בשנים האחרונות, בזכות כמויות המידע שמיוצרות והפוטנציאל העסקי הגלום בשימוש במידע על מנת להגיע לתוצאות עסקיות טובות יותר, עוד ועוד חברות בונות צוותי דאטה. פעמים רבות, המבנה הארגוני שנקבע הוא של צוות חוקרים (Data Scientists) שמנתח את המידע ובונה מודלים מבוססי למידת מכונה. שאר הסביבה הפיתוחית שתומכת במודלים האלו (Data Engineers)  נמצאים בדרך כלל בארגון הפיתוח (R&D).

ההפרדה הזאת עלולה להביא עימה בעיות רבות, ולגרום לתהליכי פיתוח לא אופטימליים. פעמים רבות גם נוצרים פערים הנובעים מתקשורת לקויה ומהעובדה ששני הצדדים דוברים למעשה שפות שונות.

בניית ארגון דאטה שמרכז בתוכו את הצוותים השונים מאפשרת שליטה יותר טובה במהלך החיים של המידע בתוך הארגון, ניצול טוב יותר של משאבים והרבה פעמים מחזורי פיתוח מהירים יותר. ישנן דרכים שונות לבניית ארגון הדאטה וכל אחת מהן תתאים לארגון אחר בהתאם לצרכים שלו. אני רוצה לספר על הדרך שבה אני רואה בניית ארגון שכזה.

השאלה הראשונה שצריך לענות עליה כשבאים לבנות ארגון דאטה היא - מהם גבולות הגזרה שלו? אילו צוותים הם חלק מארגון הדאטה ואילו לא?

יש מנעד רחב של תפקידים וצוותים הקשורים לאורח החיים של המידע בארגון והגבולות בין הצוותים שונים מארגון לארגון. גם הגבולות בין ארגון הדאטה לקבוצות אחרות בחברה אינם מוגדרים באופן אחיד. ישנן דרכים שונות לבניית ארגון הדאטה וכל אחת מהן תתאים לארגון אחר בהתאם לצרכים שלו. 

אורך החיים של המידע בארגון מורכב בדרך כלל מהשלבים הבאים שאפשר להקביל לצוותים שונים:

 ארגון הדאטה יכול להיות מוגבל רק לצוות הData Science או להיות רחב מאד ולהכיל את כל הצוותים האלו. לדעתי, פעמים רבות המודל הנכון הוא באמצע (גם מילולוית).

 הסיבות לבחירה הזו מגוונות - 

צוותי המחקר - בארגונים קטנים ובינוניים יש יתרון גדול לצוותי מחקר ריכוזיים על פני צוותי מחקר השייכים לקבוצות העסקיות השונות. בעולם המחקר יש כח רב בשיתוף מידע מחשבה משותפת על פתרון בעיות. זה נכון גם בהבנת התחומים השונים בהם פועלות הקבוצות וגם בהבנת הטכנולוגיות השונות. ריכוז החוקרים במקום אחד עוזר בחשיבה מחוץ לקופסה ובקידום חדשנות. המבנה הזה גם מאפשר גמישות בהקצאת המשאבים של הצוות מול רשימת הדרישות וסדרי העדיפויות של החברה. 

כאשר החברה גדולה מאוד, מתחיל להיות יותר הגיון לבנות צוותים ממוקדי תחום, בשלב הזה כדאי למצוא מנגנונים משלימים שיעזרו לחוקרים מקבוצות שונות ללמוד ביחד ולשתף פעולה (למשל גילדות).

מפתחי דאטה - המחקר והפיתוח של המודלים מהווה חלק קטן מהאופרציה הדרושה כדי לגרום למודל לעבוד כחלק מהמוצר. יש צורך בכתיבת כמויות גדולות של קוד ובניית מערכות תומכות רבות שאינן קשורות ישירות לשלב המידול. המידע צריך להגיע למודל בזמן הנכון ובצורה הנכונה, התוצאות של המודל צריכות לזרום למשתשי הקצה, כל התהליך צריך לעבוד בסקייל ובמינימום תקלות. ככל השמערכת מורכבת יותר גדלה גם החשיבות של מערכות תומכות המנטרות את המידע הזורם. כל זה מוביל לצורך במפתחי תוכנה שיתמקצעו בעולמות הדאטה.

היתרון במפתחים כחלק מארגון הדאטה הוא גם תרבותי וגם אופרטיבי. מבחינה תרבותית, העובדה שהמפתחים הם חלק מאותו ארגון כמו צוותי המחקר עוזרת להם לדבר באותה שפה וומועת פערים (שבמקרים רבים מובילים לתהליכים לא יעילים בארגון). מבחינה אופרטיבית זה מאפשר לנהל את משאבי הפיתוח בתוך ארגון הדאטה כחלק התוכנית האסטרטגית של הארגון. 

 צוות האנליסטים - צוותי האנליסטים הם צוותי דאטה לכל דבר אבל בהם יש חשיבות מאד גדולה להתמקצעות בתחום (domain) בו הם עובדים. מסיבה זאת אני חושב שיש יותר ערך לצוותי האנליסטים להיות חלק מהקבוצות העסקיות הרלוונטיות. חשיבות ההתמחות עולה על החשיבות בשיתוף המידע ודרכי העבודה (וגם עם זה אפשר להתמודד ע״י יצירת גילדות)

 צוות ה-BI: בניגוד לצוותי האנליסטים זהו צוות עם מבט יותר רחב על פעילויות החברה ולכן הוא בד״כ צוות מרכזי. היתרון בהכללתו בקבוצת הדאטה היא היכולת להבין טוב יותר את הטרנספומציות השונות שהמידע עובר, והיכולת לשתף את היכולת לספר סיפור בעזרת מידע (שהיא חלק מהגדרת התפקיד) עם הצוותים האחרים בארגון.

 זהו המודל שאני עובד איתו בשנים האחרונות. הוא עובד טוב והוא מותאם לסוג החברה שאני עובד בה, לגודל שלה ולתפקיד שממלא המידע באסטרטגיה העסקית שלה החברה.

-------------

עמית מורן, VP data בחברת Bluevine, הפועלת להעצמת עסקים קטנים ובינוניים, באמצעות פתרונות בנקאיים חדשניים שמותאמים לצרכים של העסקים הקטנים