Door de groei van digitale data waren de eerste banen die van data scientists. Tegenwoordig zijn er zoveel meer gegevens dat kunstmatige intelligentie niet alleen groeit, maar ook elke dag slimmer wordt. Om datagedreven producten te bouwen heb je dan ook een data science-team nodig. Met daarin data scientists, data-engineers en product owners. Om er een paar te noemen. Maar hoe stel je een solide team samen dat een datagedreven product kan ontwikkelen? En welke rollen zijn daarin cruciaal?

Binnen een data team heeft iedere een eigen focus en zijn ze in feite allemaal even belangrijk. Het gaat erom dat iedereen verbonden is en samenwerkt, ook al ontwikkelt ieder teamlid aan zijn eigen onderdeel. ‘Zonder goede communicatie werkt wat er gemaakt wordt niet. Samenwerking staat centraal. Aan welke oplossing ze ook werken, het moet door het hele team worden gedaan’, aldus Romain Huet, Senior Data Scientist bij TMC.

Romain maakte een overzicht gemaakt (zie afbeelding) met essentiële rollen voor een data science team. Dit geeft inzicht in de bijdrage van ieder teamlid en laat zien wie er met wie samenwerkt. Dat gezegd hebbende, welke rollen zijn nou cruciaal voor een data science team en wat doen ze precies? We geven je een voorbeeld van hoe een team werkt bij de bouw van een platformtool zoals Spotify.

Bij de bouw van een platformtool moeten de verhalen en taken beschikbaar en inzichtelijk zijn. Scrum masters zorgen ervoor dat iedereen in het team op de hoogte is én op één lijn zit. Samen met de product owner (en de rest van het team) definiëren zij taken en organiseren ze deze in een roadmap. Ook controleren en definiëren ze eventuele extra taken die nodig zijn voor de bouw van het product. Taken zoals ervoor zorgen dat iedereen als een team werkt en hun verantwoordelijkheid kent.

Mogelijke volgende stappen

Voor het bouwen van een tool zoals Spotify nemen business managers contact op met stakeholders. Het is hun doel om de impact van een product op de markt te verbeteren en na te denken over alle mogelijke opties. Ook beantwoorden ze vragen als ‘Wat kan er gedaan worden om onze visie op basis van de markt te vervolledigen?’ Business managers rapporteren deze vragen aan de business intelligences, die op hun beurt zich weer richten op hoe een bedrijf zich kan verbeteren en meer winstgevend kan zijn. Voor Spotify kun je denken aan meerdere abonnementsvormen. Daarnaast bestuderen en evalueren de business intelligences ook het bedrijfsmodel van de concurrentie. Ze proberen erachter te komen hoe ze hen kunnen beconcurreren. Door gebruik te maken van Tableau creëren ze dashboards die (dagelijkse of wekelijkse) rapportages automatiseren om benodigde data te visualiseren. Zoals wanneer gebruiken mensen Spotify? En welke functionaliteit gebruiken ze dan het meest? Dankzij deze informatie kan business intelligences betere beslissingen nemen en kunnen ze de business managers beter adviseren en eventuele vervolgstappen bespreken.

De tekst gaat verder onder het infoblok

Toon behuizingsoplossingen

De verantwoordelijkheid van product owners is zien wat er kan worden gedaan om een ​​product te maken. Ze zijn voortdurend op zoek naar gegevens die hun vragen beantwoorden. Ook vragen ze feedback van data-analisten voor de ontwikkeling en definitie van het product. Product owners zorgen ervoor dat bedrijfsmanagers op één lijn zitten en beheren hun verwachtingen. Last - but not least - tonen de data scientist case-oplossingen aan product owners om te zien wat er kan worden gedaan om het product te maken. Kortom: ze zorgen ervoor dat een product wordt wat het zou moeten zijn.

Data-analisten kijken of – en wat – gedaan kan worden op basis van beschikbare data binnen het bedrijf. Ze gebruiken Python en Tableau om verkoopinformatie om te zetten in inzichten die het management helpt bij hun besluitvorming. Python en Snowflake worden gebruikt om bestaande rapportages te automatiseren tot betere oplossingen. Door te kijken naar wat er gebeurt, laten ze product owners en business intelligences zien of de bouwen van een product mogelijk is. Zo ja, dan vertellen ze hoe. Ze evalueren de feedback van klanten over een product en de impact van de tool op de markt. Hierna bespreken ze met producteigenaren of er gegevens zijn die kunnen helpen. Bijvoorbeeld: we hebben een nieuwe functie nodig voor beoordelingen, wat willen of hebben gebruikers nodig? Data-analisten maken queries die deze vragen beantwoorden.

Data scientists werken zij aan zij met data-analisten (data-engineers en machine learning-engineers) en maken dashboards en Proof of Concepts (PoC). Ze krijgen toegang tot inzichten van data engineers en werken met data van het bedrijf. De data scientists kijken welke data er al zijn en welke vragen worden beantwoord zodat de tool die gebouwd wordt ook daadwerkelijk gebruikt gaat worden. Komen ze tot de conclusie dat er betere gegevens nodig zijn? Dan gaan ze weer in overleg met de data-engineers.

Werken met de juiste gegevens

Ook onderdeel van het data science team zijn de machine learning ingenieurs. Zij werken samen met data-engineers en consolideren alle pijplijnen. Ze zetten modellen in een productieomgeving en op de juiste schaal. Ze werken samen met software-engineers aan de backend om technologieën te optimaliseren en bouwen met data-engineers de infrastructuur. De data-engineers maken en werken met databases. Zij zorgen ervoor dat data scientists toegang krijgen tot benodigde data voor de bouw van een tool. Zonder deze data is onduidelijk waar ze moeten beginnen en wat ze moeten doen. Je zou kunnen stellen dat dit de meest cruciale en belangrijkste rol is van het data science team. Het is belangrijk dat er een database wordt gebouwd die ook nog eens goed wordt ingericht. Want wanneer iemand een query doet, moet deze kloppen en efficiënt zijn. Data-engineers zorgen er in feite dus voor dat anderen over de juiste informatie beschikken om hun werk te kunnen doen.

Zodra een tool beschikbaar is en belanghebbenden aan boord zijn, is de volgende stap om het toegankelijk te maken voor het publiek. Dit is het moment waarop een oplossing (hopelijk) in productie gaat en de proof of concept zijn werk moet doen. Door de tool in productie te nemen, zorg je ervoor dat gebruikers het daadwerkelijk gaan gebruiken. Want eenmaal op de markt moet het ook aantrekkelijk zijn voor het publiek. De front-end software engineers zorgen ervoor dat het product er mooi uitziet en gebruiksvriendelijk is. Indien mogelijk denkt een UI of UX designer mee over de look en feel.

Je team bouwen

Voordat een data science team wordt samengesteld na te gaan waarnaar je op zoek bent. Een veel gemaakte fout is dat mensen op zoek gaan naar data scientists. Niet omdat ze er een nodig hebben. Maar omdat iedereen er een zoekt. Ook al is er misschien een klein aantal data scientists beschikbaar, je moet er eerst voor zorgen dat je gegevens hebt om mee te werken. Want zonder een data engineer beschik je niet de juiste data. Het eerste wat je doet bij de samenstelling van een team is… juist een data-engineer inhuren. Succes!