Home > Gestão

Equipes de ciência de dados devem operar como startups

A medidas que emergem e crescem, elas podem adotar três táticas comuns entre as startups para aumentar a produtividade e operar de forma eficaz

Vivian Zhang *, InforWorld/EUA

07/02/2019 às 15h48

Foto: Shutterstock

Com o aumento do uso de dados nos negócios, as organizações estão se esforçando para montar equipes de Ciência de Dados. Como essas equipes são relativamente novas, não há precedência sobre como as empresas devem estruturá-las, e muitos especialistas têm opiniões divergentes. Naturalmente, a estrutura da equipe de Ciência de Dados será diferente com base no foco da empresa, no tamanho da equipe e nos dados em si. A boa notícia é que é possível pegar elementos operacionais bem-sucedidos das startups e aplicá-los às equipes de Ciência de Dados.

Como a maioria das startups falha, os especialistas definiram os elementos operacionais com maior probabilidade de dar a uma startup a uma chance de sucesso. Três desses elementos incluem o uso de metodologias Lean e Agile, a adoção de uma estrutura plana e adaptação rápida às mudanças. À medida que as equipes de Ciência de Dados emergem e crescem, elas podem adotar essas três táticas para aumentar a produtividade e operar de forma eficaz.

Metodologias ágeis
Escalar a Ciência de Dados e tornar o modelo operacional são dois desafios enfrentados pelas equipes. Geralmente, os projetos de dados usam desenvolvedores DevOps que precisam trabalhar com a equipe de Ciência de Dados, o que pode significar que as equipes codificam de forma colaborativa. As metodologias ágeis funcionam bem nesses cenários, especialmente quando os modelos em produção precisam de engenharia para implantar ou vários recursos que dão suporte ao modelo. A integração contínua e o teste automatizado, dois pilares das metodologias ágeis, funcionam bem com projetos de Ciência de Dados que combinam várias habilidades na equipe.

Adote uma estrutura plana
Muitas startups optam por uma estrutura plana para estimular a colaboração e a criatividade. Uma estrutura plana economiza custos operacionais porque não há necessidade de números de gerenciamento médio, o que cria uma operação mais enxuta. Startups desfrutam da comunicação direta que uma estrutura plana oferece, e as decisões são tomadas muito mais rapidamente. Frequentemente, os funcionários ficam mais felizes sob uma estrutura plana, porque há muito menos microgerenciamento e  todos os membros da equipe contribuem igualmente.

Para equipes de Ciência de Dados, uma estrutura plana pode funcionar bem. O compartilhamento de conhecimento é aumentado nesse tipo de ambiente, o que significa que os cientistas de dados juniores podem acessar facilmente a experiência de membros mais experientes da equipe. Além disso, muitos cientistas de dados são altamente qualificados tecnicamente, mas não possuem habilidades de gerenciamento, portanto, uma hierarquia pode deixar alguns membros da equipe sem treinamento ou a liderança necessária para melhorar. Normalmente, um gerente com experiência técnica, às vezes um CTO, lidera a equipe de Ciência de Dados e mantém o restante dos funcionários em uma estrutura plana. Esse transita bem entre os lados comercial e técnico da empresa e tem experiência em gerenciamento para ajudar a orientar o progresso. Como cada função da Ciência de Dados depende de outra, uma estrutura plana funciona bem.

Adapte-se a mudanças rápidas
No mundo das startups, muita coisa pode mudar da noite para o dia. Talvez um concorrente o impeça de entrar no mercado ou o financiamento esteja demorando... O Startup Genome Report descobriu que as startups que "pivotam" uma ou duas vezes aumentam 2,5 vezes mais dinheiro, têm 3,6 vezes mais crescimento de usuários e têm 52% menos probabilidade de escalar prematuramente do que startups que "pivotam" mais de duas vezes. Mudar de rumo é a maneira como o mundo das startups funciona e, às vezes, as equipes de Ciência de Dados também devem pivotar.

Como o mundo da Ciência de Dados é relativamente novo, muitos projetos em que as equipes trabalham nunca foram tentados antes. As equipes de dados podem estar trabalhando para prever uma ação de mercado que ninguém jamais foi capaz de prever ou para analisar a rotatividade de clientes de uma maneira que ninguém mais conseguiu. Não importa o projeto, às vezes as equipes de Ciência de Dados descobrem que isso simplesmente não pode acontecer. Existem muitas razões pelas quais as equipes de Ciência de Dados precisam abandonar os projetos; talvez os dados simplesmente não estejam lá, talvez o modelo não funcione ou talvez as necessidades do cliente mudem.

Seja qual for o motivo, as equipes de Ciência de Dados, assim como as startups, devem ser capazes de se movimentar ou se arriscar a perder tempo e recursos. E, como as startups, as equipes de Ciência de Dados podem aproveitar o que aprenderam com o projeto interrompido ou com as falhas e colocar essas lições no próximo trabalho.

Aprendendo com as falhas
A CB Insights encontrou  as 20 principais razões pelas quais as startups falham, e muitas dessas lições são aplicáveis ​​às equipes de dados também. As três principais razões - nenhuma necessidade de mercado (42%), ficou sem dinheiro (29%) e sem a equipe certa (23%) - são aplicáveis às equipes de dados. Se não houver razão comercial para a existência do projeto de dados - ou seja, ninguém obterá valor a partir dele - então, além de ganhar experiência, não há razão para continuar o projeto. Se não houver financiamento, então, é improvável que o projeto de dados possa prospere. E por último, se a equipe não estiver funcionando bem em conjunto, o projeto está condenado desde o início.

 

(*) Vivian Zhang é fundadora e CTO da NYC Data Science Academy 

Junte-se a nós e receba nossas melhores histórias de tecnologia. Newsletter Newsletter por e-mail