企业正在组建数据科学团队，以利用不断增长的数据量以及人工智能和分析领域的进步。但是，只有当这些团队拥有足够的技能和经验时，他们才能发挥数据的价值。

为了提供有意义的结果，数据科学团队需要与更广泛的业务运营整合，并响应组织的更大目标。为此，首先需要定义该团队的结构、需要哪些角色以及采取哪些步骤来建立最佳数据科学团队。

大多数企业会在3种模式种做出选择：集中式团队模式、分散模式以及混合模式。了解这些模式可帮助领导者设计团队，将数据科学工作转化为真正的业务价值。

组建数据科学团队

在组建数据科学团队之前，高级领导层应与首席数据官合作，确定团队模式，以帮助团队成员高效工作并快速响应业务需求：

集中式团队模式

集中式模式将所有数据科学专业人士整合成一个团队，服务于每个部门，或者说专门的数据科学部门，其中包含多个团队。在这两种情况下，都是专门支持组织数据科学计划的单一结构。

集中式团队通过聚集数据科学专业人士，以鼓励协作、指导和技能发展。一个团队可以更好地监控和管理整体资源和工具的使用，同时减少重复工作，并简化协调工作。这种方法还使流程标准化、部署最佳实践和执行数据治理变得更加容易。

尽管有这些优势，但集中式模式存在挑战。例如，集中式团队可能很难获得必要的更深层次的领域知识，以了解各个业务部门如何运作。尽管集中式团队在团队成员之间进行协作，但他们可能很难与其他部门进行有效沟通。集中式团队可能会因为项目而超负荷工作，对查询的回复缓慢，同时缺乏必要的管理洞察力来确定这些项目的优先次序。

分散的团队模式

在分散模式中，数据科学专业人员被分配到各个业务部门，而不是被分到一个团队中。他们向该单位的领导层报告，与该单位的同事密切合作，了解其业务运营的细微差别，并专注于他们的项目。这种设置让数据团队更熟悉该单位的运营，以便他们能够满足该单位的具体需求。

在有些企业中，分散模式是有机地建立的。各个业务部门认识到数据科学对其计划的价值，并聘请数据科学家来帮助实施这些计划。

分散模式的主要优势之一是数据科学团队可以更及时地响应特定部门的需求。利益相关者不会遇到与集中式模式相同的问题。数据科学团队根据部门的目标和目的确定其工作的优先次序，并随着要求的变化调整这些优先事项。其结果是更大的灵活性、更快的周转时间和更有针对性的解决方案。

然而，跨部门分散团队可能会造成孤岛，使协作、知识共享和指导复杂化。标准化流程、强制执行组织级数据治理以及控制资源和工具利用率也变得更加困难。当不同的团队试图解决相同的问题时，权力下放会导致重复的努力。

混合团队模式

混合模式平衡了集中化和分散化模式，并建立在它们的优势之上。在混合模型中，数据科学专业人士仍然是单一组织结构的一部分，但部分或全部直接嵌入到单个业务部门中。这种安排为他们提供了这些单位的直接领域知识，并让他们专注于自己的项目，同时允许他们与整个组织的数据科学专业人士共享资源和信息。

根据优先级和规模，企业以不同的方式实施混合模型。一种选择是维持一个集中的核心团队，该团队制定标准、管理治理和处理跨职能项目。另一方面，有的企业可能会放弃中央团队，而是嵌入所有数据科学专业人员，同时保持集中管理和治理。

混合模式使数据科学专业人士能够获得快速提供解决方案所需的领域知识，同时促进这些专业人士之间的协作和知识共享。这种方法还使标准化和治理比完全分散模式更容易实施，比集中化模式提供更大的灵活性和可扩展性。

混合模型的主要挑战是协调。平衡各个业务部门的优先事项与整个组织的目标增加了管理的复杂性，成功取决于嵌入式团队和集中领导之间的沟通。

选择合适的团队模式

选择正确的团队模式取决于组织的规模、数据成熟度和战略优先事项。领导层在这个决策中发挥着作用，权衡治理需求、交付速度和所需的领域专业知识水平等因素。

尽管有其他模型，但集中式、分散式和混合式模式仍然是最广泛采用的模式，因为它们直接解决了数据工作中的普遍紧张问题。集中式结构通常适合寻求一致性的组织，而分散式团队则适合那些优先考虑灵活性的组织。有时，企业已经采用其中一种方法，因此领导层应该关注是否有必要在需求发生变化时切换到另一种团队结构。

当企业确定团队结构，下一个挑战是确保该结构充满正确的专业知识。明确的角色定义了工作如何划分、团队如何协作以及数据计划如何支持业务优先事项。

数据科学团队中的角色

随着数据团队的发展，特定角色开始出现，以有效管理、处理和分析数据。有效的数据科学团队聚集具有专业技能和经验的专业人士，以开展复杂的数据科学项目。现代数据科学领导层必须确保团队成员有资格取得长期成功。

团队组成因业务需求和目标而异。所有团队成员都应该是高技能的专业人士，具有特定于其分配角色的专业知识：

• 数据科学家。拥有广泛技能的个人，包括探索和解释数据、准备和清理数据集、构建预测模型和推导见解以支持业务决策。
• 数据架构师。设计总体架构的IT专业人员，定义收集、组织和存储数据的模型、政策和技术。
• 数据工程师。构建和维护数据管道的IT专业人员，集成来自多个来源的数据，并为分析团队提供安全、可靠的访问。
• 数据分析师。收集、清理和分析数据，应用商业模式和算法，并通过报告和可视化传达调查结果的个人。
• 机器学习（ML）工程师。开发和优化机器学习模型和算法的专业人士，管理大型数据集并测试系统的准确性和性能。
• 数据策略师/分析翻译。一个连接技术团队和业务利益相关者的个人，将数据项目与组织目标保持一致，并在分析工作中实现价值最大化。
• 产品所有者。代表利益相关者利益的专业人士，对功能进行优先排序，并管理数据科学计划的产品积压。
• 团队经理。监督团队运营的领导，包括预算编制、日程安排、项目分配、资源管理和与外部利益相关者协调工作，同时促进团队内部的协作和知识共享。
• 数据治理领导。根据其治理战略，制定和执行组织数据资产的数据质量、安全性和合规性政策的个人。

这些角色并不是全部，但它们代表着数据科学团队中常见角色。很多团队还包括流程专家、业务分析师、数据可视化工程师和DevOps工程师等专家。

数据科学角色通常用黑白术语来描述，但其定义和职责可能因组织而异。一个专业人士甚至可能担任多个角色，例如同时担任数据架构师和数据工程师。

数据科学领导力

强有力的领导对数据科学团队的成功至关重要。领导者必须促进沟通，促进学习，鼓励协作，并了解推动数据科学计划的业务目标。

现代领导者重视软技能和技术技能。好奇心、数据故事讲述和清晰的沟通有助于团队分享见解并支持持续学习。领导者还应该制定高效的流程来支持项目开发，并确保团队中的每个人都了解：为什么这些流程是必要的，这些流程是如何运作的，以及如何强化团队的目标。

利益相关者参与是另一个核心责任。领导层应该倾听利益相关者的意见，并在项目进展时随时向他们通报情况。他们还应该培养扩展到团队之外的数据科学文化，以便组织中的其他人能够理解数据的价值和数据科学团队的目标。定期更新和清晰的文档可以增强信任并保持预期一致。

数据科学领导者还必须为团队成员提供高效和有效地执行任务的工具。这可以包括访问适当的编程、可视化和机器学习工具，以支持分析工作。