首席数据和分析官如何领导数据科学和机器学习领域的技能提升计划

Gartner研究 CDAO如何在数据科学和机器学习中引领技能提升计划 彼得·克伦斯基 2022年12月15日 CDAO如何在数据科学和机器学习中引领技能提升计划 2022年12月15日发布-IDG00780993-分析师阅读12分钟： PeterKrensky 举措：首席数据和分析ficer领导力 随着数据科学人才的招聘热潮持续，提高定量专业人员技能的举措仍然同样突出。CDAOs应该使用这种高层次的指导来帮助培养内部人才，提高数据科学和机器学习素养。 Overview 关键发现 ■在许多组织中，机器学习素养仍然很低；协同的教育和文化变革是必要的，但由于数据科学家的技术专长和业务用户的领域知识之间的差距，这并不常见。 ■丰富的教育机会加上人才获取和保留挑战，促使组织在各个复杂程度上提高其数据专业人员的技能，特别是为了扩大其公民数据科学家群体。 ■专家和公民数据科学家可以使用大量的工具和方法。CDAOs必须在广阔的环境中导航，以使不同的用户与适当的解决方案和相应的教育路径相匹配。 Recommendations 负责分析、BI和数据科学解决方案的CDAO应： ■通过提供集中的教育资源并展示内部和外部的现有用例和成功案例，提高整体数据科学和机器学习意识，采用和素养。 ■通过创建内部技能和雄心清单，确定组织中的公民数据科学(CDS)候选人。将技能提升路径与CDS候选人的各种背景和愿望相匹配。寻求建立数据科学家、公民数据科学家和其他ML管道利益相关者的互联社区。 ■通过为分析的普通消费者、CDS候选人和专家数据科学家设计不同的提升技能路线图，构建可重复和可持续的教育计划。 战略规划假设 到2024年，75％的组织将建立一个集中的数据和分析（D＆A）卓越中心，以支持联合的 D＆A计划并防止企业失败。 到2025年，50%的数据科学家活动将通过人工智能实现自动化，缓解严重的人才短缺问题。 Introduction 数据科学领域的人才差距可能永远不会完全缩小，但可以缩小。许多Garter客户仍然报告说，在吸引和吸引人才方面存在差异。保持高效的数据科学家长期任职也是一个重大挑战。CDAOs需要学习如何为专家建立发展路径，并通过正确的工具、培训和结构来支持初露头角的公民数据科学家（见CDAO角色定义的注释1和公民数据科学家定义的注释2）。即使是构建大量复杂而准确模型的组织也必须努力培养数据素养和正确采用解决方案。 例如，在资源和人才上投入更多的CDAO的数据素养计划的效率和成功率提高了1.8倍。1应该在整个组织中推广技能提升，为特定的个人群体（包括专家和新的CDS候选人）提供有针对性的培训，并为所有分析消费者提供普通教育。 大多数组织发展数据科学和机器学习人才库的最大机会是通过提高现有员工的技能。 大多数成功的技能提升包括一些正规的教育和培训，但最有影响力的学习通常发生在完成新项目或承担新的分析职责期间的“工作中”。许多自我认同的数据科学家在使用ML方面的经验还不到五年。领导者应该期待一些成长的痛苦和陡峭的学习曲线。在可能的情况下，开发时间表应该是灵活的，早期项目应该在范围和风险上受到限制。 分析 提高消费者的机器学习素养，促进与数据科学家的合作 提高围绕数据科学和机器学习的讨论水平是提升员工技能的第一步。首先要确保所有业务线(LOB)领导者和决策者清楚地了解数据科学家如何创造价值。这可以通过简单的研讨会或练习来完成，数据科学家和 /或其他参与者开始质疑一些现有的KPI、数据或指标。有抱负的模型构建者和大量消费者应该对机器学习生命周期有一个基本的了解，特别是数据准备、特征工程、测试和培训以及部署(见图1)。向消费者强调，分析消费者是从数据科学团队的工作中产生价值并为未来的项目和模型迭代提供反馈的关键。 图1.机器学习生命周期 帮助热情的人熟悉几种机器学习技术的基础知识，如回归、聚类和分类。鼓励或要求数据科学家定期举行公开会议，讨论当前项目（以外行人的术语）或介绍他们热衷的数据科学方面。考虑发展的gamifi阳离子，鼓励提高技能的个人参加定期培训，参与新科目或与同龄人进行健康竞争。 创建技能清单以识别内部CDS候选人并培养相互联系的数据科学社区 人才调整，职业发展和留住人才是维持成功的技能提升计划所需的主要领导要求。公民数据科学家的角色在人才识别和开发方面对CDAO提出了独特的要求。CDAOs需要了解CDS角色是什么（见图2 ），并认识到能够成为优秀CDS候选人的技能和优势。 图2.分解CDS角色 与潜在候选人交谈，以衡量他们对数据科学职业的兴趣和抱负。让候选人完成对其背景的自我评估，以便建立详细的技能清单。此清单对于设计培训计划和进行技术投资非常宝贵。最有希望提高技能的候选人通常具有物理，化学，生物学，精算科学，计算机科学，工程，金融，经济学和数学的教育和专业背景。 使用清单中的数据来识别IT和业务部门内以及跨业务职能的社区。通过正式指导、结构化协作和战略性软件投资来支持和发展这些社区。寻找能够保持这些社区活跃并相互交谈的领导者和实践者。有关在社区中推广技能提升计划的更多信息，请参阅使用SocialIfiecer原则建立社区并提高数据和分析的采用率 。 为专家CDS候选人和分析消费者设计Upskilling路线图，并支持专家的持续发展 在两个小组中同时开展围绕数据科学和机器学习的基础技能提升计划：CDS候选人和分析消费者（见图3）。 图3.同时提升技能路线图 CDS候选人的路径 CDS候选小组将在三个阶段进行结构化的技能提升计划。 第一阶段：方法选择和正式培训 无论选择哪种方法，所有CDS候选人都应该对他们需要获得和磨练的技能有一个清晰的愿景。CDAOs 应该让他们的团队与人力资源部门合作，为公民数据科学家设计职业道路，包括不同的专业。 正式培训可以是课程，新兵训练营或工具培训计划。有兴趣通过免费学习提高技能的CDAOs和CDS候选人应该探索由Corsera，DataCamp，edX，Udacity和Udemy等组织提供的大规模开放在线课程（MOOC）。CDAO应确保对YoTbe、KaggleLear和其他地方提供的大量教程进行调查 。领导者和CDS候选人也应该调查当地的面对面选择。在监督免费学习计划时，为CDS候选人制定明确的激励措施和里程碑，以准确衡量他们的进步。课堂学习将作为广泛的基于项目的学习的基础 。 阶段2：实验和原型制作 一旦CDS候选人完成他们的正式培训，他们应该开始试验他们的新技能和设计原型。领导者应该为新的ML从业者提供沙箱环境，用户可以使用脱敏数据进行试验和错误。只要有可能，将公民数据科学家置于数据科学家的指导下，他们可以审查他们的工作并提供反馈。领导者还应该确保CDS候选人： ■开始磨练成功的数据科学所必需的沟通技巧，并通过机器学习宣传他们的工作方法和潜力。 ■与分析消费者和专家数据科学家建立定期联系和协作。 ■检查分析消费者对新模型的建议。 ■与他们的数据科学队友分享他们的领域专业知识。 ■启动反向知识转移到即使是最有任期的数据科学家之间的fill差距。 第三阶段：交付和运营 CDS技能提升的第三阶段是新模型的交付和运营。首席数据科学家和机器学习工程师的新兴角色应该在引导公民数据科学项目从实验到生产方面发挥积极作用。公民数据科学家还应促进分析消费者的利用，并努力建立持续的反馈，以改进现有模型并交换新模型的想法。 Gartner发表了一项研究，进一步探索了管理公民数据科学家的最佳实践和要避免的常见陷阱（请参阅数据科学家关于其教育和职业发展的经验教训）。 分析消费者的路径 需要同时进行结构化技能提升的第二组是整个组织中分析的消费者-同样是三个阶段。 第一阶段：数据科学和机器学习简介 通过数据科学和机器学习的入门教育，开始为普通消费者制定技能提升路线图。这应该以外部嘉宾演讲者或内部数据科学专业人员的专用时间的形式出现。向消费者展示具有可衡量商业价值的内部案例研究 ，并将他们招募为整个数据科学计划中的热情利益相关者。CDAO应将此阶段视为在数据科学团队与不同LOB之间建立新工作关系的关键机会。 阶段2：关于度量和分析的头脑风暴想法 在此入门培训之后，通过头脑风暴会议，讨论分析消费者希望更好地预测和优化的指标。反过来，这将导致对打包应用程序的投资提出建议，以实现和使用的最高便利性。 在这个阶段，让分析消费者与CDS候选人联系，分享他们的想法，并听到完成提升技能计划后可能发生的事情。分析消费者可以帮助集思广益，然后这两个小组可以在可行性和优先级上进行合作。 第3阶段：测试模型的功能 最后，分析消费者应该接收并利用公民数据科学家创建的第一轮模型。CDAO应责成其团队成员监控新模型的消耗，以确保LOB级别的积极参与。分析消费者应该向数据科学团队反馈新模型的优点和缺点，并参与下一轮模型开发的头脑风暴。 推动专家数据科学家的技能提升 成功的数据科学需要在各个层面不断学习，尤其是在专家之间。鼓励和支持他们在快速发展的人工智能领域的所有领域的持续知识发展。在数据科学专业人员的独立学习时间表中创造空间。 专家数据科学家的共同研究和开发领域包括： ■领域知识 ■沟通技巧 ■战略和执行技能 ■深度学习 ■强化学习 ■增强数据科学和机器学习 ■物联网和边缘计算 ■计算机视觉 ■自然语言处理 ■机器学习操作(MLOps) ■AI信任、公平性和可解释性 ■数字伦理 除了AI中的硬技能和热门话题，专家数据科学家尤其受益于领导力和人类技能的发展。数据科学家，特别是初级数据科学家，往往在演示技巧、指导、协作和项目优先等领域的实力和经验较少。有关此主题的更多信息，请参阅《有效数据科学团队执行领导者指南》。 拥有数据科学家任期的CDAOs应该与这些人合作，了解他们的抱负，然后设计适当的职业道路。您的数据科学家希望成为纯粹的从业者还是发展成更多的混合角色？高级或首席数据科学家可以进入主要专注于管理的角色，不再是日常从业者，这可能对许多专家数据科学家没有吸引力。为成熟的数据科学业务保留这样的领导角色，这些业务拥有多名初级数据科学家和既定的CDS计划。有关此主题的更多信息 ，请参阅支持高级分析和AI计划的角色和技能。 证据 Gartner首席数据官2022年议程调查：这项研究旨在探索和跟踪CDO角色和/或CDO的业务影响以及创建数据驱动型组织的最佳实践。该研究于2021年9月至11月在全球496名受访者中在线进行。 受访者必须是组织中最高级别的数据和分析领导者：首席数据官，首席分析官，首席分析官，负责数据和分析的IT领域最高级的领导者，或业务主管，如首席数字官或其他负责数据和分析的业务主管。调查样本来自各种来源（包括LiedI），其中最多的来自Garter策划的超过4,519个CDO和其他高级数据和分析领导者的列表。该研究由GarterD&A分析师和主要研究团队共同开发（见CDAO议程2022 ：关注价值、人才和文化）。 免责声明：这项研究的结果并不代表全球市场或整个市场，而是反映受访者和接受调查的公司的情绪 。 注1：CDAO角色定义 首席数据和分析（CDAO）是指企业领导角色，通过组织的数据和分析资产以及数据和分析生态系统 ，对价值创造负有主要责任。此角色的等效头衔是首席数据官，首席分析官（如果CDAO角色或同等角色不在企业中），首席/主管数据和分析以及其他变体。 注2：公民数据科学家 公民数据科学家是创建或生成使用预测性或规范性分析的模型的人，但其主要工作职能不在统计和分析领域。该人员通常不是分析团队（例如，卓越分析中心）的成员，并且不一定具有将分析列为其主要角色的工作描述。此人通常在IT之外的业务线和商业智能(BI)团队之外。但是，如果IT或BI专业人员的分析工作只是次要角色，则他们可能是公民数据科学家。公民数据科学家是“高级用户”，他们能够使用简单和适度复杂的分析应用程序，而这些应用