Подумайте об этом: несмотря на всплеск интереса к науке о данных и популярность таких фильмов, как Moneyball, НФЛ и НБА продолжают избегать аналитики. Для кого-то, кто знаком с наукой о данных, потенциальные преимущества для принятия игровых решений и составления списка очевидны. Но не так в нетехнологических отраслях.

Почему? В основном потому, что наука о данных все еще не является широко понимаемым термином. Это сочетание слов вызывает определенное недоумение (и, возможно, страх) у людей, не связанных с STEM. «Данные» и «наука» вызывают в воображении образы сложных задач по математике и естествознанию из средней школы - не из приятных воспоминаний для большинства людей.

Реальную «работу» специалиста по данным также непросто понять. Рассмотрим это определение из Википедии:

«Наука о данных - это междисциплинарная область научных методов, процессов и систем для извлечения знаний или идей из данных в различных формах, как структурированных, так и неструктурированных, подобно обнаружению знаний в базах данных (KDD)».

Большинство людей перестают читать после пятого слова.

И даже если руководитель компании воспользуется мощью науки о данных, большинство сотрудников, скорее всего, будут незнакомы с ее преимуществами. В результате появляются изолированные группы специалистов по анализу данных, рекомендации которых часто игнорируются (из-за несогласованности стимулов) или отклоняются (из-за того, что результатам не доверяют).

Все это означает, что специалисту по данным, который только начинает свою карьеру, вероятно, придется убедить коллег в ценности своего анализа, прежде чем он сможет оказать значительное влияние.

Вот несколько советов, которые помогут вам эффективно работать с окружающими:

Признать существующие структуры ценными данными

Люди обычно не доверяют посторонним, которые «волшебным образом» решат давние проблемы. Лучший способ нейтрализовать это - признать исторический контекст и данные, которые привносят в дело старожилы. Будьте скромны в том, чего может достичь наука о данных, но покажите другие сценарии, в которых подход, основанный на данных, помог достичь аналогичной цели.

Скажите прямо, что вы здесь не для того, чтобы заменять существующие функции.

Одно из распространенных заблуждений, с которыми я сталкиваюсь, - это идея о том, что наука о данных даст единственный ответ, который исключает все другие подходы. Я очень подробно объясняю ограничения науки о данных и сосредотачиваюсь на том, как моя работа может быть дополнением к существующему подходу.

Создавайте общие цели

Люди часто зацикливаются на том, чтобы понять, «как» работает наука о данных, и «почему» это важно. Чтобы не увязнуть в непродуктивных спорах о достоинствах методологии Data Science, я стараюсь сосредоточиться на общих целях, которых мы пытаемся достичь. Я стараюсь сформировать общее понимание того, как инициатива повлияет на команду или прибыль компании, и использую это, чтобы гарантировать поддержку команды.

Не работайте в изолированной команде специалистов по анализу данных.

Многие компании объединят свои группы по обработке и анализу данных в технологический или технический отдел - вдали от бизнес-решений, на которые они обычно должны влиять. Неинтегрированные команды по обработке и анализу данных, вероятно, будут гораздо чаще подвергать сомнению свою ценность. Например, каждый раз, когда команда представляет рекомендации заинтересованным сторонам, они должны объяснять, что они делают, показывать свои прошлые успехи и убеждать людей в их полезности. Но кросс-функциональная команда с одним или двумя специалистами по данным уже знакома с процессом обработки данных и будет лучше подготовлена ​​для выполнения рекомендаций.

Ищите заметные проекты

Это может показаться нелогичным советом молодому специалисту по анализу данных. Однако, продемонстрировав ценность своей работы в проекте с высокими ставками, вы сможете быстро убедить людей выполнить ваши рекомендации. Например, вскоре после того, как я приступил к своей нынешней должности, я создал программу, которая помогала обобщать отчеты об исследованиях с использованием методов машинного обучения. Большинство сотрудников моей компании завалены сотнями исследовательских отчетов. Пройти их все - очень трудоемкий процесс. Моя программа помогла разделить эти отчеты на самые важные компоненты, что в конечном итоге принесло огромную пользу всей компании, и привлекло меня внимание.

В конечном итоге науку о данных необходимо нормализовать для всех отраслей и функций. Мышление в области науки о данных предотвращает предвзятость подтверждения, укрепляет рассуждения и приносит пользу обществу в целом. Хотя конкуренция и открытый рынок помогут ускорить его внедрение, мы все должны внести свой вклад в информирование людей о его ценности.

Springboard готовит вас к будущей карьере с помощью онлайн-курсов под руководством наставников. Ознакомьтесь с нашим бесплатным руководством по поиску работы в Data Science.

Рузвельт Боуман - наставник программ Springboard в области науки о данных.