W dziedzinie nauki o danych różnica nie polega wyłącznie na wyborze modelu. Często zależy ona od czegoś bardziej prozaicznego (i bardziej decydującego): od tego, jak współpracować. W branży konsultingowej zespoły są rozproszone, konteksty klientów zróżnicowane, a wiedza specjalistyczna może szybko pozostać „tylko w głowach”. Maëva Merlet, kierowniczka praktyki Data Science w firmie Astek, wchodzącej w skład CRO Alsinova, postawiła sobie prosty cel: przekształcić indywidualną wiedzę specjalistyczną w dynamikę zespołową, aby osiągać szybszy postęp i dostarczać solidniejsze wyniki.
Niewidzialne wyzwanie w branży konsultingowej: izolacja
To częsty paradoks: konsultanci są często angażowani do rozwiązywania złożonych problemów, ale czasami muszą to robić w środowiskach, w których codzienna wymiana wiedzy technicznej jest rzadkością. Zadania realizowane u klienta, bardzo zróżnicowane konteksty, różnorodne narzędzia… a w końcu prosta rzeczywistość: szybko można znaleźć się sam na sam z wyborem metodologicznym, dylematem lub wątpliwościami co do jakiejś hipotezy.
Maëva już dawno temu zauważyła, że kiedy każdy działa na własną rękę, traci się czas na ponowne wymyślanie tego, co już istnieje, i w mniejszym stopniu wykorzystuje się doświadczenie całej grupy. Natomiast gdy kompetencje są dzielone, organizacja działa szybciej… i pewniej.
„Dzielenie się wiedzą specjalistyczną”: logika praktyczna
W firmie Alsinova (Grupa Astek) podział na praktyki stanowi ramy dla tej ambicji: mapowanie kompetencji, łączenie wiedzy eksperckiej i wprowadzanie nawyków dzielenia się wiedzą. Maëva, która od dawna działa w wymagających środowiskach technicznych, postrzega tę organizację jako sposób na zapewnienie jakości: mniej odizolowanych działów, więcej standardów, większa spójność.
Obecnie jego rola wykracza poza klasyczne nadzory kierownicze: chodzi o to, by ustalić, co każdy potrafi, co chce pogłębić, oraz jak połączyć odpowiednie osoby we właściwym momencie, aby rozwiązać problem, podnieść kompetencje lub poddać w wątpliwość dane podejście.
Konkretne mechanizmy funkcjonowania społeczności zajmującej się nauką o danych
Społeczności nie da się stworzyć dekretem. Buduje się ją za pomocą prostych, regularnych i użytecznych mechanizmów. Maëva kładzie nacisk na kilka bardzo konkretnych czynników:
Mapowanie kompetencji
Dowiedzieć się, „kto co wie”: metody, narzędzia (R/Python), rodzaje danych, wdrażanie na skalę przemysłową, wizualizacja, eksperymentowanie… Celem nie jest „klasyfikowanie”, ale ułatwianie wzajemnej pomocy i rozwoju.
Rytuały techniczne „
” – regularne spotkania, podczas których jedna osoba przedstawia wybrany temat: podsumowanie doświadczeń związanych z projektem, omówienie metodologii, przegląd aktualności dotyczących pakietu, najlepsze praktyki w zakresie kodowania itp. Taki format pozwala docenić wkład konsultantów i promować wspólne podejście.
Kanały wzajemnej pomocy
Miejsce, w którym można poprosić o radę, podzielić się problemem lub zaproponować rozwiązanie. Często konkretna dyskusja między rówieśnikami pozwala zaoszczędzić czas i uniknąć błędów.
Dostosowanie się do potrzeb klienta przy jednoczesnym oferowaniu lepszych rozwiązań
W większości projektów punktem odniesienia są przede wszystkim ramy pracy klienta: jego procesy, wymagania i narzędzia. Jednocześnie zespoły Alsinova opierają się na wewnętrznych standardach, aby zapewnić jakość i spójność działań. Przede wszystkim jednak chodzi o to, by być źródłem nowych pomysłów: tworzyć instrukcje, skrócone przewodniki i podsumowania doświadczeń, które pozwalają ulepszać istniejące rozwiązania bez zakłócania dotychczasowej organizacji pracy.
„Chodzi o to, by wiedza specjalistyczna nie pozostawała wyłącznie w głowie jednej osoby. Gdy jest ona udostępniana, wszyscy na tym zyskują: konsultanci, klienci oraz ogólna jakość”.
Jakość jako część kultury: dlaczego firma Maëva kładzie nacisk na niezawodność
Ta obsesja na punkcie niezawodności nie bierze się znikąd. Maëva miała do czynienia ze środowiskami, w których statystyka służy nie tylko do „analizowania”, ale także do podejmowania decyzji w warunkach ograniczeń. W branżach o wysokiej stawce szybko uczy się, że wynik musi być:
- uzasadnione (wyraźnie sformułowane założenia),
- powtarzalny (przejrzysty proces),
- zrozumiałe (odpowiednie przedstawienie),
- przydatne (związane z decyzją).
Nawet gdy zmienia branżę (z lotniczej na medyczną/farmaceutyczną), zachowuje ten nawyk: analiza ma wartość nie tylko ze względu na swój poziom techniczny, ale także na możliwość jej wyjaśnienia, przekazania i ponownego wykorzystania.
Również z tego powodu społeczność ma znaczenie: pozwala ona na dzielenie się standardami (przegląd kodu, dokumentacja, walidacja) oraz sprawia, że jakość jest w mniejszym stopniu uzależniona od konkretnej osoby.
Sztuczna inteligencja i programowanie: oszczędność czasu… na rzecz dokładniejszej weryfikacji
Kolejny temat, który porusza Maëva, to wykorzystanie asystentów opartych na sztucznej inteligencji w programowaniu. Jej podejście jest pragmatyczne: statystycy są również programistami, a część ich pracy może mieć charakter powtarzalny (tworzenie struktury skryptów, refaktoryzacja, dokumentacja).
Celem nie jest „zastąpienie” wiedzy eksperckiej, ale zmiana podziału czasu: mniej czasu na kwestie techniczne, więcej czasu na to, co ma znaczenie:
- weryfikacja i testy,
- krytyczna lektura,
- architektura,
- dobre praktyki,
- jakość produktu końcowego
Innymi słowy: przyspieszyć – owszem, ale przede wszystkim zapewnić lepszą realizację dostaw.
Co to oznacza dla konsultantów
Aktywna społeczność zajmująca się nauką o danych przynosi bardzo widoczne efekty w pracy zespołów:
- postępujemy szybciej, bo uczymy się od innych,
- czujemy się mniej odizolowani,
- wiedza specjalistyczna jest doceniana (dzielimy się nią, cenią ją),
- tworzymy ścieżki rozwoju: specjalizacja, podnoszenie kwalifikacji, nabywanie umiejętności wypowiadania się w języku fachowym.
Dla Maëvy to sedno obietnicy pracodawcy: zapewnienie środowiska, w którym można rozwijać swoje specjalistyczne umiejętności, będąc jednocześnie częścią zespołu, który wspiera, stawia wyzwania i pomaga się rozwijać.
Nauka o danych – zawód, który ma znaczenie… i opiera się na pracy zespołowej
Modele mają znaczenie. Narzędzia mają znaczenie. Jednak tym, co w dłuższej perspektywie decyduje o sukcesie, jest często sposób organizacji wiedzy: umiejętność łączenia ludzi, wykorzystywania doświadczeń oraz budowania kultury odporności – a to właśnie te elementy mają dziś kluczowe znaczenie w naszych zespołach.
Maëva Merlet
Kierownik ds. nauki o danych
