Können externe Personen produktive Datenwissenschaftler sein?

Jetzt, da einige größere Dienstleistungsunternehmen anfangen, "Datenwissenschaftler" einzustellen, heizt sich der Hype eindeutig auf. Zeit also, sich zu konsolidieren! In einer Reihe von kurzen Blogbeiträgen werde ich einige Themen im Zusammenhang mit Datenwissenschaft ansprechen und beschreiben, wie ich diese sehe und empfinde.

Fertigkeiten und Fachwissen

In einer kürzlich erschienenen Artikel wird Omid Shiraji, CIO bei Working Links, mit den Worten zitiert: "[Sie] brauchen intern qualifizierte Leute, die Ihre Daten verstehen und wissen, wie sie für das Unternehmen nützlich sind. Extern beauftragte Leute können das nicht leisten." Da wir ein Unternehmen führen, in dem Sie externe, hochqualifizierte Mitarbeiter einstellen können, habe ich angefangen, über diese Aussage nachzudenken.

Ich nehme an, die Grundlage von Shirajis Argument ist das bekannte Venn-Diagramm der Datenwissenschaft. In diesem Diagramm wird Datenwissenschaft als Überschneidung von "Hacking-Fähigkeiten", "Mathematik- und Statistikwissen" und "Substanziellem Fachwissen" beschrieben. Aufgrund meiner Erfahrungen in der Datenwissenschaft bezweifle ich nicht, dass die Kombinationvon "Mathe" und "Hacken" wesentlich ist, aber ich hatte immer Probleme mit der "Substanziellen Expertise". Der Grund ist, dass "Mathe" und "Hacken" translationale Fähigkeiten sind (sie können auf jeden Bereich angewendet werden), während "Substantive Expertise" an einen bestimmten Bereich gebunden ist. Ich könnte zum Beispiel mein Wissen über die Zeitreihenanalyse in einem Finanzbereich oder in einem Gesundheitsbereich anwenden, während ein Großteil des Wissens aus dem Finanzbereich nicht direkt im Gesundheitsbereich anwendbar ist (es sei denn, Sie würden zynisch anmerken, dass sich im Gesundheitsbereich heutzutage alles um Finanzen dreht).

Menschen mit Fachkenntnissen sind für jedes Unternehmen sehr wertvoll, und wir brauchen konkrete geschäftliche Probleme, um unsere Analysen und Entwicklungen zu steuern. Sonst betreiben wir nur Forschung. Außerdem ist es hilfreich, wenn ein Datenwissenschaftler das Unternehmen kennt, weiß, wofür es steht und welche aktuellen Probleme und Herausforderungen es gibt. Außerdem hilft es definitiv, wenn man weiß, wo man interne Datensätze erhält und wiediese Daten zu interpretieren sind. Dennoch können diese Fragen auch an Personen gestellt werden, die keine Datenwissenschaftler sind. Dasselbe gilt für die Interpretation von Analysen, die von Datenwissenschaftlern durchgeführt werden: Wenn sie klar im Kontext der vorliegenden Geschäftsprobleme dargestellt werden, können Menschen mit inhaltlicher Expertise die Ergebnisse interpretieren und einen Beitrag leisten.

Ein Beispiel aus der Wissenschaft

Die Frage, ob externe Menschen produktiv sein können, erinnert mich an eine Untersuchung, die ich durchgeführt habe, als ich noch an der Universität Leiden. Damals habe ich mich mit konvergierende Bereiche der Wissenschaft. Für mich sindkonvergierende Felder diejenigen, die beginnen, ihre Forschung zusammenzulegen. Oft ist eine solche Verschmelzung nur vorübergehend, aberimmer wieder kann sie zu einem neuen Gebiet führen. Ein bekanntes Beispiel ist die Bioinformatik, wo fortschrittliche statistische und rechnerische Techniken mit der (biologischen) Genetik kombiniert werden. Oft ist dieseVerschmelzung das Ergebnis von externen Forschern, die beginnen, Werkzeuge und Techniken aus ihrem eigenenBereich auf Forschungsthemen eines anderen Bereichs anzuwenden. In den Papieren solcher konvergierender Felder kombinieren die ForscherVerweise auf beide Felder: einen für die Methoden und Techniken und einen für die Forschungsthemenund das Fachwissen. Nachfolgende Arbeiten werden bei Zeitschriften des "externen" Fachgebiets eingereicht, und wenn sie als relevant und normgerecht erachtet werden, werden diese Arbeiten Teil der Wissensbasis des konvergierenden Fachgebiets.

Die Botschaft, die Sie mit nach Hause nehmen können, ist, dass diese "externen" Wissenschaftler in der Lage waren, relevante Forschung in einem Bereich zu betreiben, der (ursprünglich) nicht ihr eigener war. Und dies zeigt wiederum, dass Fähigkeiten im Zusammenhang mit Tools und Techniken auf andere Wissensbereiche übertragen werden können. Für mich zeigt dies, dass externe Datenwissenschaftler mit einer neugierigen, offenen Einstellung in jedem Bereich produktiv sein können, vorausgesetzt, sie haben Zugang zu Leuten, die über substanzielles Fachwissen verfügen und die bereit sind, dieses Fachwissen an die Datenwissenschaftler weiterzugeben.

Fazit

Ich begrüße es sehr, wenn Unternehmen damit beginnen, in starke Teams interner Datenwissenschaftler zu investieren. Wie ich bereits in einem früheren Blogbeitrag geschrieben habe, ist dies viel besser als nur in Technologie zu investieren. Und es ist auch viel besser, als in nur externe Personen, denn dann verinnerlichen Sie die Fähigkeiten der Datenwissenschaft nicht. Letztendlich denke ich, dass es vielleicht besser ist, "Substanzielle Expertise" im Data Science Venn Diagramm in "Neugierige Einstellung und Geschäftssinn" zu ändern. Bei dieser Fähigkeit handelt es sich um die Fähigkeit, schnell zu lernen, kombiniert miteiner offenen Einstellung und einem aufrichtigen Interesse an dem Bereich, in dem Sie Ihre Fähigkeiten einsetzen. Solche Menschen können außerhalb Ihres Unternehmens stehen und dennoch einen geschäftlichen Mehrwert schaffen.

Aber zu behaupten, dass externe Menschen nicht produktiv sein können, ist einfach nicht wahr.