初创团队最重要的是什么_为什么数据科学团队应该像初创公司一样运作

初创团队最重要的是什么

随着业务中数据使用的增加，组织正争相建立数据科学团队。 由于这些团队是相对较新的团队，因此在公司如何组织它们方面没有先例，而且许多专家有不同的意见。 当然，数据科学团队的结构将根据公司重点，团队规模和数据本身而有所不同。 但是，公司可以从初创公司获得成功的运营要素，并将其应用于数据科学团队。

由于大多数初创企业都失败了，所以专家们缩小了经营元素的范围，这些元素更有可能给初创企业带来成功的机会。 其中三个要素包括使用精益和敏捷方法，建立扁平结构并快速旋转。 随着数据科学团队的出现和成长，他们可以采用这三种策略来提高生产力和有效运营。

数据科学团队和敏捷方法论

实施敏捷方法的数据科学团队不一定是新手，因为世界各地的开发团队都使用敏捷方法来取得成功。 根据项目管理研究所的数据 ，71％的组织表示有时，经常或始终使用敏捷方法。 普华永道发现 ，敏捷项目的成功率比传统项目高28％。

扩展数据科学和使模型可操作是团队面临的两个挑战。 通常，数据项目会引入需要与数据科学团队合作的devop团队和开发人员，这可能意味着团队需要进行协作编码。 敏捷方法在这些情况下效果很好，尤其是当生产中的模型需要工程来部署或需要多种资源来支持模型时。 持续集成和自动化测试是敏捷方法论的两个Struts，它与结合了多个团队成员和正在进行的工作的数据科学项目很好地配合使用。

采用扁平启动结构

许多初创公司选择扁平的结构来促进协作和创造力。 扁平的结构节省了运营成本，因为不需要中层管理人员，这可以简化操作。 初创企业享受扁平结构提供的直接沟通，并且决策速度更快。 通常，在扁平化结构下，员工会更快乐，因为微观管理要少得多，它可以使所有团队成员平等地贡献力量。

随着业务中数据使用的增加，组织正争相建立数据科学团队。 由于这些团队是相对较新的团队，因此在公司如何组织它们方面没有先例，而且许多专家有不同的意见。 当然，数据科学团队的结构将根据公司重点，团队规模和数据本身而有所不同。 但是，公司可以从初创公司获得成功的运营要素，并将其应用于数据科学团队。

由于大多数初创企业都失败了，所以专家们缩小了经营元素的范围，这些元素更有可能给初创企业带来成功的机会。 其中三个要素包括使用精益和敏捷方法，建立扁平结构并快速旋转。 随着数据科学团队的出现和成长，他们可以采用这三种策略来提高生产力和有效运营。

数据科学团队和敏捷方法论

实施敏捷方法的数据科学团队不一定是新手，因为世界各地的开发团队都使用敏捷方法来取得成功。 根据项目管理研究所的数据 ，71％的组织表示有时，经常或始终使用敏捷方法。 普华永道发现 ，敏捷项目的成功率比传统项目高28％。

扩展数据科学和使模型可操作是团队面临的两个挑战。 通常，数据项目会引入需要与数据科学团队合作的devop团队和开发人员，这可能意味着团队需要进行协作编码。 敏捷方法在这些情况下效果很好，尤其是当生产中的模型需要工程来部署或需要多种资源来支持模型时。 持续集成和自动化测试是敏捷方法论的两个Struts，它与结合了多个团队成员和正在进行的工作的数据科学项目很好地配合使用。

采用扁平启动结构

许多初创公司选择扁平的结构来促进协作和创造力。 扁平的结构节省了运营成本，因为不需要中层管理人员，这可以简化操作。 初创企业享受扁平结构提供的直接沟通，并且决策速度更快。 通常，在扁平化结构下，员工会更快乐，因为微观管理要少得多，它可以使所有团队成员平等地贡献力量。

对于数据科学团队来说，扁平的结构可以很好地工作。 在这种环境下，知识共享得以增加，这意味着初级数据科学家可以轻松地获得团队中更多高级成员的专业知识。 此外，许多数据科学家在技术上都非常熟练，但是他们缺乏管理技能，因此层次结构可能会使一些团队成员没有经过培训或需要改进的领导才能。 通常，具有技术经验的经理（有时是CTO）会领导数据科学团队，并将其余员工保持在扁平的结构中。 这位领导者可以介于公司的业务和技术部门之间，并具有管理方面的经验以帮助指导进度。 因为每个数据科学角色都依赖于另一个数据位置，所以扁平结构可以很好地工作。

适应变化并Swift发展

在创业世界中，很多事情可以在一夜之间改变。 也许是竞争对手在市场上击败您，或者资金没能到位，但创业公司必须将其项目推向市场的原因很多。 约有7％的失败创业公司希望他们能够在需要时进行调整。 《 启动基因组报告》发现，一次或两次旋转的初创公司比旋转两次或根本不旋转两次的初创公司筹集的资金多2.5倍，用户增长3.6倍，过早扩展的可能性降低52％。 改变路线是创业界的工作方式，有时，数据科学团队也必须进行调整。

由于数据科学领域是一个相对较新的领域，因此团队从事的许多项目以前从未完成过。 数据团队可能正在努力预测任何人都无法预测的市场行为，或者以其他人没有的方式来研究客户流失。 无论该项目如何，有时数据科学团队都会发现它根本不可能实现。 数据科学团队不得不放弃项目有很多原因。 也许数据不存在，模型可能不起作用，或者客户的需求发生了变化。

数据团队无法制造不存在的数据，当这种情况发生时，是时候进行另一个项目了。 无论出于何种原因，数据科学团队都必须像初创企业一样，能够进行调整或冒着浪费时间和资源的风险。 而且，像初创企业一样，数据科学团队可以借鉴他们从暂停或失败的项目中学到的知识，并将这些经验教训用于下一份工作。

从启动失败中吸取教训

现在，启动失败的原因越来越明显，数据科学团队可以从中学到很多教训。 CB Insights发现了创业公司失败的20个最主要的原因，其中许多经验教训也适用于数据团队。 最重要的三个原因是：没有市场需求（42％），没有现金（29％），没有合适的团队（23％）特别适用于数据团队。 如果没有商业理由要存在数据项目，也就是说，没有人会从中获得价值，那么，除了获得经验之外，没有理由继续该项目。 如果没有资金，那么数据项目当然不可能继续进行。 最后，如果团队不能很好地合作，则该项目从一开始就注定要失败。

如今，数据科学团队变得越来越普遍，对他们而言，重要的是要学习创业公司已经成功地开展合作的经验教训。

这个故事“为什么数据科学团队应该像初创公司一样运作”最初由InfoWorld发布 。

翻译自: https://www.idginsiderpro.com/article/3304161/why-data-science-teams-should-operate-like-startups.html

初创团队最重要的是什么