Het Data Science Team: de ideale opstelling

Hoe stel je een productteam samen voor de ontwikkeling van datagedreven producten?

Het Data Science Team: de ideale opstelling

We weten allemaal dat verschillende persoonlijkheden en mindsets op de werkvloer elkaar kunnen versterken. Maar wanneer ze elkaar niet aanvullen of zelfs botsen, staat dit de ontwikkeling van een project of zelfs je bedrijf in de weg. Hoe stel je nu het best een productteam samen als het gaat om de ontwikkeling van datagedreven producten? Wanneer vullen datascientists en AI-experts elkaar het best aan? 

Voordat we in de verschillende rollen van een datascience-team duiken, eerst wat uitleg wat we onder een 'productteam' verstaan en met welke projecten zo’n team zich bezighoudt.

De term 'product-owner' ken je waarschijnlijk. In de wereld van de datascience managet deze persoon een team, bestaande uit verschillende rollen, om binnen de organisatie nieuwe datagedreven producten te creëren en optimaliseren. Dit kan een nieuw algoritme zijn, een verbeterde functie op de website van je bedrijf of een uitgebreide oplossing, zoals het Predictive Maintenance-model. 

"Gebruikersprobleem is leidend"

Product-owners werken gebruikelijk met tweewekelijkse sprints en scrum-methoden om verschillende modellen te testen. Hierbij vertaalt de product-owner de bedrijfseisen en KPI's naar nieuwe datagedreven producten.

Een product-owner doet het werk nooit alleen, want daarvoor is hij of zij niet technisch genoeg. Wanneer je een sterk productteam wilt samenstellen, is het daarom belangrijk om twee verschillende doelen te onderscheiden:

  1. Wil je nieuwe producten ontwikkelen en testen?
  2. Wil je een bestaand model opschalen en trainen om het steeds accurater te maken?      

Iedere variant vraagt om een ander soort type datascience-expert. Daarom onderscheiden we hieronder type A, de business datascientist en type B, de technical datascientist.

1. Teamsamenstelling voor nieuwe producten

Nieuwe producten, zoals een datascience-model, ontstaan enerzijds vanuit de behoefte van een gebruikersprobleem, zoals, "Ik beschik niet over de tools of inzichten om mijn klant beter te begrijpen en zodoende een betere verkoopstrategie te creëren" of anderzijds vanuit een bedrijfsdoelstelling, zoals, "We moeten onze omzet voor segment X verhogen".

Het gebruikersprobleem is leidend. Het is daarom essentieel om als team onderscheid te maken tussen beide behoeftes. Want wanneer de gebruiker geen verbetering ervaart, behaal je ook je bedrijfsdoelstelling – in dit geval een hogere omzet – niet.

"Teams moeten het probleem van de gebruiker kunnen ontvangen en vertalen naar mogelijke oplossingen"

Met bovenstaande informatie als uitgangspunt stel je je team samen. Kijk hierbij steeds naar de verschillende processen die doorlopen moeten worden. Ten eerste moeten teams het probleem van de gebruiker kunnen ontvangen en vertalen naar mogelijke oplossingen. Daarnaast moet een team de haalbaarheid van nieuwe oplossingen met de huidige beschikbare technologieën kunnen toetsen. Tot slot moet een team de oplossing in een prototype kunnen visualiseren.

Deze drie denkwijzen weerspiegelen de volgende functietypen:

  1. de 'ondernemende' mindset = beoordeelt de haalbaarheid van het model
  2. de 'inlevende' mindset = leeft zich in de gebruiker van het probleem 
  3. de 'prototyping' mindset =  maakt prototypes van de oplossing

Product-owner

Ieder team heeft een leider nodig die de ondernemende mindset omarmt. Vaak is dit de product-owner.  Hij of zij is de schakel tussen het bedrijf en het product, analyseert de markt en bewaakt de haalbaarheid van het product. De product-owner is ook in staat om nieuwe creatieve oplossingen voor een product te vinden. Daarom moet hij of zij voldoende kennis hebben van datascience-technologieën. Een andere functietitel voor deze persoon kan 'analytics-translator' zijn.

UX-researcher

Een ontwerper of UX (user experience)-researcher leeft zich volledig in in de gebruiker/consument en het probleem. De UX-researcher begrijpt de knelpunten, het doel, de manier van werken en vertaalt dit naar een gebruikersinterface (dashboard).

Datascientist

De datascientist is in deze situatie flexibel genoeg om verschillende datascience-modellen te prototypen en beschikt over de technische vaardigheden om een schaalbaar product in de meest geschikte taal te programmeren. Het is bij het maken van een nieuw product essentieel dat een datascientist zich comfortabel voelt bij veel verandering en aan verschillende concepten tegelijk kan werken. Hij of zij moet tijdens de ontwikkeling van een nieuw product creatief zijn en makkelijk gebruik kunnen maken van verschillende kanalen, zoals Stackoverflow, Kaggle & Quora, om inspiratie op de te doen of op onderzoek te gaan.  Dit type datascientist noemen we type A, de business datascientist.

2. Opschalen bij een langdurig project

Voor projecten waarbij je een model verbetert en optimaliseert heb je een ander type datascientist nodig. Dit zijn vaak projecten met een langere duur en een constante omgeving met veel focus en weinig veranderende doelstellingen. De product-owner vervult hier dezelfde rol, maar de UX-researcher is minder aanwezig, omdat het model al in productie is.

De datascientist moet zich in deze situatie op zijn of haar gemak voelen met langdurige, solide en uiterst technisch gedreven projecten. Dit type datascientist (type B) is minder communicatief en minder zakelijk georiënteerd. Hij of zij is minder ondernemend, minder nadrukkelijk verbonden met de KPI's van het bedrijf en denkt minder out-of-the box. Maar hij of zeij is wél bij uitstek geschikt voor het opschalen van grote projecten die een langetermijnfocus vereisen. We noemen dit de technical datascientist.

Type A is niet beter dan type B of andersom. Of een type datascientist goed past in het productteam, hangt af van het doel van het project. 

Hoe kun je het best onderscheid maken tussen type A en B? Daarbij is het belangrijk om te kijken naar de specifieke opleidingsvoorbeelden die passen bij een business datascientist en een technical datascientist. 

Opleidingen van een business datascientist:

MSc Econometrics, MSc Data Science Entrepreneurship, MSc Business Analytics of zelfs een MSc Business Administration die heeft deelgenomen aan de datascience-traineeship. Tevens bestuurslid bij de studievereniging, onderhoudt veel (sociale) buitenschoolse activiteiten. Neemt graag kennis van de gezamenlijke bedrijfsdoelstellingen.

Opleidingen van een technical datascientist:

PhD, MSc Econometrics, MSc Data Science, MSc Artificial Intelligence, MSc Physics, MSc Mathematics. Weinig sociale activiteiten, voelt zich comfortabel bij het gedurende de dag dragen van een headset op kantoor, heeft minder gevoel voor de gezamenlijke business en houdt ervan om over verschillende technische benaderingen te discussiëren die tot de oplossing van een probleem leiden.


Delen

0
0


Er zijn 1 reacties op dit artikel

  • Moet zeggen dat ik in dit artikel snoeihard afknap op de verwoorde stereotyperingen op het einde. Het zal in het hoofd van de auteur misschien vrij functioneel zijn, als je in de praktijk deze stereotypes gaat gebruiken word t natuurlijk totaal niks.

    geplaatst op

Plaats zelf een reactie

Log in zodat je (in het vervolg) nóg sneller kunt reageren

Vul jouw naam in.
Vul jouw e-mailadres in. Vul een geldig e-mailadres in.
Vul jouw reactie in.

Herhaal de tekens die je ziet in de afbeelding hieronder


Let op: je reactie blijft voor altijd staan. We verwijderen deze dus later niet als je op zoek bent naar een nieuwe werkgever (of schoonmoeder). Reacties die beledigend zijn of zelfpromotioneel daarentegen, verwijderen we maar al te graag. Door te reageren ga je akkoord met onze voorwaarden.