5 روش برای ارتباط موثر بین دانشمندان داده و مدیران تصمیم گیر

اخیرا در کنفرانس ODSC East، درباره شکاف فرهنگی و تفاوت نگاه بین دانشمندان داده و تصمیم گیرندگان تجاری/فنی صحبت شد.

در این رویداد که در بوستون و به صورت مجازی برگزار شد، کن جی، رئیس گروه مشاوره پیشاهنگان علم داده، مشکلی را مطرح کرد که دنیای داده را آزار می دهد: شکاف فرهنگی بین دانشمندان داده و تصمیم گیرندگان کسب و کار/تکنولوژی.

5 عامل نتایج غیر بهینه دانشمندان و تصمیم گیرندگان:

• سبک ارتباطی

• درک قابلیت ها

• پیچیدگی

• بازگشت سرمایه

• طول عمر پروژه

روش های مقابله با این 5 مشکل و چگونگی مقابل با آن از دید جی :

• سبک ارتباطی

دانشمندان داده تمایل دارند تا تصمیم گیرندگان، گام به گام در مسیر فرآیندها و داده ها پیش از رسیدن به “خط آخر” با آنها همراهی کنند. با این حال، تصمیم گیرندگان معمولاً ترجیح می دهند قبل از اینکه وارد جزئیات شوند، نتیجه را بدانند.

جی توصیه کرد که دانشمندان داده از چکیده های تجاری برای ارائه به تصمیم گیرندگان استفاده کنند. یک چکیده تجاری ممکن است به طور خلاصه سه نقطه از فرآیند انجام شده را پوشش دهد، سپس پیشنهاد یا یافته کلیدی را ارائه دهد. ارائه یک چکیده کسب و کار می تواند بدون ورود به جزئیات زیادی، درک و فهم نتایج بدست آمده را برای تصمیم گیرندگان آسان تر کند.

• درک قابلیت ها

جی گفت، تصمیم گیرندگان ممکن است در تلاش برای درک تفاوت بین آنچه که به طور واقعی امکانپذیر است و آنچه ایده آل یا کامل است، گیر کنند. هنگامی که تصمیم گیرندگان درک درستی از میزان محدودیت منابع، سیستم های محدود و داده های محدود و اثر آنها بر مجموعه امکانات قابل حصول داشته باشند، متوجه خواهند شد که نتایج بدست آمده توسط ورودی ها محدود می شود.

جی توصیه کرد که دانشمندان داده تلاش‌های ارتباطی خود را بر توضیح محدودیت‌ها و چگونگی اثر آن بر محدود کردن نتایج بالقوه متمرکز کنند.

• پیچیدگی

به بیان ساده، علم داده پیچیده است و به بسیاری از سیستم‌ها، سخت‌افزار زیاد و زمان مناسب وابسته است. دانشمندان داده به این سطح از پیچیدگی عادت کرده اند، در حالی که تصمیم گیرندگان عادت دارند به روشی متفاوت فکر کنند.

در این زمینه، تجسم داده ها می تواند به تصمیم گیرندگان کمک کند تا پیچیدگی های موجود را ببینند.

• بازگشت سرمایه

تصمیم گیرندگان معمولاً عادت دارند پروژه ها را قابل اندازه گیری و با ROI مشخصی بررسی کنند. با این حال، با توجه به ماهیت آزمایشی و کشف محور پروژه های علم داده، اندازه گیری و محاسبه ROI اغلب برای پروژه های علم داده غیرممکن است.

• طول عمر پروژه

در اینجا، طنزی غالب است: پروژه‌های علم داده زمانی بهترین هستند که زمان زیادی برای آن صرف شود، بیشترین داده‌ها را دریافت کند، و بیشتر مورد تجزیه و تحلیل قرار گیرد – و این با جدول زمانی گزارش‌های فصلی که بر دنیای تصمیم‌گیرندگان تجاری حاکم است، همخوانی ندارد.

کلام آخر:

دانشمندان داده می توانند با نشان دادن دستاوردها و پیشرفت های فزاینده و با زمینه سازی همیشگی از روند پیشبرد نتایج بر این چالش چیره شوند.