Aquí hay cinco que casi le garantizarán la frustración de su equipo de ciencia de datos, y cinco que realmente podrían ayudarlo.
Evita estos:
- Número de modelos lanzados a producción: no todos los modelos son iguales, y la implementación a menudo no está bajo el control de la ciencia de datos.
- Precisión del modelo en diferentes dominios : es bueno mejorar un modelo dado un contexto establecido y un conjunto de datos, pero es una locura comparar la precisión del pronóstico en el país A para las ventas con el país B para el inventario.
- Las métricas de “calidad de tiempo-costo” para nuevos proyectos hasta que un proyecto haya pasado por una fase de prueba de concepto con datos reales: tratar de imponer principios de gestión de proyectos tradicionales demasiado pronto es una receta para el desastre porque no se trata de “administrar estimaciones inciertas” , se trata de averiguar si el caso de uso es viable.
- Utilización de ‘herramientas’: las herramientas no son el foco, muchos de los mejores científicos y analistas de datos son independientes de las herramientas, y ‘forzar’ el uso de una herramienta en particular a menudo agrega restricciones innecesarias.
- Número de científicos de datos en un proyecto: ¿realmente desea ofrecer incentivos para un proyecto de 10 millones de dólares con un ROI del 5% o un proyecto de 10 mil dólares que tiene un ROI del 500%?
Considere estos:
- No tengo ningún conocimiento sobre la ciencia de datos o cualquier tema relacionado, pero me gradué en informática, ¿cómo puedo aprender lo mismo y comenzar una carrera?
- ¿Qué clases de CS son las más importantes para un ingeniero de big data?
- ¿Cómo es el alcance del big data (analítico) en todo el mundo y también en India en los próximos años?
- Uso mucho Python y R, y me gustaría comenzar una empresa que ofrezca servicios de análisis de datos. ¿Cómo puedo monetizar big data? ¿Donde debería empezar?
- Después de tomar las estadísticas AP, descubrí que estaba realmente interesado en las estadísticas. ¿Qué me recomendarías para seguir aprendiendo más al respecto?
- Antigüedad del patrocinio de proyectos de ciencia de datos
- Extensión, tiempo y acceso a las fuentes de datos (entre ‘Tengo una idea para un proyecto de adquisición de ciencia de datos’ a ‘Estoy viendo los datos en este momento’)
- Número y proporción de científicos de datos totalmente utilizados en el trabajo que hace pleno uso de sus capacidades.
- Adopción del usuario final y comentarios de los productos implementados en el negocio
- Número de casos de uso investigados y conjuntos de datos extraídos y explorados
No pregunte “qué es un buen KPI para un equipo de datos ” sin preguntar también “qué es un buen KPI para un equipo científico “.