Angesichts der oben genannten Ähnlichkeiten und Unterschiede zwischen Knowledge Science Consulting und anderen Beratungsarten ist es naheliegend, sich zu fragen, wie wir unseren Ansatz anpassen können, um den langfristigen Erfolg und die Rentabilität unserer Projekte sicherzustellen. Abgesehen von den offensichtlichen Elementen wie qualitativ hochwertigen Ergebnissen, pünktlicher Projektabwicklung und starkem Stakeholder-Administration, welche weiteren Komponenten sind für den Erfolg erforderlich?
Sicherstellung robuster Datenprodukte
Während sich die Unternehmensberatung in der Regel auf unmittelbare organisatorische Änderungen und einmalige Leistungen konzentriert, erfordert die Datenwissenschaftsberatung eine langfristige Perspektive auf Robustheit und Nachhaltigkeit. Dies hat mehrere Konsequenzen, und Sie können und werden an der kontinuierlichen Leistung Ihrer Arbeit gemessen und sollten Maßnahmen ergreifen, um sicherzustellen, dass Sie nicht nur zum Zeitpunkt der Übergabe, sondern möglicherweise auch in den kommenden Jahren gute Ergebnisse liefern. (Dies ist ähnlich wie bei der IT-Beratung, bei der kontinuierliche Leistung und Wartung von entscheidender Bedeutung sind.)
Ich habe zum Beispiel Datenprodukte entwickelt, die seit über 6 Jahren in Produktion sind! Ich habe die direkten Auswirkungen von Datenpipelines gesehen, die nicht strong genug sind, was zu Systemabstürzen und fehlerhaften Modellergebnissen führt. Ich habe auch gesehen, wie Modellvariablen und Beschriftungen im Laufe der Zeit erheblich verschoben wurden, was zu einer Verschlechterung der Systemleistung und in einigen Fällen zu völlig falschen Erkenntnissen führte.
Ich weiß, dass dies offensichtlich nicht das aufregendste Thema ist, und in einem Projekt mit knappem Price range und knappen Zeitvorgaben kann es schwierig sein, Argumente dafür vorzubringen, zusätzliche Zeit und Ressourcen für robuste Datenpipelines und die Überwachung variabler Abweichungen aufzuwenden. Ich möchte Sie jedoch dringend dazu anregen, mit Ihrem Kunden Zeit für diese Themen zu verwenden und sie direkt in Ihren Projektzeitplan zu integrieren.
– Fokus auf langfristige Nachhaltigkeit.
– Implementieren Sie robuste Datenpipelines.
– Überwachen Sie kontinuierlich die Modell- und Variablendrift.
Ich habe in einem früheren Artikel über einen Aspekt von Datenpipelines (One-Sizzling-Kodierung von Variablen) geschrieben. Dabei geht es darum, das Thema zu veranschaulichen und Lösungen in Python und R bereitzustellen.
Dokumentation und Wissenstransfer
Eine ordnungsgemäße Dokumentation und Wissenstransfer sind in der Knowledge Science-Beratung von entscheidender Bedeutung. Im Gegensatz zur Analyseberatung, bei der es möglicherweise um weniger komplexe Modelle geht, erfordern Knowledge Science-Projekte eine gründliche Dokumentation, um Kontinuität zu gewährleisten. Kunden sind häufig mit Personalwechseln konfrontiert, und intestine dokumentierte Prozesse tragen dazu bei, den Informationsverlust zu verringern. Ich wurde mehrfach von früheren Kunden kontaktiert und gebeten, verschiedene Aspekte der von uns erstellten Modelle und Systeme zu erklären. Dies ist nicht immer einfach – insbesondere, wenn Sie die Codebasis jahrelang nicht gesehen haben – und es kann sehr praktisch sein, ordnungsgemäß dokumentierte Jupyter-Notebooks oder Markdown-Dokumente zu haben, in denen der Entscheidungsprozess und die Analyse beschrieben werden. Dadurch wird sichergestellt, dass alle Entscheidungen oder ersten Ergebnisse leicht zurückverfolgt und gelöst werden können.
– Sorgen Sie für eine gründliche Dokumentation.
– Verwenden Sie Jupyter-Notebooks, Markdown-Dokumente oder ähnliches.
– Erleichtern Sie den Wissenstransfer, um Personaländerungen zu mildern.
Aufbau von Finish-to-Finish-Lösungen
Der Aufbau von Finish-to-Finish-Lösungen ist ein weiterer wichtiger Aspekt der Knowledge Science-Beratung. Im Gegensatz zur Analyseberatung, bei der der Schwerpunkt auf der Bereitstellung von Erkenntnissen und Berichten liegen kann, muss die Knowledge Science-Beratung die Einsatzfähigkeit und Operationalisierung von Modellen sicherstellen. Dies ähnelt der IT-Beratung, bei der die Integration in vorhandene CI/CD-Pipelines von entscheidender Bedeutung ist.
Ich habe Unternehmen erlebt, die aufgrund von Personaländerungen und unvollendeten Integrationsaufgaben Jahre von der Entwicklung eines Modells bis zu seiner Produktionsbereitstellung verschwendet haben. Hätten wir darauf bestanden, das Projekt bis zur vollständigen Produktionsreife durchzuziehen, hätte der Kunde viel früher von den vollen Vorteilen des Modells profitieren können. Dies kann erheblich sein, wenn die Projektkosten mehrere Millionen Euro betragen können.
– Erstellen Sie bereitstellbare Modelle.
– Sicherstellung der Operationalisierung.
– Integration in vorhandene CI/CD-Pipelines.
Visuelle Artefakte
Die Einbeziehung visueller Artefakte wie Dashboards oder Widgets hilft dabei, den durch das Projekt geschaffenen Wert zu demonstrieren. Während die Leistungen der Managementberatung strategische Pläne und Bewertungen umfassen – normalerweise in Kind einer einjährigen Powerpoint-Präsentation – profitiert die Knowledge Science-Beratung von visuellen Instruments, die fortlaufende Einblicke in die Auswirkungen und Vorteile der Lösung bieten. Diese Artefakte dienen als Erinnerung an den Wert des Projekts und helfen bei der Erfolgsmessung, ähnlich der Rolle von Visualisierungen in der Analyseberatung.
Eines meiner erfolgreichsten Projekte battle, als wir eine Preislösung für einen Kunden entwickelten und dieser begann, die Dashboard-Komponente direkt in seinen monatlichen Preisausschusssitzungen zu verwenden. Obwohl das Dashboard nur einen kleinen Teil des Projekts ausmachte, battle es das einzige, mit dem das Administration und die Führungskräfte im Unternehmen interagieren konnten, und stellte somit eine wirkungsvolle Erinnerung an unsere Arbeit dar.
– Erstellen Sie visuelle Artefakte wie Dashboards.
– Demonstrieren Sie den Projektwert visuell.
– Verwenden Sie Artefakte, um den Erfolg zu messen und für den Kunden related zu bleiben.
Bewertung der organisatorischen Reife
Die Bewertung der organisatorischen Reife vor dem Projektaufbau ist unerlässlich, um eine Überentwicklung der Lösung zu vermeiden. Die Anpassung der Komplexität der Lösungen an den Reifegrad des Kunden gewährleistet eine bessere Akzeptanz und Benutzerfreundlichkeit. Denken Sie immer daran, dass nach Abschluss des Projekts die Verantwortung normalerweise an interne Datenwissenschaftler und Dateningenieure übergeht. Wenn der Kunde über ein Crew von 20 Datenwissenschaftlern und eine moderne Dateninfrastruktur verfügt, die bereit ist, Ihre Modelle direkt in seine bestehenden DevOps zu integrieren, ist das großartig, aber häufig nicht der Fall. Stellen Sie sich stattdessen das Szenario vor, in dem Sie ein Device für das Unternehmen mit 20 Mitarbeitern, einem neuen Datenwissenschaftler und einem überarbeiteten Dateningenieur entwickeln. Wie würden Sie Ihre Strategie anpassen?
– Bewerten Sie die organisatorische und analytische Reife.
– Vermeiden Sie übertriebene technische Lösungen.
– Passen Sie die Komplexität an die Bereitschaft des Kunden an.
Befolgen von Greatest Practices in der IT-Entwicklung
Die Einhaltung bewährter Verfahren in der IT-Entwicklung wird in der Knowledge Science-Beratung immer wichtiger und ist häufig erforderlich. Anders als bei der Analyseberatung, bei der möglicherweise keine umfangreiche Codierung erforderlich ist, sollte die Knowledge Science-Beratung den Praktiken der Softwareentwicklung treu bleiben, um Skalierbarkeit und Wartbarkeit sicherzustellen. Dies ähnelt der modernen IT-Beratung, bei der das Schreiben modularen, intestine dokumentierten Codes und das Einbeziehen von Beispieldaten zum Testen wesentliche Praktiken sind.
Dies führt uns auch zurück zum vorherigen Punkt zu Dokumentation und Wissenstransfer. Intestine dokumentierter und strukturierter Code, verpackt in einfach zu installierende Softwarepakete und Bibliotheken, ist viel einfacher zu warten und zu verwalten als Tausende von Zeilen Spaghetticode. Bei Personalwechseln sind Sie in einer viel besseren Place, wenn der Code richtig entwickelt wurde.
– Befolgen Sie die Greatest Practices der IT-Entwicklung.
– Schreiben Sie modularen und intestine dokumentierten Code.
– Fügen Sie Beispieldaten zum Testen ein.