Özel | LinkedIn Genel Merkezi Veri Bilimi Ekibinin Sırrını Açıklıyor
Yazar: Wei Zimin, Yawei Xia (Xue Yafei ve Aileen de bu makaleye katkıda bulundu)
Bu makale var 4990 kelime , Okumanız tavsiye edilir 12 dakika
Bu makale, LinkedIn genel merkezinde veri bilimi ekibinin oluşturulmasının sırrını ortaya koymaktadır.
* Bu makale, Tsinghua-Qingdao Veri Bilimi Enstitüsü ve Büyük Veri Özeti tarafından başlatılan "Veri Ekibi Oluşturma Panorama Raporu" ile yapılan bir röportaj serisinin ilkidir.
Bir dereceye kadar, Silikon Vadisi'ndeki ve hatta dünyadaki en popüler kariyer [Data Scientist] LinkedIn ile başladı.
2008'de LinkedIn'in veri bilimi ekip lideri DJ Patil ve Facebook'tan Jeff Hammerbacher, dünyanın en iyi iki gerçek veri bilimi ekibini kurdular ve "veri bilimcisi" kelimesini kendi İşin doğası Bundan sonra Veri Bilimi ve Veri Bilimcisi mesleği popüler oldu.
Bir veri bilimi ekibinin oluşumunu keşfetmek için, LinkedIn'in veri bilimi ekibi ve kullanıcı geliştirme departmanı başkanı Zhou Yang kadar hiçbir ekibin söz hakkı yoktur.
LinkedIn Büyüme ve Uluslararası İşletme Departmanına 2013 yılında katıldı. Zhou Yang, LinkedIn kullanıcılarının "istikrarlı ve sağlıklı" büyümesine tanık olmak ve verilerden iş desteği sağlamak için kendi veri bilimi ekibine liderlik ederek LinkedIn'in 250 milyondan 250 milyona kadar küresel kayıtlı kullanıcılara ulaşmasına yardımcı oldu 500 milyon büyüme ve bunu LinkedIn'in veri ekibine ve veri odaklı kültüre verdiği önemle ilişkilendirdi.
Zhou Yang, nitelikli bir veri bilimcinin nihai amacının "belirsizliği" çözmek olduğuna inanıyor. Kendini sadece şirket için pratik sorunları çözmeye adamış bilimsel ve teknik bir personel olmamalı, aynı zamanda stratejik karar verme düzeyinde, şirket için yeni büyüme noktaları keşfeden bir iş adamı modeli de olmalıdır.
LinkedIn (Linkedin) Büyüme ve Uluslararası İş Verileri Bilimi Lideri-Zhou Yang
Veri Bilimi Ekibi "Gömülü" çalışma rutini
Veri bilimcileri tüm yolculuğu takip ediyor
"Veri bilimcileri, ürün yöneticilerinin kullanıcıları artırma amacına ulaşmalarına yardımcı olur, ürün ekibi için teknik destek sağlar ve diğer yandan mühendislerle teknolojinin nihai uygulamasına nasıl ulaşılacağını belirler." Zhou Yang, bir veri bilimi ekibinin çalışmasının temel içeriğini tanımladı ve bu da buydu. Yapmak " Gömülü "Veri bilimi ekibinin çalışması.
Zhou Yangın veri bilimi ekibine adım atın, Önce "gömülü" çalışma modunu "koltuk masası" ndan görebilirsiniz. : 20'den fazla kişiden oluşan bu veri bilimciler ekibi, LinkedIn'in 150'den fazla kişiden oluşan büyüyen ürün ekibine yerleştirilmiştir. Veri bilimcileri, mühendisleri ve ürün yöneticileri öncelikle "coğrafi konumdan" samimiyet duygusuna sahiptir.
"Veri bilimcilerimizin çoğu destekledikleri iş ekibiyle birlikte. Örneğin, virüs büyümesini destekleyen bilim adamları bu ekibin sorumlusu işyerinde oturuyor ve ben büyüme ekibinin başına oturuyorum. , Bu gömülü model çok etkili. Zhou Yang dedi.
Bu gömülü işbirliği modeli teknoloji şirketlerinde çok yaygındır.Ürün ekibindeki veri bilimcisi, ürün yöneticisi ve mühendislik ekibi ile birlikte tüm ekibin üç ayağıdır. Yalnızca bu üç sütunun yakın işbirliği, tüm ürün ekibinin ilgili profesyonel avantajlarını en üst düzeye çıkarmasını ve ürün ekibinin verimli bir şekilde çalışmasını sağlayabilir.
Bir yandan, ticari büyüme noktaları ve fırsatları bulmak için ürün yöneticileriyle birlikte çalışmak için şirketin işi ve sorunlu noktaları hakkında yeterince derin bir anlayışa sahip olmamız gerekirken, diğer yandan veri bilimcileri ve mühendisleri yeni ürünleri doğru bir şekilde ölçebilmemiz için zamanında ve etkili bir şekilde iletişim kurmamız gerekir. Kullanıcı davranışının etkisi için, kullanıcılara sunduğumuz değeri en üst düzeye çıkarmamızı sağlıyoruz.
Zhou Yang dedi ki, LinkedIn, güçlü bir veriye dayalı kültüre sahip bir şirkettir. Veri bilimcilerin eksiksiz bir ürün döngüsünü kendi başlarına takip edebileceklerini umuyoruz. . Veri bilimcisi tüm sürece ne kadar erken girerse, iş o kadar verimli olur ki bu, yeni insanları eğitirken vurgulanacaktır.
"Çeyreğin başında, veri bilimcileri yeni çeyrek için çalışma planı ve neyin veri desteğine ihtiyaç duyduğu konusunda işletme departmanıyla iletişim kuracaklar." Belirli bir çalışmanın uygulanmasında, Zhou Yang, veri bilimcilerin en başından itibaren aktif olarak müdahale edeceklerini söyledi, "Onlara yardımcı olacağız. Ne yapılacağını ve neyin takip edilmesi gerektiğini belirleyin. Bazı stratejik veya genişletilebilir işler için (acil değil ama önemli) bunu da açıkça yapacağız. "
Ürünler için teknik destek, veri bilimi ekibinin en temel sorumluluğudur ve ayrıca Zhou Yang'ın günlük işlerinin% 70'ini oluşturur. Kalan zamanın% 20 ve% 10'u sırasıyla stratejik veya riskli projelere harcanmaktadır.
Piramit yapısı: veri ekibi tarafından sağlanan değer ve karşılık gelen işlevler
Bir veri bilimi ekibi, piramidin altındaki işin% 70'ini kullanarak bir şirketin günlük çalışmasının yüksek verimliliğini sağlıyorsa, günlük işin% 20'sini oluşturan stratejik karar verme çalışması, bir şirketin gelişim beklentilerini belirler.
Veri odaklı bir şirket için, bir veri bilimcisinin vizyonu, şirketin yenilikçi hayal gücü üzerinde çok önemli bir etkiye sahiptir. Veri bilimcileri, stratejik karar alma düzeyinde şirket yöneticilerine tavsiyelerde bulunma fırsatına sahiptir ve sonunda stratejinin uzun vadede uygulanmasını sağlayabilir. Konuşma, teknoloji şirketlerinin gelişimi için geniş kapsamlı bir öneme sahiptir. .
Veri demokratikleştirme
Her kararı ver Bulunacak "sayılar" var
Bir şirketin pazarın gelişimine öncülük edip edemeyeceği, karar vericilerin vizyonu çok önemlidir.Yöneticilerin verilere duyarlı olup olmadıkları ve verileri iyi tanıtmaya kararlı olup olmadıkları şirketin beklentilerini ve rekabet gücünü belirler.
LinkedIn CEO'su Jeff Weiner, sektördeki güçlü faaliyet geçmişiyle tanınıyor. Bundan etkilenen LinkedIn veri odaklı kültürünün tamamı da oldukça güçlü ve üst yönetim, veri ve teknolojiye karşı çok duyarlı.
LinkedIn (Linkedin) CEO'su Jeff Weiner
Bu noktayla ilgili olarak Zhou Yang bir ayrıntıdan bahsetti.Jeff Weiner her sabah saat başı güncellenen bir veri raporu okuyor Rapora göre, iş performansı hakkında birçok bilgiyi hızlıca öğrenebiliyor ve bir sorun bulduğunda sorunu hemen geri gönderecek. İş ekibinden cevapları sorun. Veri ekibi tarafından oluşturulan "operasyonel mükemmellik" çerçevesi nedeniyle, çoğu zaman mevcut veri raporlarından yanıtlar alıyoruz veya bunları önceden bildirmiş bulunuyoruz.
Aslında sadece CEO ve yöneticiler değil, Zhou Yang, veri bilimi ekibinin şirketin farklı seviyelerinde alınan her karar için stratejik destek sağlaması gerektiğine inanıyor. Zhou Yang, "Sayfa görünümlerindeki düşüşün nedeni, bir şirketin gelişiminin stratejik yönü kadar büyük. Karar vericilerin farklı düzeylerde karşılaştığı belirsizliği çözmek, veri bilimcilerinin nihai hedefidir. . "
Veri bilimi ekibinin görevi teknoloji geliştirmeyle bitmemelidir. Daha büyük değerleri, yanıltıcı bir kavramı analiz etmek ve verilerin cevaplayabileceği bir sorun haline gelmektir: bir çerçeve ve analiz perspektifi oluşturmak, büyük ve eksiksiz sorunları yıkmak ve vermek için veri analizini kullanmak Küçük ve güzel yanıtlar verin ve bunları ürün önerilerine dönüştürün, bu da karar vermede liderlik sağlar.
İşletme departmanının veri ile karar verme alışkanlığını geliştirmesine izin vermek için Zhou Yang'ın ekibi, ürün yöneticileri, ürün tasarımcıları ve mühendisler dahil olmak üzere şirkette farklı rollere sahip kişiler için verilerle ilgili seminerler düzenleme, Veri Başlatma Kampı gibi bazı dahili eğitimler oluşturdu. Veri platformlarının kullanımına ilişkin eğitim: Onlara, veri bilimcileriyle çalışma sürecinin tamamının neye benzediğini anlamak için ilgili sistemleri kullanmayı öğretin. Temel amaç, verileri daha demokratik hale getirmek ve veri bilimi ekipleriyle çalışma alışkanlığını geliştirmektir.
" Daha da önemlisi, yöneticilerin verilerin işletmeye getirdiği değeri gerçekten görmelerine izin vermektir. Ancak şirketin çoğu üyesi veri ekibinin getirdiği kolaylıktan yararlanmaya başladığında, tüm ekibin verimliliği birlikte geliştirilecek ve veri bilimcilerin değeri geniş çapta tanınacaktır. "Zhou Yang dedi.
Ölçeklenebilir veri analizi çözümleri:
Veri bilimcilerini
Tekrarlayan emekten kurtuldu
Ölçeklenebilir veri analizi çözümleri, Zhou Yang'ın LinkedIn'de gurur duyduğu başka bir iş başarısıdır ve aynı zamanda veri bilimi ekibi piramidinin en önemli işidir. Ölçeklenebilir veri analizi çözümleri, sadece operasyonel uygulama sürecinde süreç optimizasyonu ve otomasyonu için görünmektedir, ancak aslında büyük önem taşımaktadır.
A / B testi, veri ürünlerinin piyasaya sürülmesinden sonraki rutin bir adımdır ve aynı zamanda birçok veri bilimcisi için bir baş ağrısıdır. Önceden, LinkedIn test süreci, veri bilimcilerin her A / B testi için manuel olarak kod yazmasını ve bunu veri platformunda hesaplamasını gerektiriyordu ki bu çok zaman alıyordu. Daha sonra veri ekibi, A / B test sürecini basitleştirmek ve otomatikleştirmek için bir platform oluşturdu. O zamandan beri, mühendisler her test için doğrudan platformda hata ayıklama oluşturabilir ve ürün yöneticileri de testin başlamasından birkaç saat sonra binlerce ölçüm ve ilgili tüm göstergeleri içeren test sonuçlarını görüntülemek için doğrudan platforma gidebilir. İstatistiksel hesaplamalar, tüm süreç boyunca veri bilimcilerinden neredeyse hiç müdahale gerektirmez. Bu platformda aynı anda çalışan binlerce A / B testi var.
LinkedIn, bu küçük iş akışının optimizasyonundan veri bilimcilerini tekrarlayan ve sıkıcı iş gücünden kurtarmak için çok tahmin edilebilir. Yaratıcılık ve muhakeme gerektiren görevlere daha fazla odaklanmalarına izin vererek, tüm ekibin iş verimliliği ve etkisi de büyük ölçüde iyileştirildi; başka bir bakış açısıyla, LinkedIn'in veri stratejisinin çok kapsamlı bir şekilde işlediğini de gösteriyor.
Şirketimin ihtiyaçları
Bir veri bilimi ekibi mi?
Günümüzün veri odaklı ve büyük veri çağında, her şirketin bir veri bilimi ekibi veya en azından bir veri bilimcisi işe aldığı görülüyor.
"Şirketimin bir veri bilimi ekibine ihtiyacı var mı?" Bu, şu anda birçok şirketin, özellikle de yeni kurulan şirketlerin başına bela olan bir sorundur.
Zhou Yang'ın da bu konuda kendi net düşünceleri var: "Olmalı, ancak farklı aşamalarda farklı şirketlerin farklı odak noktaları olmalıdır. Farklı aşamalardaki her şirketin farklı veri gereksinimleri vardır, bu nedenle veri çözümü de Farklı, şirketler önce kendi işletme özelliklerini anlamalı ve sonra kendi ihtiyaçlarını karşılamak için hangi veri stratejisini formüle edeceklerine karar vermelidir. Yalnızca gerçek durumlarının doğru bir şekilde konumlandırılmasıyla yarı çabayla iki kat sonuç elde edebilirler. "
Meşhur yirmi sekiz kuralı burada oldukça uygulanabilir. Zhou Yang önerdi, Yeni başlayan çoğu küçük işletme için, en temel veri desteğini elde etmek için ilk olarak zamanın% 20'sini kullanmaları gerekir, böylece işletmenin% 80'i iyileştirilebilir ve iyileştirmenin kalan% 20'si kaynakların% 80'ine yatırım yapılmasını gerektirir. başarmak. Bu nedenle, aşırı insan gücü ve kaynak eksikliği durumunda, bir start-up şirketinin en önemli görevi, ne kadar gelişmiş ve karmaşık algoritmaları uygulamak değil, var olan açık kaynaklı yazılımları, araç setlerini ve asla başaramayacak en temel algoritmaları kullanmaktır. Bazı veri desteğine.
Tüm seviyelerde "belirsizliği" çözün
Veri bilimcilerinin nihai hedefi
Peki iyi bir veri bilimcinin sahip olması gereken özellikler nelerdir?
Zhou Yang, bir bilim adamının mükemmelliğini belirleyen önemli faktörün teknoloji olmadığına inanıyor. Ona göre teknoloji işlenebilir ve geliştirilebilir, ancak bir veri bilimcisinin iş sorunları üzerine eleştirel düşünme yeteneği, iş sorunlarını cevaplanabilir veri sorunlarına dönüştürme yeteneği ve nihayetinde çözümü karar vericilere açık ve net bir şekilde iletme İyi iletişim becerileri, mükemmel bir veri bilimcinin değerinin tezahürüdür.
Burada, LinkedIn'in veri bilimcilerine yönelik beklentilerinin eksiksiz bir sunumunu size sunmak için Zhou Yang'ın orijinal sözlerini doğrudan çıkarıyoruz.
Zhou Yang: Çoğu durumda, bir veri bilimcinin teknik yeteneği eğitilebilir.Bilgisayar, istatistik, yöneylem araştırması, matematik, elektronik mühendisliği ve röportajı geçen ilgili alanlarda yetenek, hesaplama ve programlama becerilerinde çok kötü olmayacaktır. Gerçek zorluk, işi anlamaktır.
Veri bilimi ekibimizin amacı: Büyük ölçekte veri odaklı kararlar almak. Burada birkaç anahtar kelime var: veriye dayalı, karar ve ölçek. Genellikle veri bilimcilerimizi işe müdahale etmek için inisiyatif almaya teşvik ederiz.Örneğin, işletme departmanından sorular aldığımızda daha fazlasını sormalıyız, bu verileri neden bilmek istiyorsun, neden bu soruyu sormak istiyorsun, bağlam (bağlam) Ne, ne tür bir iş problemi nihayetinde çözülecek. Birkaç kez sorun, bazen görünecektir.Soruyu soran kişinin bilmek istediği soru çözebileceği bir şey değildir. O halde, bilmek istediklerinizi ve bunu veri analizi yoluyla nasıl çözeceğinizi keşfedip analiz edelim. Ancak ekibin amacı analiz etmek değil, analiz yoluyla içgörüler elde etmek ve önerilerde bulunmaktır.
Veri bilimcilerini ölçmek için mühendisin metriğini (ne kadar kod yazıldığını) kullanmayın. İşi ölçmeye yönelik standardımız, iş üzerindeki etkidir: yeni iş fırsatları aramak, mevcut iş süreçlerini iyileştirmek veya iş yönlerini belirlemek.
Veri bilimcileri için çözülmesi gereken nihai sorun "belirsizlik" tir. Bu belirsizliğin pek çok farklı düzeyi vardır ve farklı düzeylerde farklı karar vericiler vardır: Mikro düzeyde, mühendisler sayfa görüntülemelerinde% 5'lik bir düşüşün ciddiye alınması gerekip gerekmediğini bilmek ister mi? Ürün yöneticileri bir ürün fikrinin etkili bir şekilde uygulanıp uygulanamayacağını bilmek isteyecekler mi? CEO için biraz daha büyük, şirketin geliştirme stratejisinin 1 milyar kullanıcı tarafından nasıl artacağını bilmek ister mi? Bunlar belirsiz şeyler. Bir veri bilimcinin işi, tüm "belirsizlik" düzeylerini ortadan kaldırmaktır.
Analizi gerçekten uygulamak birçok insanın yapabileceği bir şeydir, ancak işin başında belirsiz soyut problemleri çözmek en nadir niteliktir: bu soruyu almaktan bu soruyu yanıtlamaya kadar Sorunu birçok farklı açı ve görevde analiz etmek ve karar vericilere ne yapacaklarını söylemek için bir çerçeve aracılığıyla eleştirel düşünme.
Karar vericiye sunduğunuz şey, mutlaka çok uzun bir görsel çizelge değil, sayılar olmadan bile tek bir cümlede tanımlanabilen bir şeydir. Örneğin, CEO'muza mobil terminal stratejilerini daha iyi geliştirmemiz gerektiğini söylemek. Bunu neden yapmak istediğimize gelince, veri boyutunun nedenlerini göstermeye devam ediyoruz. Nihai hedefimiz her zaman karar vericilerin karar vermesine yardımcı olmaktır.
Özetle, iyi bir veri bilimcinin şu iki beceriye sahip olması gerektiğini düşünüyorum:
1. Eleştirel düşünme , Bir iş problemini etkin bir şekilde bölebilir ve bir sistem çerçevesi aracılığıyla bir veri analizi alt problemine dönüştürebilir;
2. İletişim becerileri , Analiz sonuçlarını aldıktan sonra, öngörüleri özetleyebilir ve iş tavsiyeleri verebilir ve ardından karar vermelerine yardımcı olmak için karar vericilerle doğru ve verimli bir şekilde iletişim kurabilirsiniz.
Bu iki beceri, ekipteki kıdemli veri bilimcilerden istediğimiz şeydir.
"LinkedIn hakkında gerçekten takdir ettiğim şey, LinkedIn'in veri odaklı kültürüne ek olarak, bir kişiyi çıldırmamaya, veri bilimcileri dahil herkese daha fazla oyun alanı vermeye ve onları" veri uzmanı "rolünün sınırlarının dışına çıkmaya teşvik etmesidir. Gerçekten etkili bir problem çözücü. LinkedIn ayrıca her veri bilimi yeteneğini kendi güçlü yönlerini bulmaya ve kişisel değerini en üst düzeye çıkarmaya teşvik ediyor. LinkedIn'in iç kültürü, herkesi sürekli olarak kendilerini aşmaya ve ellerinden gelenin en iyisini yapmaya teşvik ediyor.
Kendi rolünüzle sınırlı kalmanıza izin vermeyin, sadece bir veri bilimcisi veya veri bilimi ekibi için değil, bunun aynı zamanda bu çağdaki herkesin aklında tutması gereken bir hayatta kalma kuralı olması gerektiğine inanıyorum.
