento agregado a sus equipos, pero su gestión de proyectos se centra principalmente en los resultados técnicos, no en los de negocios.
Toda esta exposición está destinada a crear empatía entre los miembros del equipo con talentos diferentes. La empatía a su vez crea confianza, una base necesaria para un trabajo en equipo efectivo. Colson recuerda un momento en que usó el talento para contar historias para ayudar a explicar algo que surgió del análisis de datos: “Recuerdo que hice una presentación sobre un problema de comercialización, en el que pensé que lo estábamos abordando de manera incorrecta. Tuve que lograr que la comercialización comprara ”. En lugar de explicar la distribución binomial beta y otros conceptos estadísticos para reforzar su punto de vista, contó una historia sobre alguien que sacaba las bolas de una urna y lo que sucedió con el tiempo al número y tipo de Bolas en la urna. "A la gente le encantó", dice. "Viste la habitación y cómo se conectó con ellos y les diste confianza para que en ese momento las matemáticas detrás de ella ni siquiera fueran necesarias para explicar. Confiaron en nosotros ".
4. Estructurar proyectos en torno a talentos.
Con una cartera de talentos en su lugar, es hora de usarla para lograr sus objetivos. La naturaleza cambiante de qué talentos se necesitan y cuándo puede hacer que los proyectos sean difíciles de manejar. Las sólidas habilidades de gestión de proyectos y la experiencia en metodologías ágiles ayudarán en la planificación de la configuración y la reconfiguración de talentos, la asignación de recursos según sea necesario y la prevención de que los programas no abrumen ninguna parte del proceso.
Poniendolo todo junto
Querrás dar otros pasos para que tus proyectos tengan éxito:
Asignar un único actor empoderado.
Es posible, o incluso probable, que no todas las personas cuyos talentos necesita se informen al gerente del equipo de ciencia de datos. El talento del diseño puede informar al marketing; Los expertos en la materia pueden ser ejecutivos que informen al CEO. Sin embargo, es importante otorgar al equipo el mayor poder de decisión posible. Las partes interesadas serán con mayor frecuencia personas con experiencia comercial que estén estrechamente relacionadas o sean responsables de los objetivos comerciales; El objetivo del trabajo, después de todo, es obtener mejores resultados de negocio. Esas personas pueden crear objetivos e incentivos compartidos para el equipo. Idealmente, puede evitar la trampa de la responsabilidad sin autoridad, en la cual el equipo trata con varias partes interesadas que pueden no estar todas alineadas.
Quién dirija y quién apoyará dependerá de qué tipo de proyecto sea y en qué fase se encuentre. Por ejemplo, en un proyecto profundamente exploratorio, en el que se procesan y visualizan grandes volúmenes de datos solo para encontrar patrones, análisis de datos y análisis. el líder, con el apoyo de la experiencia del sujeto; El talento de diseño no puede participar en absoluto, ya que no se requiere comunicación externa. A la inversa, para preparar un informe para la junta sobre la evidencia de un ajuste de estrategia recomendado, narración y liderazgo de diseño con el apoyo del talento de datos.
Colocate
Haga que todos los miembros del equipo trabajen en el mismo espacio físico durante un proyecto. También configura un espacio virtual compartido para la comunicación y la colaboración. Sería indeseable tener personas con talento para el diseño y la narración usando un canal Slack mientras que el equipo técnico está utilizando GitHub y los expertos en negocios están colaborando por correo electrónico. Use técnicas de "análisis pareado", donde los miembros del equipo se sientan literalmente uno al lado del otro y trabajan en una pantalla en un proceso iterativo similar al scrum. Pueden ser personas con problemas de análisis y análisis de datos, refinando modelos de datos y probando hipótesis, o un par con experiencia en el tema y habilidad narrativa que trabajan juntos para pulir una presentación, recurriendo al diseño cuando tienen que adaptar un gráfico.
Que sea un verdadero equipo.
El concepto crucial en la colocación es que se trata de un equipo capacitado. En Stitch Fix "nuestra regla no es la entrega", dice Colson. "No queremos tener que coordinar a tres personas en todos los departamentos". Con este fin, se ha convertido en una prioridad garantizar que sus equipos tengan todas las habilidades que necesitan para lograr sus objetivos con un apoyo externo limitado. También trata de contratar personas que muchos considerarían generalistas que cruzan la brecha entre la tecnología y la comunicación. Aumenta este modelo con retroalimentación regular para, por ejemplo, una persona de datos que necesita ayuda con la narración, o un experto en temas que necesita comprender algún principio estadístico.
Reutilización y plantilla.
Colson también creó un "equipo de IU de algo". Piense en esto como un grupo de personas que combinan sus talentos de diseño y sus talentos de disputación de datos para crear conjuntos de códigos reutilizables para producir un buen intercambio de datos para los equipos de proyecto. Estas plantillas son invaluables para que un equipo funcione de manera eficiente. Las conversaciones que un diseñador de información, por ejemplo, tendría con un analista de datos sobre las mejores prácticas en visualización se vuelven rígidas en las herramientas. Graham MacDonald, el científico jefe de datos en el Instituto Urbano, ha fomentado con éxito este tipo de cooperación en la plantilla. Su grupo produce datos por condado para muchos condados de los Estados Unidos. Al reunir los datos y la experiencia de los sujetos para entender las necesidades de comunicación, el grupo creó una plantilla reutilizable que podría personalizar la salida para cualquier condado en particular. Tal resultado hubiera sido difícil sin la integración de esos talentos en el equipo.
CONCLUSIÓN
La presentación de la ciencia de datos al público lego, la última milla, no ha evolucionado tan rápido ni tan plenamente como la parte técnica de la ciencia. Debe ponerse al día, y eso significa repensar cómo se organizan los equipos de ciencia de datos, cómo se administran y quiénes participan en cada punto del proceso, desde el primer flujo de datos hasta el cuadro final que se muestra al tablero. Hasta que las empresas puedan atravesar con éxito esa última milla, los equipos de ciencia de datos no realizarán el suministro. Proporcionarán, en palabras de Willard Brinton, fundaciones sin catedrales.
Una versión de este artículo apareció en el número de enero a febrero de 2019 (pp. 126–137) de Harvard Business Review.
Scott Berinato es editor senior de Harvard Business Review y autor de Good Charts Workbook: Herramientas de consejos, y Ejercicios para mejorar las visualizaciones de datos y Good Charts: La guía de HBR para hacer visualizaciones de datos más inteligentes y persuasivas.
Analítica
Harvard Business Review
La ciencia de los datos está creciendo rápidamente. En los últimos cinco años, las empresas han invertido miles de millones para que los científicos de datos con más talento puedan instalarse, acumular zettabytes de material y ejecutarlos a través de sus máquinas de deducción para encontrar señales en el insondable volumen de ruido. Está funcionando, hasta cierto punto. Los datos han comenzado a cambiar nuestra relación con campos tan variados como la traducción de idiomas, el comercio minorista, la atención médica y el baloncesto.
Pero a pesar de las historias de éxito, muchas empresas no obtienen el valor que podrían obtener de la ciencia de datos. Incluso las operaciones bien dirigidas que generan un análisis sólido no logran capitalizar sus conocimientos. Los esfuerzos se quedan cortos en la última milla, cuando llega el momento de explicar las cosas a los tomadores de decisiones.
En una pregunta sobre la encuesta de científicos de datos de Kaggle en 2017, a la que respondieron más de 7,000 personas, cuatro de las siete "barreras enfrentadas en el trabajo" se relacionaron con problemas de la última milla, no con problemas técnicos: "falta de apoyo administrativo / financiero, "Falta de preguntas claras para responder", "resultados no utilizados por los tomadores de decisiones" y "explicación de la ciencia de datos a otros". Esos resultados son consistentes con lo que el científico de datos Hugo Bowne-Anderson encontró entrevistando a 35 científicos de datos para su podcast; como escribió en un artículo de 2018 HBR.org, "La gran mayoría de mis invitados me dicen [a mí] que las habilidades clave para los científicos de datos son ... las habilidades para aprender sobre la marcha y comunicarse bien para responder preguntas de negocios". explicando los resultados complejos a los interesados no técnicos".
En mi trabajo dando conferencias y consultando con grandes organizaciones sobre visualización de datos (dataviz) y presentaciones persuasivas, escucho a científicos y ejecutivos de datos descargar su frustración. Los equipos de datos saben que cuentan con información valiosa pero no pueden venderlos. Dicen que los tomadores de decisiones malinterpretan o simplifican demasiado su análisis y esperan que hagan magia, para proporcionar las respuestas correctas a todas sus preguntas. Mientras tanto, los ejecutivos se quejan de cuánto dinero invierten en operaciones de ciencia de datos que no proporcionan la orientación que esperaban. No ven resultados tangibles porque los resultados no se comunican en su idioma.
Las brechas entre los tipos de negocios y de tecnología no son nuevas, pero esta división es más profunda. Considere que hace 105 años, antes de la codificación y las computadoras, Willard Brinton comenzó su libro histórico Métodos gráficos para presentar hechos describiendo el problema de la última milla: "Una y otra vez sucede que algún miembro ignorante o presuntuoso de un comité o junta directiva trastornará el plan cuidadosamente pensado de un hombre que conoce los hechos, simplemente porque el hombre con los hechos no puede presentar sus hechos lo suficientemente rápido como para vencer a la oposición ... Como la catedral está en sus cimientos, así es una presentación efectiva de los hechos. a los datos".
Los ejecutivos se quejan de que la ciencia de los datos no proporciona la orientación que esperaban.
¿Cómo podría esta canción seguir siendo la misma durante más de un siglo? Como cualquier otra cosa tan arraigada, los orígenes del problema de la última milla son múltiples. Por un lado, las herramientas utilizadas para hacer la ciencia incluyen la funcionalidad de visualización. Esto fomenta la noción de que es responsabilidad de la persona de datos ser el comunicador. La salida predeterminada de estas herramientas no puede coincidir con un diseño de datos bien concebido y totalmente diseñado; su visualización a menudo no está tan desarrollada como su manipulación de datos, y las personas que usan las herramientas a menudo no quieren hacer la comunicación. Muchos científicos de datos me han dicho que desconfían de la visualización, ya que puede acallar su trabajo y alentar a los ejecutivos a sacar conclusiones que desmienten el matiz y la incertidumbre inherentes a cualquier análisis científico. Pero en la prisa por capturar a los científicos de datos más solicitados, las organizaciones han estado contratando a las personas más técnicamente orientadas que pueden encontrar, ignorando su capacidad o deseo (o falta de ellos) para comunicarse con un público lego.
Eso estaría bien si esas organizaciones también contrataran a otras personas para cerrar la brecha, pero no lo hacen. Todavía esperan que los científicos de datos disputen los datos, los analicen en el contexto de conocer el negocio y su estrategia, hagan gráficos y los presenten a un público no especializado. Eso es irrazonable.
Eso es unicornio.
Para comenzar a resolver el problema de la última milla, las empresas deben dejar de buscar unicornios y repensar qué tipo de talento conforma una operación de ciencia de datos. Este artículo propone una forma para aquellos que no están aprovechando al máximo sus operaciones para liberar a los científicos de datos de expectativas no razonables e introducir nuevos tipos de trabajadores a la mezcla. Se basa en equipos interdisciplinarios compuestos por miembros con diferentes talentos que trabajan en estrecha proximidad. La empatía, desarrollada a través de la exposición al trabajo de otros, facilita la colaboración entre los tipos de talento. El trabajo ya no se pasa entre grupos; Se comparte entre ellos.
Un enfoque de equipo, apenas nuevo, pero recientemente aplicado, puede obtener operaciones de ciencia de datos en la última milla, brindando el valor que han creado para la organización.
¿Por qué las cosas son así?
A principios del siglo XX, los pioneros de la administración moderna ejecutaron operaciones sofisticadas para convertir los datos en decisiones a través de la comunicación visual, y lo hicieron con equipos. Fue un esfuerzo interdisciplinario que incluyó operadores de pandillas, organizadores de tarjetas, gerentes y dibujantes (casi siempre eran hombres). Ejemplos de los resultados de esta colaboración son legiones en el libro de Brinton. Las empresas ferroviarias y los grandes fabricantes fueron especialmente expertos, aprendieron las rutas más eficientes para enviar materiales a través de las fábricas, alcanzaron los objetivos de ventas regionales e incluso optimizaron los horarios de vacaciones.
Cómo falla la comunicación
Aprendí en mi trabajo que la mayoría de los líderes reconocen el valor que puede aportar la ciencia, y pocos están satisfechos con la forma en que se está entregando. Algunos científicos de la información se quejan de que los jefes no entienden lo que hacen y no los utilizan. Algunos gerentes se quejan de que los científicos no pueden hacer su trabajo inteligible para una audiencia no especializada.
En general, las historias que escucho siguen uno de estos escenarios. Mira si reconoces alguno de ellos.
La maldición del estadístico
Un científico de datos con algoritmos de vanguardia y grandes datos desarrolla un conjunto de ideas y las presenta a los responsables de la toma de decisiones con gran detalle. Ella cree que su análisis es objetivo e indiscutible. Sus gráficos son "haga clic y viz" con un texto agregado a las diapositivas; en su opinión, el diseño no es algo en lo que los estadísticos serios pasan tiempo. El lenguaje que usa en su presentación no es familiar para sus oyentes, quienes se confunden y se sienten frustrados. Su análisis está en marcha, pero su recomendación no es adoptada.
La fábrica y el capataz
Un actor de negocios quiere impulsar un proyecto de mascotas, pero no tiene datos para respaldar su hipótesis. Le pide al equipo de ciencia de datos que produzca el análisis y los cuadros para su presentación. El equipo sabe que su hipótesis está mal formada y ofrece ideas útiles sobre una mejor manera de abordar el análisis, pero solo quiere gráficos y notas orales. Ocurrirá una de estas dos cosas: su reunión se modificará cuando alguien le pregunte sobre el análisis de datos y no pueda proporcionar respuestas, o su proyecto pasará y luego fracasará porque el análisis no fue correcto.
La Verdad Conveniente
Un diseñador de información de primera categoría está inspirado en algunos análisis de los científicos de datos de la compañía y ofrece su ayuda para crear una presentación hermosa para el tablero, con colores y tipografías de marca e historias atractivas y de fácil acceso. Pero los científicos se ponen nerviosos cuando los ejecutivos comienzan a extraer ideas erróneas del análisis. Los gráficos claros y simples hacen que ciertas relaciones parezcan causa y efecto directo cuando no lo son, y eliminan cualquier incertidumbre que sea inherente al análisis. Los científicos se encuentran en un dilema: finalmente, los principales responsables de la toma de decisiones están entusiasmados con su trabajo, pero lo que les entusiasma no es una buena representación del mismo.
El enfoque de equipo persistió durante la mayor parte del siglo. En su libro Practical Charting Techniques de 1969, Mary Eleanor Spear detalla el equipo ideal: un comunicador, un analista gráfico y un dibujante (todavía en su mayoría hombres), y sus responsabilidades. "Es recomendable", escribe Spear, "que [los tres] colaboren".
En la década de 1970 las cosas empezaron a dividirse. Los científicos se reunieron con la nueva tecnología que les permitió visualizar datos en el mismo espacio (un programa de computadora) donde los manipularon. Las imágenes eran rudimentarias pero estaban disponibles rápidamente y no requerían ayuda de nadie más. Se abrió una grieta en el mundo de dataviz entre la visualización por computadora y la visualización por diseño más clásica producida por los dibujantes (finalmente).
Chart Wizard, la innovación de Microsoft en Excel, introdujo "click and viz" para el resto de nosotros, rompiendo totalmente los dos mundos. De repente, cualquiera podía crear instantáneamente un gráfico junto con variaciones excesivas en él que hicieran barras tridimensionales o convirtieran una tarta en una dona. La profundidad de este cambio no puede ser exagerada. Ayudó a hacer de las cartas una lengua franca para los negocios. Alimentó el uso de los datos en las operaciones y, finalmente, permitió que existiera la ciencia de los datos, porque superó el límite bajo de la cantidad de datos que los diseñadores humanos pueden procesar en comunicación visual. Más crucialmente, cambió la estructura del trabajo. Los diseñadores, dibujantes, fueron devaluados y eventualmente se quedaron fuera del análisis de datos. La visualización se convirtió en el trabajo de quienes administraban los datos, la mayoría de los cuales no estaban capacitados para visualizar ni estaban dispuestos a aprender. La velocidad y la conveniencia de pegar un gráfico de Chart Wizard en una presentación prevaleció sobre las visuales más lentas, más intensivas en recursos, impulsadas por el diseño, incluso si estas últimas fueran demostrablemente más eficaces.
Con el advenimiento de la ciencia de datos, las expectativas puestas en los científicos de datos han permanecido iguales: haga el trabajo y comuníquelo, incluso cuando las habilidades necesarias se han ampliado para incluir codificación, estadísticas y modelos algorítmicos. De hecho, en el artículo histórico de HBR de 2012 sobre el científico de datos como el trabajo más sexy del siglo XXI, el papel se describe en términos explícitamente unicornios: “¿Qué habilidades hacen que un científico de datos tenga éxito? Piense en él o ella como un híbrido de hacker de datos, analista, comunicador y asesor de confianza. La combinación es extremadamente poderosa y rara".
Una rara combinación de habilidades para los trabajos más buscados significa que muchas organizaciones no podrán reclutar el talento que necesitan. Tendrán que buscar otra forma de triunfar. La mejor manera es cambiar el conjunto de habilidades que esperan que tengan los científicos de datos y reconstruir los equipos con una combinación de talentos.
Construyendo una mejor operación de Data Science
Una operación de datos efectiva basada en el trabajo en equipo puede ser tomada de Brinton y Spear, pero explicará el contexto moderno, incluido el volumen de datos que se procesan, la automatización de los sistemas y los avances en las técnicas de visualización. También contará con una amplia gama de tipos de proyectos, desde el informe razonablemente simple de datos analíticos estándar (por ejemplo, resultados financieros) hasta los esfuerzos de big data más sofisticados que utilizan algoritmos de aprendizaje automático de vanguardia.
Aquí hay cuatro pasos para crear uno:
1. Define talentos, no miembros del equipo.
Puede parecer natural que el primer paso hacia el desmantelamiento del pensamiento unicornio es asignar a varias personas los roles que el científico de datos "perfecto" ahora desempeña: manipulador de datos, analista de datos, diseñador y comunicador.
No exactamente. En lugar de asignar roles a personas, defina los talentos que necesita para tener éxito. Un talento no es una persona; Es una habilidad que una o más personas poseen. Una persona puede tener varios talentos; Tres personas pueden ser capaces de manejar cinco talentos. Es una distinción sutil pero importante para mantener a los equipos lo suficientemente ágiles como para configurar y reconfigurar durante las distintas etapas de un proyecto. (Volveremos a esto.)
La lista de talentos de cualquier compañía variará, pero un buen conjunto de núcleo incluye estos seis:
Gestión de proyectos. Debido a que su equipo será ágil y cambiará de acuerdo con el tipo de proyecto y su avance, un PM sólido que utilice alguna metodología similar a un scrum se ejecutará en cada faceta de la operación. Un buen gerente de proyecto tendrá una gran capacidad organizativa y una gran capacidad diplomática, lo que ayudará a superar las brechas culturales al reunir talentos diferentes en las reuniones y lograr que todos los miembros del equipo hablen el mismo idioma.
La disputa de datos. Las habilidades que componen este talento incluyen sistemas de construcción; búsqueda, limpieza y estructuración de datos; y creando y manteniendo algoritmos y otros motores estadísticos. Las personas con talento para negociar buscarán oportunidades para simplificar las operaciones, por ejemplo, mediante la creación de procesos repetibles para múltiples proyectos y plantillas para obtener resultados visuales sólidos y predecibles que impulsarán el proceso de diseño de la información.
Análisis de los datos. La capacidad de establecer hipótesis y probarlas, encontrar un significado en los datos y aplicar eso a un contexto empresarial específico es crucial y, sorprendentemente, no está tan bien representada en muchas operaciones de ciencia de datos como podría pensarse. Algunas organizaciones son pesadas con los wranglers y confían en ellas para hacer el análisis también. Pero un buen análisis de datos está separado de la codificación y las matemáticas. A menudo, este talento surge no de la informática sino de las artes liberales. La compañía de software Tableau clasificó la infusión de las artes liberales en el análisis de datos como una de las tendencias más importantes en análisis en 2018. El pensamiento crítico, la configuración del contexto y otros aspectos del aprendizaje en humanidades también son habilidades básicas para el análisis, los datos o cualquier otra cosa. . En una conferencia en línea sobre el tema, el científico de investigación de Tableau, Michael Correll, explicó por qué cree que infundir la ciencia de los datos con las artes liberales es crucial. "Es imposible considerar los datos divorciados de las personas", dice. “Las artes liberales son buenas para ayudarnos a intervenir y ver el contexto. Hace que las personas sean visibles de una manera que quizás no estén en la tecnología".
Experiencia del sujeto. Es hora de retirar el tropiezo de que los equipos de ciencia de datos están atrapados en el sótano para hacer su trabajo arcano y emerger solo cuando el negocio necesita algo de ellos. La ciencia de datos no debe considerarse como una unidad de servicio; Debería tener talento directivo en el equipo. Las personas con conocimiento del negocio y la estrategia informarán el diseño del proyecto y el análisis de datos y mantendrán al equipo enfocado en los resultados del negocio, no solo en la construcción de los mejores modelos estadísticos. Joaquín Candela, quien administra el aprendizaje automático aplicado en Facebook, ha trabajado arduamente para enfocar a su equipo en los resultados de negocios y para recompensar las decisiones que favorecen esos resultados sobre la mejora de la ciencia de datos.
Diseño. Este talento es ampliamente mal entendido. Un buen diseño no es solo elegir colores y fuentes o crear una estética para los gráficos. Eso es estilo, parte del diseño, pero de ninguna manera la parte más importante. Más bien, las personas con talento para el diseño desarrollan y ejecutan sistemas para una comunicación visual efectiva. En nuestro contexto, entienden cómo crear y editar imágenes para enfocar a una audiencia y extraer ideas. El talento en diseño de información, que hace hincapié en comprender y manipular la visualización de datos, es ideal para un equipo de ciencia de datos.
Cuentacuentos. La narrativa es un artilugio humano extremadamente poderoso y uno de los más infrautilizados en la ciencia de datos. La capacidad de presentar información sobre los datos como una historia, más que nada, ayudará a cerrar la brecha de comunicación entre los algoritmos y los ejecutivos. "Contar historias con datos", una frase de moda cansada, es ampliamente mal entendida, sin embargo. No se trata de convertir a los presentadores en Stephen Kings o Tom Clancys. Más bien, se trata de comprender la estructura y los mecanismos de la narrativa y aplicarlos a la información y las presentaciones.
2. Contratar para crear una cartera de talentos necesarios.
Una vez que haya identificado los talentos que necesita, libere su reclutamiento de la idea de que estos son roles que debe contratar para completar. En su lugar, enfócate en asegurarte de que estos talentos estén disponibles en el equipo. Algunos de ellos, naturalmente, tienden a ir juntos: el diseño y la narración de cuentos, por ejemplo, o la disputa de datos y el análisis de datos, pueden existir en una sola persona.
A veces el talento no se encuentra en los empleados sino en los contratistas. Para mi trabajo, mantengo un gabinete de cocina de personas que tienen talento en áreas donde estoy débil. Es posible que desee contratar a una empresa de diseño de información, o contratar a algunos encargados de la preparación de datos para limpiar y estructurar nuevos flujos de datos.
Pensar en los talentos como algo separado de las personas ayudará a las compañías a abordar el problema de la última milla, ya que las liberará de intentar encontrar a la persona que puede hacer ciencia de la información y comunicarla. Atrapar a algunas personas que tienen habilidades de diseño superiores liberará a los científicos de datos para que se centren en sus puntos fuertes. También abrirá la puerta a las personas que anteriormente podrían haber sido ignoradas. Un codificador promedio que también tenga buenas habilidades de diseño, por ejemplo, podría ser muy útil.
Randal Olson, el científico de datos líder de Life Epigenetics y curador del canal de Reddit Data Is Beautiful (dedicado a compartir y discutir buenos datos), se centró únicamente en qué tan bien alguien hizo la parte técnica de la ciencia de datos. "Lo sé, cuando empecé, no tenía ninguna apreciación por la parte de la comunicación", dice. "Creo que eso es común". Ahora, en algunos casos, ha cambiado el proceso de contratación. "Ya sabes, entran y comenzamos de inmediato con los modelos de pizarra blanca y las matemáticas", dice. "Se trata de científicos de datos que hablan con científicos de datos. Ahora a veces traeré a una persona no técnica y le diré al candidato, 'Explique este modelo a esta persona' ".
3. Exponer a los miembros del equipo a talentos que no tienen.
La superación de los choques culturales comienza con la comprensión de las experiencias de los demás. El talento de diseño a menudo no tiene exposición a estadísticas o algoritmos. Se centra en el refinamiento estético, la simplicidad, la claridad y la narrativa. La profundidad y complejidad de los datos.
La superación de los choques culturales comienza con la comprensión de las experiencias de los demás. El talento de diseño a menudo no tiene exposición a estadísticas o algoritmos. Se centra en el refinamiento estético, la simplicidad, la claridad y la narrativa. La profundidad y complejidad del trabajo de datos es difícil de conciliar para los diseñadores. Los científicos de datos de núcleo duro, en contraste, valoran la objetividad, el rigor estadístico y la exhaustividad; La parte de la comunicación no solo es extraña para ellos, sino también una distracción. "Va en contra de su ética", dice un gerente de una operación de ciencia de datos en una gran empresa de tecnología. "Yo era igual, trabajando en ciencia de datos durante 10 años, pero fue sorprendente para mí cuando tuve que formar un equipo". Vi que si aprendiéramos un poco más sobre la parte de la comunicación, podríamos defender mucho más para el negocio ".
Hay muchas maneras de exponer a los miembros del equipo al valor de los talentos de los demás. Los diseñadores deben aprender algunas estadísticas básicas (tomar un curso introductorio, por ejemplo), mientras que los científicos de datos aprenden los principios básicos de diseño. Tampoco deben convertirse en expertos en el campo de sus contrapartes, solo necesitan aprender lo suficiente para apreciarse mutuamente.
Stand-ups y otras reuniones siempre deben incluir una mezcla de talentos. Un scrum stand-up orientado principalmente a la actualización del progreso de la tecnología aún puede incluir un comercializador que haga presentaciones, como sucede en la compañía de Olson. Los expertos en la materia deberían aportar talento para el análisis y la discusión de datos a las reuniones de estrategia. Las sesiones especiales en las que las partes interesadas responden preguntas del equipo de datos y viceversa también ayudan a cerrar la brecha. El jefe de algoritmos de Stitch Fix, Eric Colson (que es algo parecido a un unicornio, tiene tanto talento estadístico como de comunicación en una empresa donde la ciencia de los datos es intrínseca), pide a los miembros de su equipo que hagan presentaciones de un minuto a audiencias no técnicas, lo que obliga Para enmarcar problemas de manera inteligente que todos puedan entender. "Hasta el día de hoy", dice Colson, "si dices" cocos "aquí, la gente sabrá que fue parte de una metáfora que una persona usó para describir un problema estadístico particular que estaba abordando. Nos enfocamos en encuadrarlo de manera que todos entiendan porque la empresa no hará lo que no entiende ”. Otro gerente de un equipo de ciencia de datos creó un glosario de términos utilizados por talento técnico y talento de diseño para ayudar a los empleados a familiarizarse con uno el lenguaje de otro.
Si su organización contiene algunas de esas personas raras que, como Colson, tienen tanto talentos de datos como de comunicación y talentos de diseño, es útil que sean mentores entre ellos. Las personas que expresan interés en desarrollar talentos que no tienen, pero que usted necesita, deben ser alentadas, incluso si esas fortalezas (por ejemplo, habilidades de diseño) están muy lejos de las que ya tienen (disputa de datos). De hecho, en mis talleres escucho a científicos de datos a los que les encantaría desarrollar su talento para el diseño o la narración, pero no tienen tiempo para comprometerse. A otros les encantaría ver el talento agregado a sus equipos, pero su gestión de proyectos se centra principalmente en los resultados técnicos, no en los de negocios.
Toda esta exposición está destinada a crear empatía entre los miembros del equipo con talentos diferentes. La empatía a su vez crea confianza, una base necesaria para un trabajo en equipo efectivo. Colson recuerda un momento en que usó el talento para contar historias para ayudar a explicar algo que surgió del análisis de datos: “Recuerdo que hice una presentación sobre un problema de comercialización, en el que pensé que lo estábamos abordando de manera incorrecta. Tuve que lograr que la comercialización comprara ”. En lugar de explicar la distribución binomial beta y otros conceptos estadísticos para reforzar su punto de vista, contó una historia sobre alguien que sacaba las bolas de una urna y lo que sucedió con el tiempo al número y tipo de Bolas en la urna. "A la gente le encantó", dice. "Viste la habitación y cómo se conectó con ellos y les diste confianza para que en ese momento las matemáticas detrás de ella ni siquiera fueran necesarias para explicar. Confiaron en nosotros ".
4. Estructurar proyectos en torno a talentos.
Con una cartera de talentos en su lugar, es hora de usarla para lograr sus objetivos. La naturaleza cambiante de qué talentos se necesitan y cuándo puede hacer que los proyectos sean difíciles de manejar. Las sólidas habilidades de gestión de proyectos y la experiencia en metodologías ágiles ayudarán en la planificación de la configuración y la reconfiguración de talentos, la asignación de recursos según sea necesario y la prevención de que los programas no abrumen ninguna parte del proceso.
Poniendolo todo junto
Querrás dar otros pasos para que tus proyectos tengan éxito:
Asignar un único actor empoderado.
Es posible, o incluso probable, que no todas las personas cuyos talentos necesita se informen al gerente del equipo de ciencia de datos. El talento del diseño puede informar al marketing; Los expertos en la materia pueden ser ejecutivos que informen al CEO. Sin embargo, es importante otorgar al equipo el mayor poder de decisión posible. Las partes interesadas serán con mayor frecuencia personas con experiencia comercial que estén estrechamente relacionadas o sean responsables de los objetivos comerciales; El objetivo del trabajo, después de todo, es obtener mejores resultados de negocio. Esas personas pueden crear objetivos e incentivos compartidos para el equipo. Idealmente, puede evitar la trampa de la responsabilidad sin autoridad, en la cual el equipo trata con varias partes interesadas que pueden no estar todas alineadas.
- Los científicos de datos encuentran que comunicar su trabajo no solo es extraño, sino que también distrae.
Quién dirija y quién apoyará dependerá de qué tipo de proyecto sea y en qué fase se encuentre. Por ejemplo, en un proyecto profundamente exploratorio, en el que se procesan y visualizan grandes volúmenes de datos solo para encontrar patrones, análisis de datos y análisis. el líder, con el apoyo de la experiencia del sujeto; El talento de diseño no puede participar en absoluto, ya que no se requiere comunicación externa. A la inversa, para preparar un informe para la junta sobre la evidencia de un ajuste de estrategia recomendado, narración y liderazgo de diseño con el apoyo del talento de datos.
Colocate
Haga que todos los miembros del equipo trabajen en el mismo espacio físico durante un proyecto. También configura un espacio virtual compartido para la comunicación y la colaboración. Sería indeseable tener personas con talento para el diseño y la narración usando un canal Slack mientras que el equipo técnico está utilizando GitHub y los expertos en negocios están colaborando por correo electrónico. Use técnicas de "análisis pareado", donde los miembros del equipo se sientan literalmente uno al lado del otro y trabajan en una pantalla en un proceso iterativo similar al scrum. Pueden ser personas con problemas de análisis y análisis de datos, refinando modelos de datos y probando hipótesis, o un par con experiencia en el tema y habilidad narrativa que trabajan juntos para pulir una presentación, recurriendo al diseño cuando tienen que adaptar un gráfico.
Que sea un verdadero equipo.
El concepto crucial en la colocación es que se trata de un equipo capacitado. En Stitch Fix "nuestra regla no es la entrega", dice Colson. "No queremos tener que coordinar a tres personas en todos los departamentos". Con este fin, se ha convertido en una prioridad garantizar que sus equipos tengan todas las habilidades que necesitan para lograr sus objetivos con un apoyo externo limitado. También trata de contratar personas que muchos considerarían generalistas que cruzan la brecha entre la tecnología y la comunicación. Aumenta este modelo con retroalimentación regular para, por ejemplo, una persona de datos que necesita ayuda con la narración, o un experto en temas que necesita comprender algún principio estadístico.
Reutilización y plantilla.
Colson también creó un "equipo de IU de algo". Piense en esto como un grupo de personas que combinan sus talentos de diseño y sus talentos de disputación de datos para crear conjuntos de códigos reutilizables para producir un buen intercambio de datos para los equipos de proyecto. Estas plantillas son invaluables para que un equipo funcione de manera eficiente. Las conversaciones que un diseñador de información, por ejemplo, tendría con un analista de datos sobre las mejores prácticas en visualización se vuelven rígidas en las herramientas. Graham MacDonald, el científico jefe de datos en el Instituto Urbano, ha fomentado con éxito este tipo de cooperación en la plantilla. Su grupo produce datos por condado para muchos condados de los Estados Unidos. Al reunir los datos y la experiencia de los sujetos para entender las necesidades de comunicación, el grupo creó una plantilla reutilizable que podría personalizar la salida para cualquier condado en particular. Tal resultado hubiera sido difícil sin la integración de esos talentos en el equipo.
CONCLUSIÓN
La presentación de la ciencia de datos al público lego, la última milla, no ha evolucionado tan rápido ni tan plenamente como la parte técnica de la ciencia. Debe ponerse al día, y eso significa repensar cómo se organizan los equipos de ciencia de datos, cómo se administran y quiénes participan en cada punto del proceso, desde el primer flujo de datos hasta el cuadro final que se muestra al tablero. Hasta que las empresas puedan atravesar con éxito esa última milla, los equipos de ciencia de datos no realizarán el suministro. Proporcionarán, en palabras de Willard Brinton, fundaciones sin catedrales.
Una versión de este artículo apareció en el número de enero a febrero de 2019 (pp. 126–137) de Harvard Business Review.
Scott Berinato es editor senior de Harvard Business Review y autor de Good Charts Workbook: Herramientas de consejos, y Ejercicios para mejorar las visualizaciones de datos y Good Charts: La guía de HBR para hacer visualizaciones de datos más inteligentes y persuasivas.
No hay comentarios:
Publicar un comentario