Stai costruendo una startup e ti stai chiedendo se è il momento giusto per assumere un data scientist?
Oppure sei uno scienziato di dati e ti stai chiedendo se dovresti candidarti per quel lavoro in una nuova entusiasmante startup?
Riceviamo spesso queste domande, quindi ecco cosa abbiamo imparato lavorando come data scientist in una startup.
È TEMPO CHE LA TUA STARTUP ASSUMA UN DATA SCIENTIST? Tutto dipende dalla fase in cui si trova la startup! Se la tua startup ha bisogno o meno di assumere un data scientist, e se tu come data scientist dovresti accettare un lavoro in una startup, tutto dipende dalla fase del ciclo di vita della startup.
Comprendere le fasi del ciclo di vita di una startup
I data scientist possono aiutare le aziende con la risoluzione dei problemi, l'innovazione e la scalabilità di un'azienda. Tuttavia, quando si tratta di startup, è importante considerare la fase dell'azienda nel ciclo di vita della startup. Ci sono molti articoli sulle fasi attraversate da una startup e la maggior parte introduce un percorso simile.
LE FASI DEL CICLO DI VITA DI UNA STARTUP:
Fit problema-soluzione
MVP
Adattamento al mercato del prodotto
Scalabilità
Crescita e innovazione
Sebbene non tutte le startup si muovano da una fase all'altra allo stesso ritmo, vogliamo sottolineare i punti critici che dovresti considerare in ogni fase. vogliamo anche notare che la definizione di "scienza dei dati" non è un termine universalmente accettato.
In questo articolo, usiamo "data scientist" per indicare coloro con una mentalità scientifica e la capacità di costruire modelli di machine learning. Ma come vedrai di seguito, i data scientist in una startup indosseranno anche altri cappelli, come analista di dati, ingegnere di dati e ingegnere di apprendimento automatico.
Tutto dipende dalla fase in cui si trova la startup!
Fase 1. Adattamento problema-soluzione
PER LE IMPRESE
A meno che la tua azienda non fornisca servizi di intelligenza artificiale, in questa fase non hai bisogno di data scientist. Hai trovato un problema e pensi di avere una soluzione. A questo punto non dovresti pensare all'infrastruttura dei dati e alla scalabilità. Devi solo fare molte interviste pratiche e ripetere fino ad arrivare alla fase successiva.
Ma se tutte le tue soluzioni coinvolgono servizi di intelligenza artificiale, hai bisogno di un data scientist maturo che sia consapevole di cosa si può e non si può fare con le soluzioni di intelligenza artificiale in produzione . Deve essere qualcuno a cui non piacciono le soluzioni di tendenza e che non si butti nella creazione di servizi di intelligenza artificiale prima di poter vedere il quadro generale.
PER DATA SCIENTIST
Se sei un data scientist e ti unisci a una startup in questa fase, sei solo una delle poche persone nell'azienda (forse uno dei co-fondatori!). A questo punto, non dovresti aspettarti attività relative alla scienza dei dati o forse molto generali in questa fase (come l'analisi dei dati con un po' di machine learning), a meno che le soluzioni aziendali non forniscano esplicitamente soluzioni di intelligenza artificiale.
In tal caso, devi avere un'ottima comprensione di cosa si può fare con l'IA senza cadere in tutto il clamore. Sarai uno dei principali responsabili delle decisioni nella startup, quindi assicurati di non buttarti nella costruzione di modelli complessi solo perché puoi. Inoltre, devi essere consapevole dei rischi; non tutte le startup avranno successo!
Fase 2. MVP
PER LE IMPRESE
Questa è la fase per costruire il prodotto più valido con il minor tempo e al minor costo. In questa fase, è necessario un data scientist esperto che sia a suo agio nel lavorare su problemi definiti in modo approssimativo. Ti aiuteranno ad accelerare alcuni processi con il tuo MVP, ma non aspettarti che a questo punto costruiscano qualcosa che ti distingua dalla concorrenza. Questa è solo la fase MVP! Avrai bisogno di data scientist con una mentalità scientifica più di quelli che cadono nella trappola di MLOps . In questa fase, gli MLOp rallenteranno drasticamente le iterazioni MVP.
PER DATA SCIENTIST
In questa fase, i risultati non sono chiari, i problemi sono definiti in modo impreciso e l'infrastruttura dei dati è... inesistente. Aspettatevi di fare molte analisi e lavorare con piccoli modelli ML standard. Non aspettarti che l'azienda ti fornisca soluzioni cloud e molti dati in questa fase. Avrai a disposizione dati minimi per addestrare i tuoi modelli e strumenti minimi con cui lavorare.
Non saltare nell'implementazione di soluzioni di intelligenza artificiale sfumate a questo punto. Modelli semplici e persino euristiche possono aiutare l'azienda ad apprendere e a ripetere rapidamente. Aspettati di svolgere alcune parti delle attività di ingegneria e sviluppo oltre al tuo lavoro di scienza dei dati, ma non cadere nella trappola di approfondire gli MLOps in questa fase.
Una volta ho dovuto raccomandare manualmente gli elementi agli utenti per capire che tipo di motore di raccomandazione di cui avevamo bisogno per i nostri utenti target. Abbiamo imparato molte cose che non avremmo potuto imparare implementando un motore di raccomandazione casuale.
Fase 3. Adatta al mercato del prodotto
PER LE IMPRESE
Questo è un passaggio fondamentale per la tua strategia sui dati . L'azienda sta trovando il mercato giusto e presto inizierà a crescere. Ancora più importante, se si dispone di un mercato bilaterale, è necessario ridimensionare per ottenere indicazioni sull'adattamento del prodotto al mercato. Pertanto, hai bisogno di data scientist per assicurarti di raccogliere i dati giusti nel formato giusto . Cerca data scientist che abbiano dimestichezza con l'ingegneria dei dati in questa fase (se non disponi già di ingegneri dei dati).
Supponiamo che tu stia costruendo un motore di ricerca e consigli e raccogliendo solo clic, ma non segnali di rimbalzo. Quando si passa alla fase di scalabilità e si desidera ricevere assistenza dai servizi di intelligenza artificiale, non si dispone dei dati corretti. Ancora più importante, hai bisogno di un team di dati con ingegneri di dati. A questo punto, devi allontanarti dal passaggio di fogli excel tra le squadre, o rimarrai intrappolato quando si tratta di ridimensionare!
L'investimento in dati e scienza dei dati è un esempio di investimento nella curva J. Inizialmente sarà costoso e non vedrai immediatamente un ROI significativo . La fase di mercato del prodotto è il passaggio critico per la tua strategia sui dati.
PER DATA SCIENTIST
Aspettati molta collaborazione con il team di dati, il team di ingegneri e gli analisti di dati. Dovresti sentirti a tuo agio con il lavoro di ingegneria e interagire con i tuoi colleghi meno tecnici per aiutare a prendere decisioni aziendali nel business attraverso l'analisi dei dati. Non aspettarti un team di big data e scienza dei dati a questo punto. Probabilmente sei l'unico scienziato di dati (o uno dei pochi) nell'azienda e ancora vicino alle decisioni aziendali strategiche. Ciò significa che avrai un ampio campo da scoprire da solo, oltre a molta flessibilità e responsabilità per ciò che verrà dopo.
Fase 4. Scalabilità
PER LE IMPRESE
Ora è il momento di assumere data scientist ed espandere il team di dati. Si spera che tu abbia già iniziato a pensare e fare parte di questo lavoro. Il team di data science può aiutarti a scalare molte parti dell'azienda. Detto questo, avrai comunque bisogno di una buona comprensione di quali servizi di intelligenza artificiale acquistare e cosa costruire internamente.
I dati possono essere oro. Quindi devi capire quali dati ti differenziano dagli altri concorrenti mentre stai scalando. Non cadere nella trappola di assumere data scientist full-stack! Non importa quanto siano bravi i data scientist full-stack, gestiranno sempre alcune parti del lavoro di ingegneria in modo diverso rispetto agli ingegneri. Assumi persone per la loro esperienza in questa fase piuttosto che cercare quegli unicorni di scienza dei dati/ingegneria. In altre parole, assumi data scientist con le competenze di nicchia richieste dalla tua azienda. Lascia la parte ingegneristica ai team di ingegneri.
PER DATA SCIENTIST
Puoi aspettarti che ci sia un team di ingegneria dei dati dedicato che si occupi dell'ETL e della qualità dei dati, nonché un team dedicato per l'analisi dei dati. L'azienda sta probabilmente anche investendo in un'adeguata infrastruttura di dati; pertanto, puoi aspettarti di lavorare su problemi che aiuteranno la scalabilità dell'azienda. Ciò significa che ci sono veri problemi di scienza dei dati da risolvere !
Un passaggio importante in questa fase è assicurarti di creare cicli di feedback per assicurarti che i tuoi modelli di machine learning stiano migliorando man mano che l'azienda cresce e più dati vengono ridotti.
Fase 5. Crescita e Innovazione
PER LE IMPRESE
Hai un team di dati maturo con più data scientist, anche possibilmente team dedicati alla scienza dei dati per vari servizi di intelligenza artificiale che hai nel business. Dovresti avere una cultura di decisioni più informate sui dati in questa fase mentre cresci ed espandi. Devi pensare al talento e alla fidelizzazione in questa fase, se non l'hai già fatto. Potresti incontrare problemi specifici che nessun'altra azienda ha affrontato e quindi richiedere ricerche approfondite per collaborare di più con le università; sei aperto a più innovazione. In questa fase, sono necessari diversi tipi di data scientist: quelli con più competenze scientifiche, data scientist con esperienza di ingegneria ML e data scientist più junior per aiutare con le fasi di analisi e fattibilità.
PER DATA SCIENTIST
Puoi aspettarti un team di data science più grande, che potrebbe essere suddiviso in diversi team. Probabilmente non influenzerai direttamente le decisioni aziendali strategiche, ma ci sarà molto da imparare dagli altri colleghi di vari data team. L'azienda è maturata nell'infrastruttura dei dati e avrai meno influenza sui grandi cambiamenti a tale infrastruttura. Tuttavia, puoi aspettarti di essere in grado di impazzire e testare modelli ML all'avanguardia per aiutare con la crescita del business.
Se sei un data scientist e vuoi candidarti per un lavoro in una startup, cerca dove si trova la startup nel suo ciclo di vita. Avrai esperienze e responsabilità molto diverse man mano che l'azienda cresce. Come startup, capisci quando investire nella scienza dei dati e quale tipo di data scientist è importante per la tua azienda. Tutto dipende dalla fase in cui ti trovi.
.png)
