Угрозы и проблемы, которые могут повлиять на результат вашего проекта и отношения с клиентом
Когда я начинал свою карьеру в науке о данных, я считал, что самой сложной частью проекта является выполнение реальной работы. Я был неправ. Большинство проектов по машинному обучению и расширенной аналитике терпят неудачу или не достигают рабочего состояния. Причины неудач варьируются от организационных до операционных. Мы рассмотрим оба в этой статье.
Хотя способность выполнять практическую работу имеет основополагающее значение для успеха проекта, часто упускаемый из виду аспект связан с общением с клиентом и пониманием его ожиданий. Как технические специалисты, мы часто сосредотачиваемся на выполнении фактической работы вместо того, чтобы курировать общение между людьми: мы делегируем (когда это возможно) электронные письма, встречи и беседы с клиентами коллегам, которые выполняют определенные роли, такие как менеджеры по работе с клиентами и менеджеры проектов. Эта формула используется, потому что она работает в большинстве областей, но я осмелюсь сказать, что она не так хорошо работает в науке о данных и машинном обучении по нескольким причинам.
Я напишу о том, почему коммуникация и установление ожиданий так важны и как они могут заложить основу для неудачи с самого начала, если их плохо обдумать. Мы затронем темы управления проектами и углубимся в некоторые конкретные моменты, которые имеют решающее значение для результата проекта по науке о данных или МО.
Как формулировать проблемы
Как я уже говорил, большинство проблем можно разделить на две категории: организационные и операционные проблемы.
Организационные аспекты связаны с тем, как люди управляют своими проектами, командой, общением, рабочим процессом и многим другим. Это связано с людьми, а не с технологиями напрямую.
Операционные проблемы связаны с тем, как люди что-то делают. Это плохо написанный код, отсутствие комментариев, невозможность понять показатели производительности моделей.
Некоторые проблемы не попадают в отдельные категории — они также могут подпадать под обе категории.
1. Проектом должен управлять человек, разбирающийся в данных
Понимание того, какое решение лучше всего подходит для конкретной проблемы, является ключом к выполнению работы, которая понравится клиенту. Тот, кто разговаривает с клиентом, должен быть в состоянии предоставить четкую и понятную информацию о решении для удовлетворения потребностей клиента. Этот человек должен быть в состоянии получить краткое описание клиента, задать правильные вопросы и поговорить с командой специалистов по обработке и анализу данных, чтобы понять и сформулировать проблему.
Чаще всего человек, который имеет только общее представление о поле, не может задать правильные вопросы или правильно сформулировать проблему. Это может привести к проблемам в будущем, которые могут повлиять на окончательную доставку или доверие клиента к нашей фирме, например, предоставление неадекватной модели или нарушение сроков. По этой причине коммуникациями и управлением проектами должен заниматься тот, кто обладает глубокими знаниями в области обработки и анализа данных.
2. Познакомьтесь со своим клиентом
Человек, разбирающийся в данных, управляющий проектом, всегда должен тратить время и узнавать клиента на более глубоком уровне. Поскольку нам платят, мы часто ведем себя так, как будто клиент всегда прав и понимает проблему, которую пытается решить. Это очень, очень неправильно.
Клиент обращается к нам, потому что не знает, как решить свою проблему. Мы должны понять, что они пытаются сказать, что они испытывают и как это решить, и часто клиент не может сообщить об этом самым ясным образом, потому что он не в области техники или данных.
Тот, кто отвечает за коммуникацию, является парсером и транслятором намерений и ожиданий.
3. Отсутствие опытного таланта
Наука о данных и машинное обучение — относительно новые дисциплины. В то время как многие накапливают знания и новые технологии, они делают это, тестируя и изучая свои собственные методы. Промышленного стандарта до сих пор нет, и еще долго не будет.
Большинство людей сегодня имеют поверхностные знания по таким фундаментальным темам, как линейная алгебра, исчисление и алгоритмы. Очень небольшая часть людей, изучающих расширенную аналитику, на самом деле имеет практический опыт работы. Это вынуждает фирмы «справляться» с проблемами, которые можно решить с помощью более эффективных решений.
Это относится не только к специалистам по данным. Весь жизненный цикл проекта зависит от нескольких команд, взаимодействующих друг с другом, например, команда специалистов по данным с командой разработчиков программного обеспечения. Большинство инженеров-программистов мало знают о том, как устроен проект машинного обучения, и это может негативно сказаться на успехе вашей кампании.
4. Плохая коммуникация между сверстниками и отсутствие сотрудничества
Часто проблема заключается в неспособности аналитиков сообщить результаты высшему руководству. Это часто бывает, когда фирмы не занимаются вертикальным анализом данных и просто предоставляют услугу как своего рода дополнение к другим своим услугам.
В идеале средний аналитик должен уметь рассказывать истории и визуализировать данные, в то время как заинтересованные стороны должны иметь определенные технические знания.
Еще одна проблема, которая может повлиять на доставку, — это командное руководство. Проекты должны возглавлять люди с опытом работы в этой области и, возможно, в этой нише. Например, если у старшего специалиста по данным есть опыт работы в пищевой промышленности, имеет смысл поручить ему руководить проектом в той же нише.
Отсутствие хорошего руководства может иметь разрушительные последствия и наносить ущерб команде и ее членам на нескольких уровнях:
- неясные цели приводят к неясным ожиданиям
- безрезультатные эксперименты ведут к пустой трате ресурсов
- восприятие коллектива, как внутри самого коллектива, так и извне, отрицательное
- сомнения проникают в умы участников
Сделайте приоритетом того, чтобы во главе вашей команды стоял действующий человек — вы не пожалеете.
5. Отсутствует инфраструктура данных
У специалистов по данным есть огромная проблема: мы не можем работать без данных. Еще хуже, когда нам дают неверные данные от наших клиентов. Как вы можете себе представить, плохая инфраструктура данных является настоящей причиной неспособности специалиста по данным создать пригодную для использования модель.
Если вы владеете консалтинговой фирмой по обработке и анализу данных, убедитесь, что вы можете работать с данными вашего клиента, прежде чем соглашаться на работу.
6. Технически невыполнимые проекты
Есть просто некоторые проекты, которые вы не можете завершить. Если ваш торговый представитель продает услуги, которые вы не можете оплатить, значит, в вашей фирме большие проблемы. Если вы попадетесь в эту ловушку, это полностью на вас. Вот почему вам нужны люди, разбирающиеся в данных, в вашей команде, начиная с продаж. Когда это происходит, это означает отсутствие знаний и согласованности между командами, а также неспособность предоставлять определенные услуги. «Машинное обучение» и «наука о данных» на данный момент являются модными словами — не позволяйте клиенту решать, что решает его собственную проблему. Если бы они знали, у них не было бы проблем в первую очередь.
Нереалистичные KPI, случайные диаграммы Ганта и нереалистичные обещания разрушают отношения с клиентами и тратят впустую тонны ресурсов, и все это за счет вашей фирмы.
Заключение
Напомним, вот (неполный) список угроз, которые могут нарушить ваш проект машинного обучения и привести к трате тонны ресурсов.
- тот, кто управляет проектом, не разбирается в науке о данных и не может эффективно общаться с клиентом
- к клиенту относятся слишком серьезно (или наоборот) — всегда помните, что вы эксперт, а клиент понятия не имеет, как решить свою проблему. Если бы они это сделали, они были бы сделаны сейчас
- Недостаток опытных специалистов в команде
- Плохая коммуникация и неспособность эффективно сотрудничать между командами и внутри них
- У клиента нет данных или его инфраструктура плохо управляется
- прием технически невыполнимых проектов
Я лично испытал все это, иногда даже больше, чем одно вместе. К счастью, я смог извлечь уроки из каждого опыта и постепенно улучшить свое понимание того, как следует вести бизнес в этой быстро меняющейся сфере. Надеюсь, вы все сделаете то же самое.
Удачи.
