Specjaliści data science woleliby poświęcać mniej czasu na przygotowanie danych, a więcej na opracowywanie modeli. Do budowy jak najmniej stronniczych algorytmów potrzebują m.in. więcej komunikacji w zespołach. W pracy najbardziej satysfakcjonują ich wyniki projektów analitycznych. Z raportu pt. „Accelerated digital transformation” wiemy też, jakie umiejętności warto rozwijać, kiedy już jest się wirtuozem danych ustrukturyzowanych.

Ostatnie miesiące były totalną harówką. Specjaliści data science robili, co mogli, żeby zwiększyć poziom współpracy pomiędzy osobami zbierającymi i przetwarzającymi dane. Jednych i drugich przekonywali, że efekty będą tym lepsze, im więcej wymienią między sobą dodatkowych informacji o analizowanych grupach. Później jeszcze brali udział w procesach rekrutacyjnych, żeby nowe osoby wnosiły do zespołu nie tylko umiejętności techniczne, ale też różne punkty widzenia w zakresie analiz.

Równocześnie prowadzili rozmowy z kierownictwem o nowych produktach i mieli nadzieję, że to ich zespoły będą pracować nad prototypem. W końcu po to szkolili się w zakresie zarządzania bazami danych. Co prawda nowe przedsięwzięcie oznacza kilkadziesiąt godzin mozolnego przygotowywania danych, ale zdaniem specjalistów produkt będzie hitem, więc tym bardziej warto. Kiedy w końcu włączyli Slacka, zobaczyli wiadomość od menadżera. Lekko drążącą ręką weszli w powiadomienie i… odetchnęli z ulgą. “Mamy ten projekt!”.

Zajmujesz się danymi, ale wiesz, że po włączeniu komunikatora i przeczytaniu analogicznej wiadomości poczujesz raczej frustrację niż radość na myśl o nadchodzących tygodniach? Nie przejmuj się, z naszymi bohaterami było podobnie. Tak samo, jak z większością innych data scientistów – zgodnie z informacjami z raportu pt. „Accelerated digital transformation” przygotowanym przez SAS Institute specjaliści zajmujący się danymi przyznają, że ich codzienność nie jest zbyt bliska ideału. Na szczęście można temu zaradzić.

Czy przygotowanie danych jest warte zachodu?

Zbieranie informacji, prowadzenie badań eksploracyjnych czy zarządzanie danymi to czynności, na które specjaliści najchętniej poświęciliby 40 proc. swojego czasu. W rzeczywistości udział tego etapu w całości pracy projektowej wynosi średnio 58 proc. Jak przyznają specjaliści data science, zaoszczędzone w ten sposób godziny mogliby przeznaczyć na tworzenie modeli. I tak zamiast 11 proc. czasu pracy nad projektem, budowa modeli powinna zająć ok. 21-24 proc. Ale czy na pewno?

Podejście skracające etapy związane z przygotowaniem danych kwestionują eksperci. Na przykład Kirk Borne z DataPrime zaleca, żeby myśleć o tych fazach pracy jak o pierwszej randce w długoterminowym związku. Z kolei Patrick Butler, lider Data Science Bootcamp, dodaje, że bez zarządzania danymi i ich wyczyszczenia modelowanie to jedynie matematyka. Analityczka danych medycznych Danielle Boyce uważa wręcz, że czyszczenie zebranych informacji to jedna z najważniejszych ról data scientistów. W przeciwnym razie nikt nie umiałby wyciągnąć z zestawów danych wartościowej informacji.

Jakie przeszkody w pracy napotykają specjaliści data science?

W ostatnim roku specjaliści data science napotkali średnio 5 przeszkód w swojej pracy. Najczęstsza, zgłaszana przez 46 proc. ankietowanych, dotyczy polityki firm, a także niedostatecznego wsparcia finansowego dla zespołów data science. Kolejna trudność pod względem częstotliwości występowania wiąże się z zanieczyszczonymi danymi. Niemal połowa  specjalistów (42 proc.) ubolewa, że wyniki ich pracy nie są dostatecznie uwzględniane przez decydentów biznesowych, a dla 35 proc. nużąca jest konieczność tłumaczenia, czym tak naprawdę jest data science.

Respondenci zauważają niedostatki również w obszarach związanych z liczbą specjalistów data science, wykorzystywanymi narzędziami czy budżetami przeznaczanymi na zbiory danych ze źródeł zewnętrznych. To wszystko może prowadzić do frustracji. Żeby jej uniknąć, przywoływany już Kirk Borne radzi zacząć od małych kroków – w danym czasie skupić się na przezwyciężeniu jednej przeszkody, a dopiero potem przejść do kolejnej. Tylko pod żadnym pozorem nie można ignorować barier i myśleć, że jakoś to będzie. Nie będzie.

Specjaliści data science chcą wdrażać mniej stronnicze algorytmy

Podczas gdy 26 proc. organizacji stara się, żeby modele były sprawiedliwe i traktowały wszystkich odbiorców tak samo, 43 proc. nie przykłada wagi do etyki w kontekście danych. Badani specjaliści data science mówią, że sprawiedliwym i bezstronnym wynikom analizy nie służy przede wszystkim brak komunikacji pomiędzy tymi, którzy dane przetwarzają, a tymi, którzy je zebrali. Kłopotliwe jest również zgromadzenie dostatecznej liczby informacji na temat grup, które mogą być nieuczciwie potraktowane. Obie bariery uzyskały blisko 40 proc. wskazań.

Jak dowiadujemy się z odpowiedzi 28 proc. ankietowanych, niełatwo jest też wybrać odpowiednie metryki ocen. Z kolei 22 proc. zaznacza, że byłoby prościej, gdyby członkowie zespołu byli bardziej zróżnicowani. Data scientistom, którzy w pracy napotykają przeszkody w łagodzeniu uprzedzeń i dyskryminacji, Borne zaleca przygotowanie własnych modeli, dokumentowanie działań i wyliczeń, zarejestrowanie wyników i pokazanie tak przygotowanego projektu zarządowi.

Większy poziom satysfakcji z pracy

Wszyscy wiemy, że im szczęśliwszy pracownik, tym lepsza obsługa klientów, mniejsza rotacja w zespołach, większa produktywność i wyższy zysk. A jak wygląda satysfakcja data scientistów? Zapytani o poziom zadowolenia z wyników projektów analitycznych, wdrażania modeli i sposobu, w jaki firmy wykorzystują ich pracę, specjaliści przyznali, że największą satysfakcję odczuwają w związku z pierwszą kategorią, co zdaniem autorów raportu wiąże się z wyższymi poziomami kontroli w tym obszarze.

Z kolei gorsze wyniki w pozostałych obszarach mogą sygnalizować szersze problemy w organizacji i pokazywać, że firma nie jest w stanie nadążyć za rozwojem technologii, choćby przez brak szkoleń. Jeśli na co dzień nie jesteście zadowoleni ze sposobów, w jaki organizacje używają wyników waszej pracy, uwzględnijcie sugestię przedstawiciela DataPrime – Borne zaleca, żeby skupiać się nie tylko na budowaniu i wdrażaniu modeli, ale też stać się częścią procesu decyzyjnego, który z nich korzysta.

W jakim kierunku rozwijać swoje umiejętności?

Specjaliści data science nie powinni spoczywać na laurach – doskonałe umiejętności w zakresie zarządzania danymi ustrukturyzowanymi, komunikacji, statystyki, modelowania statystycznego, a nawet specjalistyczna wiedza w konkretnych dziedzinach to jeszcze nie wszystko. Z badania wynika, że specjaliści powinni przyjrzeć się możliwościom rozwoju w zakresie zarządzania produktami i usługami w chmurze, administrowania bazami danych, modelowania graficznego, a także statystyki w ujęciu bayesowskim.

Wpływ COVID-19

Badanie przeprowadzone przez SAS wśród 277 menadżerów i pracowników zwraca również uwagę na wpływ pandemii COVID-19 na pracę w obszarze data science. Nawet 45 proc. ankietowanych przyznaje, że dziś są bardziej produktywni w porównaniu z czasem przed pandemią. Ponadto, częściej pracują zespołowo i używają zdecydowanie więcej usług chmurowych. Co istotne, 91 proc. uważa, że ich praca jest równie ważna lub nawet ważniejsza niż wcześniej.

Pobierz raport „The impact of increased digitization on the data science field”: https://www.sas.com/gms/redirect.jsp?detail=GMS212147_295205.