Khoa học dữ liệu (Data science) là cụm từ đã xuất hiện từ lâu. Nhưng tỷ lệ thất bại của các dự án dữ liệu lớn nói chung và các dự án AI nói riêng vẫn ở mức cao đáng lo ngại. Hiện tại, các doanh nghiệp vẫn chưa tận dụng được những thành tựu của chúng cho lợi nhuận của họ.
Trong nhiều doanh nghiệp, các nhà khoa học dữ liệu không tham gia vào những phân tích cơ bản, nhưng tham gia nhiều vào những phân tích chuyên sâu. Có hai lý do cơ bản: Đầu tiên, họ quan tâm nhiều hơn đến phân tích những điều thú vị bên trong dữ liệu – hơn là giải quyết các vấn đề về kinh doanh. Bởi vì họ được đào tạo để tập trung vào dữ liệu và các công cụ cần thiết để khám phá dữ liệu. Thứ hai, theo quan điểm của các chủ doanh nghiệp, tài năng là rất hiếm và việc bảo vệ họ khỏi sự hỗn loạn của công việc hàng ngày là điều hợp lý. Làm như vậy sẽ làm tăng khoảng cách giữa họ với các khó khăn và các cơ hội lớn của doanh nghiệp. Đối với nhiều doanh nghiệp thì “nhà khoa học dữ liệu” vẫn còn là một cụm từ mới mẻ và chưa quen thuộc, các doanh nghiệp vẫn đang tìm hiểu cách quản lý. Việc đưa khoa học dữ liệu vào tổ chức hiện tại có thể đem lại nhiều kết quả thú vị và cơ hội phát triển cho doanh nghiệp.
Vì vậy, các nhà quản lý nên làm gì để tận dụng nhiều hơn các chương trình đào tạo về khoa học dữ liệu của họ?
Trước tiên, hãy làm rõ các mục tiêu kinh doanh và đo lường trình đạt mục tiêu. Khoa học dữ liệu yêu cầu phải đầu tư từ ban đầu, và bạn nên tin vào kết quả thực tế của chúng — về tiết kiệm chi phí, doanh thu mới, cải thiện sự hài lòng của khách hàng hoặc giảm thiểu rủi ro — trong vòng một vài năm. Hầu hết các doanh nghiệp chưa sẵn sàng cho các công nghệ mới, chẳng hạn như máy học và quy trình vận hành dưới sự kiểm soát, cải thiện chất lượng dữ liệu và sự hiểu biết sâu sắc hơn về khách hàng.
Thứ hai, tuyển dụng các nhà khoa học dữ liệu phù hợp với các khó khăn mà doanh nghiệp đang gặp phải và giao cho họ công việc hàng ngày của doanh nghiệp. Tất nhiên, năng lực về kỹ thuật vẫn quan trọng hơn hết, nhưng bạn cũng nên tuyển dụng những người đang cùng theo đuổi và đam mê về công việc kinh doanh của bạn để giúp doanh nghiệp hoạt động tốt hơn. Sau đó, đảm bảo rằng họ được kết nối đầy đủ với các bộ phận liên quan quan trọng khác.
Thứ ba, yêu cầu các nhà khoa học dữ liệu chịu trách nhiệm toàn bộ về công việc của họ. Công việc trước phân tích, đặc biệt là hiểu các khó khăn là rất quan trọng. Nếu không có các trình bày rõ ràng về các khó khăn, thì công việc tiếp theo cũng sẽ rất mơ hồ. Nó đòi hỏi kỹ năng và sự kiên nhẫn, đặc biệt là đối với người mới, những người mong muốn thể hiện những gì họ có thể làm. Những người có kinh nghiệm có thể gợi ý các giải pháp đơn giản hơn, hiệu quả hơn mà thậm chí có thể không cần đến khoa học dữ liệu.
Công việc sau phân tích cũng quan trọng không kém, vì thông tin chuyên sâu và thuật toán phải chắc chắn trước sự khắc nghiệt của tình hình thực tế. Các vấn đề chính trị là mối quan tâm lớn nhất và cũng là một thử thách sự kiên nhẫn của những người thiếu thiếu kinh nghiệm.
Cuối cùng, hãy đảm bảo rằng các nhà khoa học dữ liệu traning lại cho toàn bộ phận của doanh nghiệp. Các doanh nghiệp đều có lợi khi họ sử dụng khoa học dữ liệu nhiều hơn trong công việc, nhưng hầu hết các doanh nghiệp không có các kỹ năng cần thiết. Đào tạo kiến thức phù hợp có thể giúp doanh nghiệp hoàn thành các dự án đơn giản. Họ được chỉ định để cung cấp khóa đào tạo và huấn luyện cho toàn bộ phận của doanh nghiệp của bạn. Điều này cũng sẽ giúp các nhà khoa học dữ liệu tìm hiểu doanh nghiệp và chiếm được sự tin tưởng.
Để minh họa cho bốn điểm này, hãy tìm hiểu qua một nhà khoa học dữ liệu, người được tuyển dụng bởi một bộ phận trong một công ty công nghệ cao và được giao nhiệm vụ lập kế hoạch năng lực cho mạng của bộ phận – quy hoạch mạng rất phức tạp. Một mạng hoạt động “gần như mọi lúc” có nghĩa là sự chậm trễ trong nhu cầu cao điểm, điều này khiến khách hàng tức giận, ảnh hưởng các thỏa thuận về dịch vụ và gây tổn hại đến danh tiếng. Nhưng chi phí cải thiện hiệu suất trong thời gian cao điểm có thể tăng với tốc độ chóng mặt. Vì vậy, điều cần thiết là các nhà lãnh đạo doanh nghiệp phải hiểu được sự đánh đổi.
Nhà khoa học dữ liệu này đưa ra đề xuất đánh đổi theo cách này: “Trước tiên, anh phải quyết định loại mạng nào anh muốn. Một cách không cụ thể, bạn có thể có ‘papa bear network,’ ‘mama bear network,’ hoặc ‘baby bear network.’ Và đây là ý nghĩa của từng loại mạng” Phép loại suy của họ đã giúp doanh nghiệp đưa ra quyết định cơ bản, giúp họ suy nghĩ về ý nghĩa kinh doanh theo cách mới và giúp họ hiểu lý do tại sao họ cần hiểu biểu đồ “chi phí so với tính khả dụng”. Họ ngay lập tức nhận được sự tín nhiệm từ các nhà lãnh đạo cấp cao. Đổi lại, với tư cách là người tham gia đầy đủ vào các cuộc thảo luận, ông ấy đã đánh giá cao hơn về công ty, kế hoạch dài hạn, vị trí thị trường mong muốn và các giá trị của công ty.
Khoa học dữ liệu là một môn thể thao đồng đội. Các nhà quản lý phải làm rõ ràng mục tiêu là cải thiện hoạt động kinh doanh và phải làm tất cả những gì có thể để tích hợp các nhà khoa học dữ liệu vào nhóm của mình. Các doanh nghiệp phải luôn nhắc nhở họ rằng hãy đóng góp hết sức có thể — trước, trong và sau công việc kỹ thuật.