¿Por qué LinkedIn separó a su equipo de ciencia de datos?

No estoy trabajando para LinkedIn, pero lidero la capacidad de informes y análisis en una empresa de consultoría de gestión y tengo el privilegio de ser asesorado por uno de los mejores científicos de datos del país. Nuestra ciencia de datos: las discusiones de consultoría son muy interesantes y hemos debatido extensamente dónde debería estar la ciencia de datos en el organigrama. Esa discusión puede ser relevante aquí.

La división del equipo de ciencia de datos de LinkedIn puede deberse a la diferencia fundamental entre los tipos de trabajo contenidos en el
paraguas de ‘ciencia de datos’: algunos trabajos son deterministas (ingeniería) en su núcleo, mientras que otros son exploratorios (científicos).

El blog de Farnham Street tiene un buen artículo y diagrama:

Ciencia vs ingeniería – Farnam Street

Ambas son necesarias en una empresa, pero la mayoría de las personas, incluidos los científicos de datos, se destacarían en una u otra. Algunas personas están orientadas a la hipótesis, exploradores científicos ‘exploradores’, mientras que otros son constructores impulsados ​​por la calidad y el proceso (las carreras de ingeniería doble en ciencias son raras).

Así que veo la división del equipo en ciencias de productos y ciencias de la información / decisión, como una división entre los constructores y los buscadores.

Al especular sobre el equipo de ciencias de la decisión (no tengo información privilegiada), discutimos el papel estratégico que falta de la analítica en la mayoría de las empresas, y tal vez el despliegue de la ciencia de datos en el papel de las ciencias de la decisión tenía la intención de llenar ese vacío.

Algún contexto: en la práctica, el término ‘inteligencia empresarial’ se ha diluido principalmente en bonitos paneles, informes operativos y finanzas. Esto se debe en parte al impulso desenfrenado del producto y a los niveles de habilidad de la mayoría de los analistas de datos que realizan análisis menos exploratorios y trabajan principalmente con datos internos .

Sin embargo, con un equipo más fuerte con habilidades de ciencia de datos, el equipo de ciencia de decisiones también podría apoyar a la C-suite de la misma manera que el departamento de inteligencia de un ejército apoya a un general, con un asesoramiento personalizado que respalda las decisiones estratégicas basadas en una síntesis tanto interna como interna. datos externos. La línea de decisión científica de informar al CFO se alinea con esto.

Por supuesto, también es fácil leer demasiado en tales anuncios y captar matices e intenciones que no existen. Me complace actualizar mi anterior si alguien tiene más información 🙂

TL: DR: ‘Data Science’ es dos tipos diferentes de trabajo bajo un mismo paraguas y las personas tienden a gravitar hacia uno u otro. La división formaliza esto y permite la especialización. Además, la implementación de la ciencia de datos en la función de ciencia de la decisión podría ayudar a construir una función de inteligencia estratégica. Tal vez.

Mirando la forma en que LinkedIn ha dividido sus equipos de ciencia de datos, está acumulando su contribución como creador o asesor. No especularé sobre cómo resultará para LinkedIn en el futuro, sin embargo, limite la necesidad de probar esto.
En todas las grandes empresas con las que he trabajado en todas las industrias, hay un tema común. El liderazgo superior persigue la ‘ciencia de datos’ y la promueve en sus empresas para aumentar la ‘responsabilidad’. Ya sea el equipo de ventas o marketing o el equipo de producto, la responsabilidad recae en el equipo de ciencia de datos para proporcionar la decisión final sobre cómo se desempeñan estos equipos en términos de ingresos o aumento de rentabilidad (o cualquier otra métrica). El equipo de finanzas posee dos de estas métricas clave (números de ingresos y ganancias) y, por lo tanto, son la clave para alinearse con el equipo de análisis. Esta es una función crítica en las grandes empresas que consideran la dinámica política y la desconfianza entre las divisiones. Tenga en cuenta que no hay nadie para responsabilizar al equipo de ‘ciencia de datos’.
En el mismo frente, las personas tienen motivaciones diferentes. Algunas personas están más cautivadas por el proceso creativo de la ciencia de datos con exploración continua, mientras que otras están más interesadas en ser vistas como proveedores o autoridades en las decisiones. Uno está más interesado en encontrarlo e implementarlo, mientras que otro es un buen consultor. La contradicción radica en la parte de ‘ciencia’ de ‘ciencia de datos’.
LinkedIn ha bifurcado estos dos grupos y se ha alineado en función de su responsabilidad de las contribuciones. Sí, es probable que haya muchos desajustes en las personas alineadas con el rol de asesor, sin embargo, con una inclinación creativa o viceversa. Aquí, el equipo de ‘ciencias de la decisión’, que tiene más funciones de asesor (consultor), se ha hecho responsable al alinearse con el equipo de ‘finanzas’ del propietario de la métrica, mientras que el equipo de ‘ciencia de datos del producto’ está alineado con el equipo creador del producto. Lo más importante, el éxito de esta estructura radica en el liderazgo de sus respectivos equipos. Veo a Igor Perisic, jefe de ingeniería, que tiene antecedentes de estadísticas convergentes, investigación e ingeniería en una posición adecuada para liderar dicho equipo. Tenga en cuenta que no lo conozco personalmente, por lo tanto, las personas que han trabajado con estas personas pueden comentar mejor sobre esto.
#En una nota personal, veo al equipo de ‘ciencia de la decisión’ como una mejor forma de equipos de BI o MIS, más adecuado para la gente de ‘consultor de estrategia’ de McKinsey, en lugar de científicos de datos.