Im So entwickeln Sie Ihr Data-Science-Team Im Jahr 2022 wird Data Science eine der wichtigsten technologischen Fähigkeiten für alle Mitarbeiter sein. Aber wie genau können Sie Ihr Team bei der Entwicklung dieser Talente unterstützen und genau bestimmen, was sie lernen müssen? Kürzlich haben wir eine Frage an eine Gruppe von Datenwissenschaftlern gesendet und sie gebeten, uns Ratschläge zum Aufbau eines Datenwissenschaftsteams zu geben. Einige wichtige Imbissbuden sind unten aufgeführt.
Suchen Sie nach Talenten in Ihrem Unternehmen.
Es gibt nicht genügend Leute auf dem Markt, die über die notwendigen Fähigkeiten verfügen, um dem wachsenden Bedarf an Analysefähigkeiten wie maschinellem Lernen, Datenwissenschaft und Datenvisualisierung gerecht zu werden. Aus diesem Grund ist es absolut notwendig, diese Fähigkeit innerhalb der Organisation zu kultivieren.
Laut Mike Cohen, einem Dozenten bei Udemy, ist der Prozess von Talente intern entwickeln erfordert eine zweigleisige Strategie. Die erste Stufe besteht aus kontinuierlicher Aus- und Weiterbildung. Mike glaubt, dass sich Data Science immer in neue Bereiche hinein entwickelt.
Dies weist darauf hin, dass Ihre internen Mitarbeiter routinemäßig einen Teil ihrer Zeit darauf verwenden sollten, sich über die neuesten Fortschritte in der Branche auf dem Laufenden zu halten und die grundlegenden mathematischen und statistischen Fähigkeiten aufzufrischen, auf denen Data-Science-Strategien aufbauen.
Bemühen Sie sich um ein Gleichgewicht zwischen Umfang und Tiefe Ihres Wissens
Mike glaubt, dass man am Ende sehr wenig über alles weiß, wenn man versucht, alles zu wissen. Darüber hinaus ist es nicht möglich, vollständige Kenntnisse im Bereich Data Science zu haben.
Das Ziel für Data Scientists sollte es sein, ein Gleichgewicht zwischen einer breiten Wissensbasis und einem tiefen Verständnis bestimmter Themen zu finden. Anders ausgedrückt, sagt Mike, dass „jeder Einzelne sein eigenes profundes Wissen über eine kleine Anzahl von Themen haben sollte“.
Schnelllink:
Geben Sie den Mitgliedern Ihres Teams die Tools, die sie benötigen, um ihre Data-Science-Fähigkeiten aufzubauen.
Welche Technologien bieten Ihren Data Scientists die besten Erfolgschancen? Diogo glaubt, dass die effektivsten Werkzeuge für die Datenwissenschaft diejenigen sind, die die Zusammenarbeit erleichtern. Im Folgenden finden Sie eine Liste mit einigen der spezifischen Arten von Technologien, die Data Scientists konsequent nutzen müssen.
Tools für kollaborative Notebooks Notebooks sind eine Form des interaktiven Computing, mit der Data Scientists nicht nur Code schreiben und ausführen, sondern auch die Ergebnisse anzeigen und gemeinsam an ihren Entdeckungen arbeiten können.
Sie fördern die Zusammenarbeit und erzeugen gleichzeitig eine schnelle Feedback-Schleife. Es gibt eine große Auswahl an Notebook-Tools, aber Jupyter ist jetzt die am häufigsten verwendete Alternative.
Laut Rebecca Vickery, die bei Towards Data Science arbeitet, „müssen Datenwissenschaftler GitHub aus fast demselben Grund verwenden wie Softwareentwickler“, nämlich für die Zusammenarbeit, „sichere“ Änderungen an Projekten und die Möglichkeit, Änderungen nachzuverfolgen und rückgängig zu machen im Laufe der Zeit. GitHub ist ein Versionskontrollsystem (VCS).
Eine Datenbank, die schnell und effektiv sowie einfach abzufragen ist: Um ihre Aufgaben effektiv erfüllen zu können, müssen Datenwissenschaftler in der Lage sein, Datenbanken zu entwickeln und zu erstellen sowie Schnittstellen zu bestehenden Datenbanken herzustellen.
Laut Sara Metwalli von Towards Data Science „machen Datenbanken organisierte Speicherung sicher, effizient und schnell.
“ Sie dienen als Leitfaden für die ordnungsgemäße Organisation, Speicherung und den Abruf der gesammelten Daten. Wenn Sie über Datenbanken verfügen, müssen Sie sich nicht die Mühe machen, herauszufinden, was Sie mit Ihren Daten für jedes neue Projekt tun sollen. Hive, Presto und Redshift sind Beispiele für beliebte Datenbankverwaltungssysteme.
Einfach zu bedienende Dashboard-Technologien werden immer beliebter, da immer mehr Mitarbeiter daran interessiert sind, Erkenntnisse aus Daten zu gewinnen, auch wenn sie nicht den offiziellen Titel des Datenwissenschaftlers tragen. Tableau und Looker sind Beispiele für Dashboard-Lösungen zur Datenvisualisierung, die das Ausstellen und Freigeben von Daten erleichtern.
