Machine learning i data science rewolucjonizują wszystkie branże i stają się istotnym elementem przewagi konkurencyjnej, a nawet stanowią o przetrwaniu na rynku. Dzisiaj nikt nie poddaje już chyba w wątpliwość sensu i konieczności wykorzystywania danych przez przedsiębiorstwa. Ewentualne dyskusje, jakie pojawiają się
w obszarze data science, dotyczą modelu, w jakim należy budować kompetencje, a nie czy w ogóle rozpoczynać tę przygodę.
Ścierają się tu dwa podejścia. Jedno zakłada konieczność skupienia się na tworzeniu wewnętrznego zespołu. Drugie stawia na outsourcing. Oba podejścia mają swoje wady i zalety. Oba mają swoich przeciwników i zwolenników.
Jak outsorcować?
Celem tego artykułu nie jest roztrząsanie argumentów za i przeciw outsourcingowi. Chciałbym skupić się na jednym z jego aspektów, który często uchodzi uwadze
w dyskusjach. Uważam, że właściwie sformułowane pytanie nie brzmi „czy” outsourcować ale „jak” to robić i na co zwracać uwagę.
Istotę problemu najlepiej obrazują pewne sytuacje „z życia wzięte”, z którymi sami nie raz mieliśmy do czynienia. Wyobraźmy więc sobie pewną rozmowę z jednym
z klientów – menedżerem odpowiedzialnym za reklamę:
— Mamy model atrybucji i przy jego pomocy optymalizujemy budżety
— Świetnie. Wasz zespół go budował?
— Nie. Mieliśmy zewnętrznych konsultantów.
— Ale wiecie jak ten model jest zbudowany? Jak działa?
— Niestety nie.
Lub nieco inny przykład:
Rozmowa pomiędzy menedżerem odpowiedzialnym za marketing a firmą zewnętrzną, dostarczającą usługę budowania modeli predykcyjnych:
— … i bardzo bym nam zależało, żeby nasz analityk współpracował z wami przy budowie modelu.
— Dlaczego?
— Chcielibyśmy rozumieć, jak to działa i rozwijać nasze kompetencje w tym obszarze…
— Hmm… Nie widzę takiej możliwości.
Rozwiązanie problemu
Niestety takie sytuacje to wciąż częsty przypadek. Konsultanci w obawie przed tym, że wyedukują klienta, staną się niepotrzebni oraz utracą zlecenia, czują niechęć przed ujawnieniem swojego know-how. Warto zauważyć, że przynajmniej częściowo te obawy są uzasadnione. Z mojego doświadczenia wynika, że prawie każda zrealizowana inicjatywa data science otwiera drzwi do kilku kolejnych.
Z drugiej strony popatrzmy na sytuację oczami klienta, czyli w tym wypadku firmy poszukującej wsparcia w wykorzystaniu danych w swoim biznesie. Czy może ona sobie pozwolić na wyoutsorcowanie w 100% czegoś, co ma stanowić przewagę konkurencyjną?
Cóż, odpowiedź na to pytanie jest taka sama, jak na pytanie czy producent samochodów może całkowicie wyoutsorcować dział projektujący nowe modele… Prawdopodobnie może, ale raczej nie powinien.
Wraz ze zmianą postrzegania przez zarządzających roli data science i wzrostu świadomości znaczenia rozwiązań opartych o dane dla realizacji celów firmy, rośnie świadomość konieczności budowania wewnętrznego know-how. Dlatego szukając przyspieszenia projektów data science lub optymalizacji kosztów, przedsiębiorstwa rozważają korzystanie z usług zewnętrznych. Szczególnie wartościowi są partnerzy gotowi dzielić się swoją wiedzą. Zaawansowane
projekty łatwiej będzie realizować z firmą, która postrzega rozwój klienta jako szansę na wzmocnienie współpracy.
W jaki więc sposób wybrać partnera, który będzie chciał dzielić się swoją wiedzą? Czy da się sprawdzić poziom gotowości dostawcy do transferu know-how? Zadając odpowiednio wcześnie właściwe pytania, można zorientować się jakie podejście do transferu know-how ma nasz potencjalny partner w biznesie. Uzyskanie odpowiedzi pomoże w dokonaniu bardziej świadomego wyboru.
Kluczowe pytania dotyczące projektu data science?
1. W jaki sposób udokumentujecie opracowane rozwiązanie i sposób dojścia do niego? – brak odpowiedniej dokumentacji uniemożliwia albo znacząco utrudnia dalszy rozwój narzędzia.
2. W jaki sposób nasi pracownicy będą mogli włączyć się w projekt? – Możliwość zaangażowania zależy od charakteru projektu i kompetencji klienta. Generalnie jednak im większe zaangażowanie ze strony pracowników klienta tym większa szansa na sukces projektu, udaną implementację rozwiązania w praktyce oraz transfer wiedzy z obszaru data science.
3. W jakiej postaci przekażecie nam rozwiązanie? – Oprócz samego efektu prac warto otrzymać także dokumentację
a najlepiej również kody źródłowe, które pozwolą na dalszy rozwój i usprawnienia rozwiązania.
4. Jakie szkolenia z wykorzystania rozwiązania przewidujecie w projekcie? – warto już na początku współpracy wiedzieć jakie szkolenia są zaplanowane, aby upewnić się, że będą wystarczające.
5. Jaka część waszych projektów to inicjatywy jednorazowe, a na ile jesteście nastawieni na długofalową współpracę?
– pytanie, które zweryfikuje podejście i chęć firmy do dalszej współpracy.
Klienci coraz częściej oczekują, a wręcz domagają się, włączania ich analityków w proces budowy i testowania rozwiązań data science. Ten trend z pewnością będzie się nasilał. Outsourcing połączony z transferem know-how może zaś stać się złotym środkiem i rozstrzygnięciem dylematu – in-house czy outsource, łącząc to co najlepsze z obu podejść.
