Inom data science handlar skillnaden inte bara om valet av en modell. Den avgörs ofta av något mer prosaiskt (och mer avgörande): hur man arbetar tillsammans. Inom konsultbranschen är teamen utspridda, kundkontexterna varierar, och expertisen riskerar snabbt att stanna “i huvudet” på individer. Maëva Merlet, practice leader inom Data Science på Astek, inom CRO:n Alsinova, har satt upp ett enkelt mål: att omvandla individuell expertis till en kollektiv dynamik för att utvecklas snabbare och leverera mer robusta resultat.
Den osynliga utmaningen i konsulting: isolering
Det är en vanlig paradox: konsulter anlitas ofta för att lösa komplexa problem, men de gör det ibland i miljöer där dagligt tekniskt kunskapsutbyte är sällsynt. Uppdrag hos kund, mycket olika kontexter, varierande verktyg… och i slutändan en enkel verklighet: man kan snabbt hamna ensam inför ett metodval, ett avvägande eller en osäkerhet kring en hypotes.
Maëva observerade detta tidigt: när alla arbetar var för sig förlorar man tid på att återuppfinna det som redan finns, och man drar mindre nytta av kollektivets erfarenhet. Omvänt, när kompetenser flödar mellan individer blir organisationen snabbare… och mer tillförlitlig.
“Att låta expertisen cirkulera”: logiken bakom en practice
På Alsinova (Astek-gruppen) ger en strukturering i form av en practice ett ramverk för denna ambition: att kartlägga kompetenser, koppla samman expertiser och etablera rutiner för kunskapsdelning. Maëva, som länge har arbetat i tekniskt krävande miljöer, ser denna organisation som ett sätt att säkra kvaliteten: färre silos, fler standarder och större konsekvens.
Hennes roll idag går bortom traditionellt chefsansvar: det handlar om att identifiera vad varje person kan, vad de vill fördjupa sig i, och hur man kopplar samman rätt personer vid rätt tidpunkt för att lösa ett problem, utveckla kompetens eller ifrågasätta en metod.
De konkreta mekanismerna i en data science-community
En community kan inte bara beslutas fram. Den byggs upp genom enkla, regelbundna och användbara mekanismer. Maëva betonar några mycket konkreta hävstänger:
Kartläggning av expertis
Att veta “vem som kan vad”: metoder, verktyg (R/Python), datatyper, industrialisering, visualisering, experimentering… Målet är inte att “klassificera”, utan att underlätta samarbete och kunskapsdelning.
Tekniska ritualer
Återkommande möten där en person presenterar ett ämne: erfarenhetsåterkoppling från ett projekt, metodfokus, omvärldsbevakning kring ett paket, best practices för kod osv. Detta format lyfter fram konsulter och sprider gemensamma arbetssätt.
Kanaler för stöd och hjälp
Ett utrymme där man kan be om råd, dela ett problem eller rekommendera en metod. Ofta räcker en riktad diskussion mellan kollegor för att spara tid och undvika misstag.
Att anpassa sig till kunden samtidigt som man föreslår bättre lösningar
I de flesta uppdrag är arbetsramen först och främst kundens: dess processer, krav och verktyg. Parallellt lutar sig teamen på Alsinova mot en intern grund för att säkra kvalitet och skapa konsekvens. Men framför allt handlar det om att vara drivande: att ta fram metodblad, cheat sheets och erfarenhetsåterkopplingar som gör det möjligt att förbättra det befintliga utan att störa den etablerade organisationen.
“Idén är att expertisen inte ska stanna i huvudet på en enda person. När den cirkulerar vinner alla: konsulterna, kunderna och den övergripande kvaliteten.”
Kvalitet som kultur: varför Maëva insisterar på robusthet
Denna besatthet av robusthet kommer inte ur tomma intet. Maëva har arbetat i miljöer där statistik inte bara används för att “analysera”, utan för att fatta beslut under begränsningar. I branscher med höga krav lär man sig snabbt att ett resultat måste vara:
- försvarbart (uttalade antaganden),
- reproducerbart (tydliga processer),
- begripligt (anpassad presentation),
- användbart (kopplat till ett beslut).
Även när hon byter sektor (från flygindustrin till hälsa/läkemedel) behåller hon detta arbetssätt: en analys värderas inte bara efter sin tekniska nivå, utan efter sin förmåga att förklaras, överföras och återanvändas.
Det är också därför communityn är viktig: den gör det möjligt att dela standarder (kodgranskning, dokumentation, validering) och att göra kvalitet mindre beroende av en enskild individ.
AI och utveckling: att spara tid… för att bättre kunna verifiera
Ett annat ämne som Maëva driver är användningen av AI-assistenter inom utveckling. Hennes synsätt är pragmatiskt: statistiker är också utvecklare, och en del av arbetet kan vara repetitivt (strukturering av skript, refaktorisering, dokumentation).
Målet är inte att “ersätta” expertisen, utan att omfördela tiden: mindre tid på mekanik, mer tid på det som verkligen gör skillnad:
- verifiering och tester,
- kritisk granskning,
- arkitektur,
- bästa praxis,
- leveranskvalitet
Med andra ord: snabbare, ja – men framför allt bättre leveranser.
Vad detta förändrar för konsulterna
En välfungerande data science-community ger mycket tydliga effekter för teamen:
- man utvecklas snabbare eftersom man lär av andra,
- man känner sig mindre ensam,
- expertis blir synlig och erkänd (den delas och värderas),
- man bygger karriärvägar: specialisering, kompetensutveckling, tekniskt ansvarstagande.
För Maëva är detta kärnan i ett arbetsgivarerbjudande: att ge en miljö där man kan vara tekniskt spetsig samtidigt som man ingår i ett kollektiv som stöttar, utmanar och får en att växa.
Data science: ett yrke med påverkan… och kollektiv kraft
Modellerna spelar roll. Verktygen spelar roll. Men det som i längden gör verklig skillnad är ofta hur intelligensen organiseras: förmågan att koppla samman människor, att kapitalisera på erfarenhet och att etablera en kultur av robusthet, som idag är avgörande i våra team.
Maëva Merlet
Practice leader inom Data Science
