数据科学师+产品团队：跨部门合作的经验所得

全文共1671字，预计学习时长5分钟

图源：unsplash

目前，笔者的团队正专注于在SquadStack构建Auctm(美国房地产经纪人和代理人的智能助理)。作为一名数据科学家，笔者认为这是一个很好的机会，可以与出色的产品团队合作、学习各类产品开发以及部署许多数据科学驱动的功能和机器学习模型。

 

由于产品文献多围绕数据科学展开讨论，因此与产品、设计、工程、运营和客户成功等各种跨功能交互是必不可少的。

 

这使得笔者获得了无与伦比的洞察力，并理解了产品开发中每个角色的重要性。所有团队所付出的努力令人惊讶——产品团队领导整个产品开发；设计团队对用户体验进行深入思考；工程团队（包括前后端）构建可扩展的产品；运营团队负责管理所有特定于产品的功能以获得流畅的用户体验，并基于ML模型在生产中的表现提供有价值的反馈。

 

本文就将介绍笔者在跨职能部门中参与协作的经验。

 

· 速度很重要。对于初创公司来说，速度很重要，因此，即使是在基准性能下，也要尽快使用模型，这样就可以尽快得到关键客户的反馈。最终，随着对问题的更好理解和更多的训练数据，我们可以达到模型的最高性能。

· 预想产品要求。理想情况下，产品团队在设计之前，而设计工作在工程之前，这有利于每个功能都能以适当的可见性执行。但有时，数据科学团队甚至要在生产之前工作，以促进对未来可能需要的DS特性的深入探索。这些努力可能会在产品中得到利用，也可能不会，但它确实有助于在产品端做出更好的决策。

· 记住数据科学的局限性。数据科学工作的概率性质不同于普通软件工程，因此，在模型性能、自动化和未来迭代计划方面，设置正确的预期非常重要。数据科学家还必须为产品提供足够的可视性，以便在将来使某些特性成为可能。

 

· 监控模型预测的过程。许多因素（如训练数据的低精度、模式随时间的变化或由于新型冠状病毒等引发的不确定时期）会导致模型在生产环境中的性能降低，因此在完全确定模型性能之前，有一个模型预测的内部审查或抽样过程是至关重要的。在SquadStack，我们拥有训练有素的领域专家和分析师，他们通过提供宝贵的反馈，为改进ML模型做出了巨大贡献。

 

· 与产品的有效合作（以产品为中心）。在快节奏的创业环境中，围绕解决方案的想法和可行性进行讨论十分常见。因此，与数据科学一起，产品理解和相关软件技能在决定解决方案的可行性和跨团队协作中起着至关重要的作用。

 

· 与工程的有效合作。数据科学家都非常关注模型在精准性和召回率方面的表现。在与工程团队合作的同时，排除模型错误也变得至关重要。需要特别注意像模型预测的延迟和围绕RAM和CPU利用率的统计数据等因素，从而确定适合部署的基础设施。即使是整体的代码质量和模型管道的去耦对于在出现错误的情况下调试管道也非常重要。

 

采用vs责任|行为改变vs产品改变

· 提供以客户需求为中心的解决方案。可能有很多方法来解决任何特定的DS问题，但在处理产品时需要从真正为客户带来有利影响的角度来思考。特别是对于初创企业来说，专注于推动客户采纳的特性和解决方案有助于实现早期PMF。经常与客户通话有助于数据科学家获得必要的理解。

 

· 讨论每个特性的采用与责任。在产品开发的早期阶段，采用取代了一切（至少在PMF之前）。如果不能推动采用，就不能推动责任。作为一个数据科学家，根据客户行为和特性给产品带来的变化程度，为某个特性设计解决方案总是很重要的。

 

希望本文能帮助你更好地进行跨部门合作。

一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）