¿Cómo definimos objetivos y resultados clave (OKR) para el equipo de ciencia de datos?

¿Cuáles son los objetivos del equipo de ciencia de datos? ¿Por qué tienes uno? (No estoy preguntando qué haces o qué tareas se supone que debe realizar el equipo).

Sugeriría nombrar algunos objetivos que serían como una definición de la meta en términos alcanzables, algo que podría confirmar que se ha logrado.

Por ejemplo, supongamos que el objetivo es dar a los clientes (ya sean internos o externos) conclusiones válidas para que eviten malas inversiones en proyectos o equilibren su exposición al riesgo de proyectos fallidos de manera más inteligente.

Un objetivo podría ser: Crear un modelo válido para predecir cuándo el trabajo en cada punto de un flujo de trabajo estará listo para el siguiente paso. ¿Lograr este objetivo objetivo no es cumplir con el objetivo del cliente?

Dado que ‘crear un modelo válido’ no es un solo paso, debe desglosarse de alguna manera. La forma OKR sería nombrar varios resultados específicos (en lugar de las acciones que tendrías que tomar para obtenerlos) que, cuando se suman, logran el objetivo.

De esta manera, veo que KR tiene atributos similares a las Historias de usuarios, ya que se centran más en los resultados y permiten que las personas descubran cómo hacerlo. Esto permite más experimentación en comparación con la lista de pasos de acción para lograr un objetivo.

¡Si!

Una preocupación que he escuchado sobre el uso de OKR para equipos de ciencia de datos es que su producción es realmente innovación y, por lo tanto, es altamente creativa. Parece contraproducente comprometerse con un descubrimiento o innovación específicos en un horario.

Para los equipos creativos que operan dentro de una empresa comercial en curso que depende de una productividad valiosa, los OKR pueden ser una forma de comunicar / educar a las partes interesadas sobre el progreso realizado en proyectos valiosos de ciencia de datos.

Aquí hay un ejemplo simplista:

Objetivo : mejorar la precisión del algoritmo en un 1%

Resultado clave : producir y probar 3 hipótesis sobre cómo mejorar la precisión

Resultado clave : publique y presente los hallazgos a las partes interesadas

Resultado clave : Desarrolle o mejore un modelo para comprender a los contribuyentes que degradan la precisión de algo.

La ciencia de datos a menudo no es entendida por otros equipos. Los OKR pueden ser una forma de alinear los esfuerzos de DS con objetivos organizacionales más grandes mientras se educa a las partes interesadas sobre el trabajo muy interesante que está haciendo el equipo de DS.

Divulgación completa: trabajo con equipos de DS pero no soy un científico de datos. He usado OKR para dirigir una función en una empresa y administrar equipos.

Aquí hay un buen ejemplo de OKR para Data Science and Sales :

OBJETIVO: Mejorar nuestro proceso de análisis de ventas

Resultados clave

• KR: Implementar una plataforma de análisis de ventas e inteligencia empresarial
• KR: configure el ciclo de ventas y los desencadenantes del tamaño promedio de las transacciones para enviar un correo electrónico a nuestro vicepresidente de ventas
• KR: revise las métricas de actividad de ventas y envíe un resumen semanal al equipo
• KR: revise las métricas del canal de ventas y envíe un resumen semanal al equipo
• KR: revise las métricas de resultados de ventas retrospectivas y envíe un resumen semanal al equipo

Ejemplo

Objetivo: sacar el máximo provecho de nuestros conjuntos de datos

Resultados clave:

1. Aumenta la precisión del modelo A en un 10%
2. Aumentar el modelo A prom. calc. velocidad en 22 nanosegundos
3. Aumenta la precisión del modelo B en un 20%
4. Incrementar el modelo B prom. calc. velocidad en 27 nanosegundos