3 passaggi per formare più scienziati dei dati dei cittadini

In Asia e altrove, i citizen data scientist sono sempre più sotto i riflettori. Più facili da trovare e più convenienti rispetto ai data scientist esperti, completano il lavoro di questi ultimi per fornire alle imprese lungimiranti le informazioni di cui hanno bisogno per prendere decisioni basate sui dati.

Spesso armati di anni di duro lavoro e di esperienza nel settore, i citizen data scientist sono anche ben posizionati per integrare l’analisi dei dati e l’output di machine learning nel cuore dell’azienda per un impatto più immediato sui profitti.

Identificare i citizen data scientist

Nonostante la crescente attenzione, il fatto che quasi nessuno pubblicizzi un citizen data scientist significa che c’è una mancanza di chiarezza sul loro valore e sulla responsabilità lavorativa. Ovviamente, questo deve essere affrontato prima che le aziende possano identificare tali dipendenti.

Mi è piaciuta di più la definizione di Citizen data scientist di Tibco: “Un citizen data scientist è un knowledge worker senza una formazione formale in matematica e statistica avanzate che utilizza applicazioni per estrarre informazioni di alto valore dai dati”.

In poche parole, un citizen data scientist è essenzialmente qualsiasi dipendente che abbia le competenze di un data scientist ma non le qualifiche. E tutti conosciamo persone così: qualcuno bravo con i numeri e che sa trarre inferenze da dati che – una volta spiegati – appaiono ovvi col senno di poi.

In un post di blog, BMC Stephen Watts ha delineato alcune caratteristiche che un citizen data scientist dovrebbe idealmente possedere. Alcuni dei più avvincenti sono:

  • Pensiero divergente: Qualcuno che può pensare fuori dagli schemi e stabilire una connessione con i dati.
  • contesto organizzativo: Un lavoratore che “comprende la visione, la missione e le esigenze” dell’organizzazione.
  • Capacità di accedere alle informazioni in modo significativo: Avere una capacità superiore alla media di trarre conclusioni significative dai dati di fronte a loro.
  • In grado di delineare il valore aziendale: La capacità di comunicare al team la propria analisi dei dati aziendali e le sue implicazioni.

Per andare avanti, le aziende devono prima identificare e coinvolgere questi dipendenti come Citizen Data Scientist. Ricorda, questi dipendenti hanno spesso altre responsabilità da gestire, quindi inizia con una barra più bassa, assegnando loro attività come la convalida della qualità dei dati, l’unione dei dati o l’identificazione delle origini dati.

Democratizzare la scienza dei dati nell’organizzazione

Sebbene sia possibile imporre un mandato a livello di organizzazione per fornire agli scienziati i dati dei cittadini ciò di cui hanno bisogno, i dati in silos potrebbero non valere lo sforzo di districarsi. Anche i dati preziosi archiviati all’interno di repository disconnessi potrebbero essere ignorati a causa della difficoltà di accesso.

In definitiva, la democratizzazione dei dati è alla base di qualsiasi iniziativa volta a formare più citizen data scientist. Una cultura con una forte consapevolezza dei dati o un’elevata alfabetizzazione dei dati può servire a incoraggiare i dipendenti più esperti di dati a farsi avanti, oltre a semplificare il proprio lavoro quando comunicano con i colleghi.

Aiuta il fatto che oggi ci siano molti buoni strumenti di business intelligence, inclusi strumenti low-code o no-code che consentono a più dipendenti di sfruttare strumenti di machine learning o eseguire analisi relativamente sofisticate. Aspettati che la barriera scenda ulteriormente nel tempo; le organizzazioni con un forte pool di citizen data scientist saranno ben posizionate per trarne vantaggio.

Come ho notato in “Costruire un’organizzazione per vincere con i dati”, i vantaggi della democratizzazione dei dati valgono la pena. I migliori risultati nell’apprendimento automatico possono avere più del doppio dell’impatto nella metà del tempo rispetto all’azienda media.

Concentrati su progetti strategici

Un recente rapporto nel Revisione aziendale di Harvard (HBR) ha suggerito che le organizzazioni dovrebbero concentrare i loro sforzi di scienza dei dati sui problemi con un’importanza strategica a lungo termine, invece di concentrarsi su dove hanno la maggior parte dei dati come è comunemente fatto.

Citando l’esempio di un’ipotetica società di media che deve affrontare due scelte, una è quella di approfondire l’esperienza dell’utente utilizzando i dati generati dalle sue app o di sfruttare i dati per informare un’offerta di licenza una volta ogni due anni, HBR osservato che fare quest’ultimo male può causare danni maggiori.

Un secondo suggerimento è quello di concentrarsi sulle iniziative con la più alta probabilità di successo del progetto. È necessario effettuare una “fredda e sobria valutazione” di potenziali progetti di scienza dei dati e, in assenza di risposte prestabilite, per realizzare progetti di dati più piccoli, che rientrano esattamente nel campo in cui i citizen data scientist possono avere un impatto.

Anche con progetti “moonshot” più grandi, un forte team di scienziati dei dati dei cittadini può anche liberare gli scienziati dei dati di un’organizzazione per concentrarsi su queste opportunità strategiche. asso HBR riassume: “La scienza dei dati riguarda le persone e più in modo strategico e ampio riunisci queste persone e dati, migliori saranno i risultati che vedrai”.

Paul Mah è l’editore di DSAITrends. Ex amministratore di sistema, programmatore e docente di informatica, gli piace scrivere sia codice che prosa. Puoi raggiungerlo a [email protected].​

Credito immagine: iStockphoto/cofotoisme

.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *