נתונים גדולים הניתנים לפעולה: כיצד לגשר על הפער בין מדעני נתונים ומהנדסים

הבאזז סביב נתונים גדולים גרם לתפיסה שגויה נפוצה: שעצם קיומה יכול לספק לחברה תובנות מעשיות ותוצאות חיוביות. המציאות קצת יותר מסובכת. כדי לקבל ערך מנתונים גדולים, אתה צריך צוות מסוגל של מדעני נתונים שיסנן את זה. לרוב, חברות מבינות זאת, כפי שמעידים הגידול של 15X20X במשרות מדעני נתונים משנת 2016 עד 2019. עם זאת, גם אם יש לך צוות מסוגל של מדעני נתונים בהישג יד, אתה עדיין צריך לפנות את המשוכה העיקרית של להכניס את הרעיונות האלה לייצור. על מנת לממש ערך עסקי אמיתי, עליכם לוודא שהמהנדסים ומדעני הנתונים יעבדו זה בזה. בבסיסם, מדעני נתונים הם מחדשים המפיקים רעיונות ומחשבות חדשים מהנתונים שהחברה צופה עליהם מדי יום, ואילו המהנדסים בתורם בונים את הרעיונות הללו ויוצרים עדשות ברת קיימא בהן ניתן להציג את הנתונים שלנו. מדעני נתונים מחויבים בפענוח, מניפולציה וסחורה של נתונים לתוצאות עסקיות חיוביות. כדי להשיג הישג זה הם מבצעים מגוון משימות, החל מכריית נתונים לניתוח סטטיסטי. איסוף, ארגון ופרשנות נתונים נעשה הכל במרדף אחר זיהוי מגמות משמעותיות ומידע רלוונטי. למרות שמהנדסים בהחלט עובדים בשיתוף עם מדעני נתונים, ישנם כמה הבדלים ברורים בין שני התפקידים. אחד ההבדלים המהותיים הוא בכך שהמהנדסים מייחסים ערך גבוה יותר בהחלט על "מוכנות הייצור" של מערכות. החל מהעמידות והביטחון של הדגמים שנוצרו על ידי מדעני נתונים וכלה בפורמט ובביצועי המדרג בפועל, המהנדסים רוצים שהמערכות שלהם יהיו מהירות ויעילות. במילים אחרות: מדעני נתונים וצוותי הנדסה חוששים מדי יום. זה מעלה את השאלה, איך אתה יכול למקם את שני התפקידים להצלחה ובסופו של דבר לחלץ את התובנות המשמעותיות ביותר מהנתונים שלך? התשובה נעוצה בהקדיש זמן ומשאבים לשכלול יחסי נתונים והנדסה. כמו שחשוב להפחית את העומס או את "הרעש" סביב מערכי נתונים, כך גם חשוב להחליק כל חיכוך בין שני הצוותים האלה הממלאים תפקידים חיוניים בהצלחה העסקית שלך. להלן שלושה צעדים קריטיים להפיכתו למציאות. זה לא מספיק פשוט להכניס כמה מדענים וכמה מהנדסים בחדר ולבקש מהם לפתור את בעיות העולם. ראשית עליכם לגרום להם להבין זה את המינוח של זה ולהתחיל לדבר באותה שפה. אחת הדרכים לעשות זאת היא לחצות את הקבוצות. על ידי זיווג מדענים ומהנדסים לתרמילים של שניים, אתה יכול לעודד למידה משותפת ולפרק חסמים. עבור מדעני נתונים משמעות הדבר היא לימוד דפוסי קידוד, כתיבת קוד בצורה יותר מסודרת, ואולי הכי חשוב, הבנת מחסנית הטכנולוגיה ומחלפי התשתיות הכרוכים בהכנת מודל לייצור. פורסם ב- 7wData.be