Quais são os desafios de construir uma equipe de dados em um startup?

Construir uma boa equipe de dados é um desafio em qualquer lugar, mas há algumas questões que as startups em particular têm que considerar:

1. Goals: Por que você precisa de uma equipe de dados? Há objectivos concretos para os quais trabalhar, ou quer apaziguar os seus investidores? O que você espera que eles façam em um ano?<
2. Roles e composição da equipe: Para que papel devo contratar, tendo em conta os meus objectivos? Engenheiro de dados, cientista de dados, analista, comunicador de dados? Qual é a minha eventual composição de equipa que estou a construir para? A que nível de antiguidade você está visando?li>li>Lider da equipe: Tenho um líder de equipe forte que possa identificar, atrair e recrutar grandes cientistas de dados, e que possa trabalhar com os fundadores para definir a estratégia de dados da empresa? Espere que eles gastem 50% do tempo no recrutamento e entrevista, pelo menos inicialmente.
3. Timing: Quando devo contratar o meu primeiro cientista de dados? Há trabalho suficiente para eles se eu ainda não tiver uma tonelada de dados? Mas se eu não tiver um cientista de dados, como saber quais dados coletar, como e por quê?
4. li>Org: Onde caberá a equipe de dados na sua organização? A resposta vai depender das respostas às perguntas acima.
5. cultura de dados: A sua empresa está pronta para tratar dados como um cidadão de primeira classe?
6. Infra-estrutura: Os cientistas de dados podem fazer o seu trabalho assim que você os contrata, ou eles têm que montar a sua infra-estrutura de dados primeiro? Isto não é um problema em si, a menos que haja um descompasso de expectativas ou você esteja contratando para o papel errado / na ordem errada.
7. Recrutamento e retenção: Os cientistas de dados são procurados. O que você oferece que outros não podem? Oportunidades únicas de aprendizagem, dados únicos, missão social, crescimento na carreira? Não isca e troque - todos vão passar um mau bocado se você apresentar erroneamente o tipo de trabalho que vão fazer no momento da oferta. Isto é muito mais fácil se você pensou em 1-7.

Um típico cenário ruim: Os fundadores sabem que precisam de um "jogo de dados" (ou pior, "jogo de inteligência artificial"); investidores e clientes continuam a perguntar sobre aprendizagem de máquinas (ou pior, aprendizagem profunda). O fundador contrata um cientista de aprendizagem de máquinas, muitas vezes um recém-formado, e diz-lhes que eles vão construir modelos de aprendizagem de máquinas. O cientista chega lá - não há infra-estrutura, não há ETL, os dados são uma bagunça porque ninguém tentou fazer nada com eles ainda, a instrumentação é inexistente exceto para as operações, tudo leva uma eternidade, os engenheiros estão trabalhando em seus sprints e sua paciência está se desgastando. Toda a gente está frustrada: Cientistas porque não conseguem fazer o trabalho para o qual foram contratados, engenheiros porque têm de tirar tempo do seu trabalho para fazer "trabalho grunhido" e tirar dados do prod para o cientista que fica sentado e não faz nada de útil, fundadores porque o cientista de dados nem sequer produziu um painel decente, muito menos esta máquina mágica a aprender que toda a gente está sempre a delirar. O próximo cientista (se houver) herda guerras de cultura e ceticismo.

Isso não vai acontecer com o seu startup, no entanto, porque você pensou nas perguntas acima antes do tempo.