Handlingsbara big data: Hur man kan överbrygga klyftan mellan datavetare och ingenjörer

Surret kring big data har skapat en utbredd missuppfattning: att dess existens kan ge ett företag handlingsbara insikter och positiva affärsresultat. Verkligheten är lite mer komplicerad. För att få värde från big data behöver du ett duktigt team av datavetare för att sikta igenom det. För det mesta förstår företagen detta, vilket framgår av 15x - 20x tillväxten i datavetenskapliga jobb från 2016 till 2019. Men även om du har ett kapabelt team av datavetare till hands, måste du fortfarande rensa det stora hindret för sätta dessa idéer i produktion. För att inse verkligt affärsvärde måste du se till att dina ingenjörer och datavetare arbetar tillsammans med varandra. I sin kärna är datavetare innovatörer som extraherar nya idéer och tankar från de uppgifter som ditt företag tar in dagligen, medan ingenjörer i sin tur bygger av dessa idéer och skapar hållbara objektiv för att se våra data. Datavetare har i uppgift att dechiffrera, manipulera och merchandising data för positiva affärsresultat. För att uppnå denna prestation utför de en mängd olika uppgifter, allt från gruvdrift till statistisk analys. Insamling, organisering och tolkning av data görs allt för att identifiera betydande trender och relevant information. Även om ingenjörer verkligen arbetar i samarbete med datavetare, finns det några tydliga skillnader mellan de två rollerna. En av de grundläggande skillnaderna är att ingenjörer sätter ett avgörande högre värde på systemets "produktionsberedskap". Från motståndskraften och säkerheten för de modeller som genereras av datavetare till det faktiska formatet och skalbarheten vill ingenjörer att deras system ska vara snabba och pålitligt funktionella. Med andra ord: Datavetare och ingenjörsteam har olika dagliga problem. Detta ger upphov till frågan, hur kan du positionera båda roller för framgång och i slutändan extrahera de mest meningsfulla insikten från dina data? Svaret ligger i att ägna tid och resurser till att göra data och tekniska relationer perfekt. Precis som det är viktigt att minska röran eller "buller" kring datauppsättningar, är det också viktigt att jämföra all friktion mellan dessa två lag som spelar viktiga roller i din affärsframgång. Här är tre kritiska steg för att göra detta till verklighet. Det räcker inte att bara sätta några forskare och några ingenjörer i ett rum och be dem lösa världens problem. Du måste först få dem att förstå varandras terminologi och börja tala samma språk. Ett sätt att göra detta är att träna lagen. Genom att para forskare och ingenjörer i två bågar kan du uppmuntra delat lärande och bryta ner hinder. För datavetare innebär detta att lära sig kodmönster, skriva kod på ett mer organiserat sätt, och, kanske viktigast av allt, förstå teknikbunten och avvägningar för infrastruktur som är involverade i att införa en modell i produktionen. Publicerat på 7wData.be