<\/a><\/noindex>Pero el objetivo de Data Science no es cumplir tareas. M\u00e1s bien, el objetivo es estudiar y desarrollar nuevas capacidades de negocio. Productos y servicios algor\u00edtmicos, como sistemas de recomendaciones, interacciones con clientes, clasificaci\u00f3n de preferencias de estilo, selecci\u00f3n de tama\u00f1os, dise\u00f1o de ropa, optimizaci\u00f3n de la log\u00edstica, detecci\u00f3n de tendencias estacionales y mucho m\u00e1s no pueden ser dise\u00f1ados de antemano. Deben ser explorados. No hay planos para reproducirlos, son nuevas oportunidades con su propia incertidumbre. Coeficientes, modelos, tipos de modelos, hiperpar\u00e1metros, todos los elementos necesarios deben ser analizados a trav\u00e9s de experimentos, pruebas y errores, as\u00ed como repeticiones. Con los pines, el aprendizaje y el dise\u00f1o se completan antes de su producci\u00f3n. Con Data Science, aprendes en el proceso, no antes de \u00e9l.<\/p>\n
En la f\u00e1brica de pines, cuando el aprendizaje es primordial, no esperamos ni queremos que los trabajadores improvisen en ninguna caracter\u00edstica del producto, excepto para mejorar la eficiencia de la producci\u00f3n. La especializaci\u00f3n de tareas tiene sentido, ya que conduce a la eficiencia de los procesos y a la coherencia en la producci\u00f3n (sin alteraciones en el producto final).<\/p>\n
Pero cuando el producto a\u00fan est\u00e1 en desarrollo y el objetivo es aprender, la especializaci\u00f3n puede obstaculizar nuestros objetivos en los siguientes casos:<\/p>\n
1. Aumenta los costos de coordinaci\u00f3n. <\/b><\/p>\n
Es decir, los costos que se acumulan por el tiempo dedicado a la comunicaci\u00f3n, discusi\u00f3n, justificaci\u00f3n y definici\u00f3n de las prioridades del trabajo que debe realizarse. Estos costos escalan de manera no lineal con la cantidad de personas involucradas. (Como nos ense\u00f1\u00f3 J. Richard Hackman, el n\u00famero de relaciones r crece de manera similar a la funci\u00f3n del n\u00famero de miembros n de acuerdo con esta ecuaci\u00f3n: r = (n ^ 2 - n) \/ 2. Y cada relaci\u00f3n descubre una cierta cantidad de relaci\u00f3n de costos). Cuando los especialistas en an\u00e1lisis de datos est\u00e1n organizados por funciones, en cada etapa, con cada cambio, cada transferencia de servicio, etc., se requieren muchos especialistas, lo que aumenta los costos de coordinaci\u00f3n. Por ejemplo, los especialistas en modelado estad\u00edstico que desean experimentar con nuevas funciones deber\u00e1n coordinar sus acciones con los ingenieros de procesamiento de datos que complementan los conjuntos de datos cada vez que quieren probar algo nuevo. De igual manera, cada nuevo modelo entrenado significa que el desarrollador del modelo necesitar\u00e1 a alguien con quien coordinar sus acciones para ponerlo en producci\u00f3n. Los costos de coordinaci\u00f3n act\u00faan como una tarifa por iteraci\u00f3n, lo que las hace m\u00e1s complicadas y costosas y con mayor probabilidad de hacer que se abandonen investigaciones. Esto puede obstaculizar el aprendizaje.<\/p>\n
2. Esto complica el tiempo de espera. <\/b><\/p>\n
Incluso m\u00e1s alarmante que los costos de coordinaci\u00f3n son los tiempos perdidos entre turnos de trabajo. Mientras que los costos de coordinaci\u00f3n suelen medirse en horas: el tiempo que se necesita para llevar a cabo reuniones, discusiones, revisiones de proyectos, el tiempo de espera generalmente se mide en d\u00edas, semanas o incluso meses. Alinear los horarios de los especialistas funcionales es complicado, ya que cada especialista debe estar asignado a varios proyectos. Una reuni\u00f3n que se lleva a cabo para discutir cambios puede llevar varias semanas para alinear el flujo de trabajo. Adem\u00e1s, tras acordar los cambios, tambi\u00e9n es necesario programar el trabajo real en el contexto de muchos otros proyectos que ocupan el tiempo de los especialistas. El trabajo relacionado con la correcci\u00f3n de c\u00f3digo o investigaciones que podr\u00edan completarse en unas pocas horas o d\u00edas puede tardar mucho m\u00e1s tiempo en ser disponible. Hasta entonces, la iteraci\u00f3n y el aprendizaje se detienen.<\/p>\n
3. Esto restringe el contexto.<\/b><\/p>\n
La divisi\u00f3n del trabajo puede limitar artificialmente el aprendizaje, recompensando a las personas por permanecer en su especializaci\u00f3n. Por ejemplo, un investigador que debe permanecer dentro de su funcionalidad concentrar\u00e1 su energ\u00eda en experimentar con diversos tipos de algoritmos: regresi\u00f3n, redes neuronales, random forest, etc. Sin duda, una buena selecci\u00f3n de algoritmo puede llevar a mejoras graduales, pero, por lo general, se puede obtener mucho m\u00e1s de otras actividades, como la integraci\u00f3n de nuevas fuentes de datos. De igual manera, esto ayudar\u00e1 a desarrollar un modelo que aproveche cada bit de capacidad explicativa inherente a los datos. Sin embargo, su fortaleza podr\u00eda residir en alterar la funci\u00f3n objetivo o aflojar ciertas restricciones. Es dif\u00edcil ver o hacer eso cuando su trabajo est\u00e1 limitado. Dado que el cient\u00edfico especializado se centra en la optimizaci\u00f3n de algoritmos, tiene muchas menos probabilidades de involucrarse en algo m\u00e1s, incluso si eso ofrece beneficios significativos.<\/p>\n
Llamemos a las se\u00f1ales que se manifiestan cuando los equipos de ciencia de datos operan como f\u00e1bricas de alfileres (por ejemplo, en simples actualizaciones de estado): \"esperando cambios en el flujo de datos\" y \"esperando recursos de ingenier\u00eda de ML\", que son bloqueadores comunes. Sin embargo, creo que la influencia m\u00e1s peligrosa radica en lo que no notas, porque no puedes lamentar lo que a\u00fan desconoces. La ejecuci\u00f3n impecable de requisitos y la autocomplacencia, logradas a trav\u00e9s de la eficiencia en los procesos, pueden ocultar la verdad sobre que las organizaciones no son conscientes de los beneficios del aprendizaje que est\u00e1n perdiendo.<\/p>\n
La soluci\u00f3n a este problema, por supuesto, radica en deshacerse del m\u00e9todo de f\u00e1brica de alfileres. Para fomentar el aprendizaje y la iteraci\u00f3n, los roles de ciencia de datos deben ser generales, pero con amplias responsabilidades, sin depender de la funci\u00f3n t\u00e9cnica, es decir, organiza a los especialistas en datos de manera que est\u00e9n optimizados para el aprendizaje. Esto significa que es necesario contratar \"especialistas de pila completa\" \u2014profesionales generales que pueden desempe\u00f1ar diferentes funciones: desde el concepto hasta la modelizaci\u00f3n, desde la implementaci\u00f3n hasta la medici\u00f3n. Es importante se\u00f1alar que no asumo que al contratar especialistas de pila completa el n\u00famero de empleados deba disminuir. M\u00e1s bien, simplemente supongo que cuando est\u00e1n organizados de manera diferente, sus incentivos se relacionan mejor con los beneficios del aprendizaje y la eficiencia. Por ejemplo, tienes un equipo de tres personas con tres habilidades comerciales. En una f\u00e1brica de fabricaci\u00f3n de alfileres, cada especialista dedicar\u00e1 un tercio de su tiempo a cada tarea profesional, ya que nadie m\u00e1s podr\u00e1 realizar su trabajo. En una estructura de pila completa, cada empleado vers\u00e1til est\u00e1 completamente dedicado a todo el proceso comercial, aumentando la escala del trabajo y el aprendizaje.<\/p>\n
Con menos personas apoyando el ciclo de producci\u00f3n, la coordinaci\u00f3n disminuye. El universal se mueve suavemente entre funciones, ampliando el flujo de datos para agregar un mayor volumen de informaci\u00f3n, probando nuevas funciones en los modelos, implementando nuevas versiones en producci\u00f3n para mediciones causales, y repite los pasos tan r\u00e1pido como llegan nuevas ideas. Por supuesto, el universal realiza diferentes funciones de manera secuencial, no paralela. Al final, solo es una persona. Sin embargo, completar una tarea generalmente toma solo una peque\u00f1a parte del tiempo necesario para acceder a otro recurso especializado. As\u00ed que el tiempo de iteraci\u00f3n se reduce.<\/p>\n
Nuestro universal puede no ser tan h\u00e1bil como un especialista en una funci\u00f3n laboral espec\u00edfica, pero no buscamos la perfecci\u00f3n funcional o peque\u00f1as mejoras graduales. M\u00e1s bien, buscamos explorar y descubrir constantemente nuevas tareas profesionales con un impacto progresivo. Con un contexto integral para una soluci\u00f3n completa, ve oportunidades que un especialista estrecho pasar\u00eda por alto. Tiene m\u00e1s ideas y m\u00e1s posibilidades. Tambi\u00e9n fracasa. No obstante, el costo del fracaso es bajo, y los beneficios del aprendizaje son altos. Esta asimetr\u00eda favorece una r\u00e1pida iteraci\u00f3n y recompensa el aprendizaje.<\/p>\n
Es importante destacar que la escala de autonom\u00eda y diversidad de habilidades que un cient\u00edfico que trabaja con pilas completas puede tener depende en gran medida de la fiabilidad de la plataforma de datos sobre la cual puede trabajar. Una plataforma de datos bien dise\u00f1ada abstrae a los cient\u00edficos de datos de las complejidades de la containerizaci\u00f3n, el procesamiento distribuido, la transici\u00f3n autom\u00e1tica a otros recursos y otros conceptos inform\u00e1ticos avanzados. Adem\u00e1s de la abstracci\u00f3n, una plataforma de datos confiable puede proporcionar una conexi\u00f3n fluida a la infraestructura experimental, automatizar la supervisi\u00f3n y el sistema de alertas, garantizar la escalabilidad autom\u00e1tica y hacer visible los resultados de algoritmos y depuraci\u00f3n. Estos componentes son dise\u00f1ados y construidos por ingenieros de la plataforma de datos, es decir, no se transfieren al equipo de desarrollo de la plataforma de datos desde el especialista en Ciencia de Datos. Es el especialista en Ciencia de Datos quien es responsable de todo el c\u00f3digo utilizado para poner en marcha la plataforma.<\/p>\n
A m\u00ed tambi\u00e9n me interes\u00f3 una vez la divisi\u00f3n funcional del trabajo utilizando la eficacia de los procesos, pero mediante prueba y error (no hay mejor forma de aprender) descubr\u00ed que los roles t\u00edpicos favorecen mejor el aprendizaje y la innovaci\u00f3n y proporcionan m\u00e9tricas correctas: el descubrimiento y la construcci\u00f3n de un n\u00famero mucho mayor de oportunidades comerciales que un enfoque especializado. (Una forma m\u00e1s efectiva de aprender sobre este enfoque organizativo que el m\u00e9todo de prueba y error a trav\u00e9s del cual pas\u00e9 es leer el libro de Amy Edmondson \"Interacci\u00f3n en equipo: c\u00f3mo las organizaciones aprenden, crean innovaciones y compiten en la econom\u00eda del conocimiento\").<\/p>\n
Hay algunas suposiciones importantes que pueden hacer que este enfoque organizativo sea m\u00e1s o menos fiable en algunas empresas. El proceso iterativo reduce el costo de los ensayos y errores. Si el costo de un error es alto, es posible que desee reducirlo (aunque no se recomienda para aplicaciones m\u00e9dicas o fabricaci\u00f3n). Adem\u00e1s, si est\u00e1 lidiando con petabytes o exabytes de datos, puede requerir especializaci\u00f3n en dise\u00f1o de datos. De igual manera, si mantener la capacidad comercial en l\u00ednea y su disponibilidad es m\u00e1s importante que su perfecci\u00f3n, la excelencia funcional puede superar el aprendizaje. Por \u00faltimo, el modelo de pila completa se basa en la opini\u00f3n de personas que entienden el tema. No son unicornios; se pueden encontrar o formar internamente. Sin embargo, tienen una alta demanda, y atraer y retener a esos profesionales en la empresa requerir\u00e1 una compensaci\u00f3n material competitiva, valores corporativos sostenibles y un trabajo interesante. Aseg\u00farese de que su cultura corporativa pueda proporcionar tales condiciones.<\/p>\n
Incluso teniendo en cuenta todo lo mencionado, creo que el modelo de pila completa proporciona las mejores condiciones para comenzar. Comience con ellos y luego avance conscientemente hacia una divisi\u00f3n funcional del trabajo solo cuando sea absolutamente necesario.<\/p>\n
Tambi\u00e9n hay otras desventajas de la especializaci\u00f3n funcional. Puede llevar a la p\u00e9rdida de responsabilidad y pasividad por parte de los trabajadores. El propio Smith critica la divisi\u00f3n del trabajo, sugiriendo que conduce a un embotamiento del talento, es decir, los trabajadores se vuelven ignorantes y retra\u00eddos, ya que sus roles se limitan a unas pocas tareas repetitivas. Si bien la especializaci\u00f3n puede proporcionar eficiencia en el proceso, rara vez inspira a los trabajadores.<\/p>\n
A su vez, los roles universales proporcionan todo lo que estimula la satisfacci\u00f3n laboral: autonom\u00eda, maestr\u00eda y enfoque. La autonom\u00eda radica en que no dependen de nada para alcanzar el \u00e9xito. La maestr\u00eda se refiere a las ventajas competitivas significativas. Y el enfoque se manifiesta en la capacidad de influir en el negocio que crean. Si logramos atraer a las personas hacia su trabajo y tener un gran impacto en la empresa, todo lo dem\u00e1s se alinear\u00e1.habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"HIROSHI WATANABE\/GETTY IMAGES \u0412 \u043a\u043d\u0438\u0433\u0435 \u00ab\u0411\u043e\u0433\u0430\u0442\u0441\u0442\u0432\u043e \u043d\u0430\u0440\u043e\u0434\u043e\u0432\u00bb \u0410\u0434\u0430\u043c \u0421\u043c\u0438\u0442 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442, \u043a\u0430\u043a \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0442\u0440\u0443\u0434\u0430 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0433\u043b\u0430\u0432\u043d\u044b\u043c \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u043c \u043f\u043e\u0432\u044b\u0448\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438. \u041f\u0440\u0438\u043c\u0435\u0440\u043e\u043c \u0432\u044b\u0441\u0442\u0443\u043f\u0430\u0435\u0442 \u043b\u0438\u043d\u0438\u044f \u0441\u0431\u043e\u0440\u043a\u0438 \u0437\u0430\u0432\u043e\u0434\u0430 \u043f\u043e \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u0443 \u0431\u0443\u043b\u0430\u0432\u043e\u043a: \u00ab\u041e\u0434\u0438\u043d \u0440\u0430\u0431\u043e\u0447\u0438\u0439 \u0442\u044f\u043d\u0435\u0442 \u043f\u0440\u043e\u0432\u043e\u043b\u043e\u043a\u0443, \u0434\u0440\u0443\u0433\u043e\u0439 \u0432\u044b\u043f\u0440\u044f\u043c\u043b\u044f\u0435\u0442 \u0435\u0451, \u0442\u0440\u0435\u0442\u0438\u0439 \u043e\u0431\u0440\u0435\u0437\u0430\u0435\u0442, \u0447\u0435\u0442\u0432\u0435\u0440\u0442\u044b\u0439 \u0437\u0430\u043e\u0441\u0442\u0440\u044f\u0435\u0442 \u043a\u043e\u043d\u0435\u0446, \u043f\u044f\u0442\u044b\u0439 \u043e\u0431\u0442\u0430\u0447\u0438\u0432\u0430\u0435\u0442 \u0434\u0440\u0443\u0433\u043e\u0439 \u043a\u043e\u043d\u0435\u0446 \u0434\u043b\u044f \u043d\u0430\u0441\u0430\u0436\u0438\u0432\u0430\u043d\u0438\u044f \u0433\u043e\u043b\u043e\u0432\u043a\u0438\u00bb. \u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438, \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043d\u0430 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0431\u043e\u0442\u043d\u0438\u043a \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0432\u044b\u0441\u043e\u043a\u043e\u043a\u0432\u0430\u043b\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u043c […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":24671,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-32907","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t
![\"Encuesta](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")