Inom datavetenskap handlar skillnaden inte enbart om valet av modell. Den handlar ofta om något mer prosaiskt (och mer avgörande): hur man arbetar tillsammans. Inom konsultbranschen är teamen utspridda, kundernas sammanhang varierande, och expertisen kan snabbt stanna kvar ”i huvudet”. Maëva Merlet, praktikledare för datavetenskap hos Astek, inom CRO Alsinova, har satt upp ett enkelt mål: att omvandla individuell expertis till en kollektiv dynamik, för att göra snabbare framsteg och leverera mer robusta resultat.
Den osynliga utmaningen inom konsultbranschen: isoleringen
Det är en vanlig paradox: konsulter anlitas ofta för att lösa komplexa problem, men ibland arbetar de i miljöer där det dagliga tekniska utbytet är sällsynt. Uppdrag hos kunden, mycket olika sammanhang, olika verktyg… och i slutändan en enkel verklighet: man kan snabbt hamna ensam inför ett metodologiskt val, en avvägning eller en tvekan kring en hypotes.
Maëva insåg detta redan tidigt: när alla arbetar var för sig slösar man tid på att återuppfinna det som redan finns, och man drar mindre nytta av kollektivets erfarenheter. Tvärtom, när kompetensen cirkulerar blir organisationen snabbare… och säkrare.
”Att sprida expertis”: den praktiska logiken
Hos Alsinova (Astek-koncernen) ger indelningen i ”practice”-grupper en ram för denna ambition: att kartlägga kompetenser, koppla samman expertis och skapa en kultur av kunskapsdelning. Maëva, som länge har verkat inom krävande tekniska miljöer, ser denna organisation som ett sätt att säkerställa kvaliteten: färre silor, fler standarder, större samstämmighet.
Hennes roll sträcker sig idag bortom den traditionella ledningsuppgiften: det handlar om att identifiera vad var och en kan, vad de vill fördjupa sig i, och hur man kopplar samman rätt personer vid rätt tillfälle för att lösa ett problem, utveckla kompetensen eller ifrågasätta ett tillvägagångssätt.
De konkreta mekanismerna i en Data Science-gemenskap
En gemenskap kan inte bara införas genom ett beslut. Den byggs upp med hjälp av enkla, regelbundna och användbara mekanismer. Maëva lägger tonvikten på några mycket konkreta åtgärder:
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 ömsesidigt stöd och utveckling.
Tekniska möten
Regelbundna möten där en person presenterar ett ämne: erfarenhetsutbyte kring ett projekt, metodfokus, uppföljning av ett programpaket, bästa praxis för kodning osv. Detta upplägg lyfter fram konsulterna och bidrar till att sprida gemensamma arbetsrutiner.
Stödkanaler
Ett utrymme att be om råd, dela med sig av ett hinder eller rekommendera en metod. Ofta sparar en fokuserad diskussion mellan kollegor tid och hjälper till att undvika misstag.
Att anpassa sig efter kunden samtidigt som man erbjuder något bättre
I de flesta uppdrag utgår man i första hand från kundens ramverk: deras processer, krav och verktyg. Parallellt med detta utgår Alsinovas team från en intern grund för att säkerställa kvaliteten och uppnå större samstämmighet. Men framför allt handlar det om att vara en drivande kraft med egna förslag: att ta fram metodbeskrivningar, snabbreferenser och erfarenhetsrapporter som gör det möjligt att förbättra det befintliga utan att störa den etablerade organisationen.
”Tanken är att expertisen inte ska stanna kvar i en enda persons huvud. När den sprids vinner alla på det: konsulterna, kunderna och den övergripande kvaliteten.”
Kvalitet som företagskultur: varför Maëva lägger stor vikt vid robusthet
Denna fixering vid robusthet kommer inte från ingenstans. Maëva har upplevt miljöer där statistik inte bara används för att ”analysera”, utan också för att underlätta beslutsfattandet under svåra förhållanden. I branscher där mycket står på spel lär man sig snabbt att ett resultat måste vara:
- motiverad (uttryckliga antaganden),
- reproducerbar (tydlig process),
- begriplig (lämplig redogörelse),
- användbar (kopplad till ett beslut).
Även när hon byter bransch (från flygindustrin till hälso- och läkemedelsbranschen) behåller hon denna inställning: en analys värderas inte bara utifrån sin tekniska nivå, utan också utifrån hur väl den kan förklaras, förmedlas och återanvändas.
Det är också därför som gemenskapen är viktig: den gör det möjligt att dela standarder (kodgranskning, dokumentation, validering) och att göra kvaliteten mindre beroende av en enskild person.
AI och utveckling: spara tid… för att kunna kontrollera bättre
Ett annat ämne som Maëva lyfter fram är användningen av AI-assistenter inriktade på 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 de mekaniska uppgifterna, mer tid på det som gör skillnad:
- verifiering och testning,
- kritisk granskning,
- arkitektur,
- bästa praxis,
- kvaliteten på leveransen
Med andra ord: ja, vi ska öka takten, men framför allt ska vi leverera bättre.
Vad det innebär för konsulterna
En livlig Data Science-gemenskap ger mycket tydliga effekter för teamen:
- man gör snabbare framsteg eftersom man lär sig av varandra,
- man känner sig mindre isolerad,
- expertisen erkänns (man delar den, man värdesätter den),
- man bygger upp sin karriär: specialisering, kompetensutveckling, möjlighet att uttrycka sig tekniskt.
För Maëva är detta kärnan i ett arbetsgivarlöfte: att erbjuda en miljö där man kan fördjupa sig i sitt område samtidigt som man tillhör en gemenskap som stöttar, utmanar och hjälper en att växa.
Data Science – ett yrke som gör skillnad… och bygger på samarbete
Modellerna är viktiga. Verktygen är viktiga. Men det som gör skillnad på lång sikt är ofta hur kunskapen organiseras: förmågan att knyta samman människor, dra nytta av erfarenheter och skapa en kultur präglad av motståndskraft – något som idag är avgörande i våra team.
Maëva Merlet
Verksamhetsansvarig för datavetenskap
