时代变化很快，现在的工作头衔和职责并不真正取决于经验的年限。只要你了解业务目标，并将其与团队的期望和利益结合起来，你可以在任何年龄段领导数据科学团队。
我从业务和团队领导这两个角度列出了一个有效的数据科学经理的特点。
机会主义
在我们的职业生活中，我们都一定听说过推拉模式。这个推拉概念的一个比喻是，你是否一直在等待别人把工作推给你。
或者，你是否有足够的机会去了解业务问题，并把有影响力的工作拉到你的盘子里。
你是否是帮助企业了解机器学习解决方案如何以及在哪些方面可以提供帮助的先锋，而在哪些方面仅仅是一种审美？
业务与ML指标
你让你的利益相关者认识到ML的能力将使你在这个职业中走得更远。这表明你能够从长远考虑，并且能够弥合高精确度的模型与建立能够增加实际商业价值的模型之间的差距。让我们都坦率地说，机器学习模型的建立过程是耗费时间和资源的，需要对ML模型的机会大小和影响有一个清晰的认识。
在向领导介绍你的建议时，你应该清楚地列出使用ML的假设、优点和缺点，以及模型的漏洞等。这可以减轻业务主管的巨大负担，并为数据科学团队带来协同效应和信任。
满足团队的期望
所以，你已经用你的解决方案的价值主张说服了管理层，但数据科学经理也有任务来衡量团队的脉搏。在人们的印象中，数据科学团队整天都在研究和使用新的最先进的前沿模型。但现实中也包括为重复的任务建立自动化工作流程，在概念验证上工作4个月，却看到它被废止，模型监测和维护，解释模型预测，等等，不一而足。
实质是你需要确定调整你的团队的兴趣--有些人可能来自核心研究背景，可以思考创新的解决方案，而其他人可能对成为全栈数据科学家又称全能型人才感兴趣。
永远记住，对你的某个团队成员来说似乎是负担的工作（可能是因为他们已经做得够久了，渴望用新的东西来挑战自己）可能是其他人学习和提高技能的好机会。
所有这些都是为了找到连贯性，这种连贯性来自于经常被低估的了解你的团队的技能。不要与你的团队保持一种机械的，也就是交易性的关系，在这种关系中，你只是在传达任务，而没有纳入他们对工作的期望。
保持团队的士气
说实话，你不可能让一个团队在一个他们不感兴趣的任务上工作很长时间。但你还是要完成任务。一个好的数据科学经理会注意到所有团队成员的兴趣，并且应该能够如实解释现实。但现实是什么呢？
那就是管理层了解并计划个人的发展和成长章程，其中商业目标与团队的目标和利益相一致。但目前我们需要完成一个业务交付物，每当下一个机会出现时，团队的一致性将按照他们在一对一中提出的方案来解决。
你需要完全忠实于你对团队的承诺，因为你是在与业界的杰出人才合作。你只有让他们明白，成功完成当前的任务将使他们离自己感兴趣的领域更近一步，才能让他们加入进来。
请注意，我们不是生活在一个理想的世界里，所以你很有可能无法一下子满足整个团队的期望。你是在含蓄地大声呼唤的约束条件下工作的--业务第一。那么，那时你会怎么做呢？
这就是强调性领导的概念的来源。你意识到团队的期望，并愿意帮助他们完成这些期望，已经证明了你的管理技能。在正确方向上的努力得到了团队的充分认可。那些尚未分得一杯羹的人也明白，只要有合适的时间和机会，经理会给他们定位，让他们实现自己的前程
你提倡的是什么？竞争还是个人成长？
就我个人而言，我不喜欢在团队中提倡竞争，并将这种激励包装在健康竞争的名义下。我宁愿选择尊重每个人的独特性，挖掘他们的潜力。
我要求鱼爬上树，会有什么额外的收获呢？
是的，每个人都应该有足够的灵活性来学习和快速交付。但这种交付可以很好地来自他们感兴趣的领域，而不是强迫他们走在别人的脚下。一个好的数据科学经理要对团队的学习曲线负责，并促进一些缓冲时间来探索他们自己感兴趣的工作。哦，但你可能认为你的兴趣领域不一定能找到商业成果。
这就是管理的优点所在--你激励他们花15-20%的时间去探索新的算法，学习一种新的技能，如编程语言，等等。本质上，给他们插上翅膀，让他们在纯商业背景的边界之外思考。
总结
虽然我们都希望有一本规则书，可以让所有的经理人从第一天开始就获得成功，但不幸的是，并没有这样的规则。
每个人都有自己的管理风格，应该坚持自己毫不费力的做法。在管理团队时，你不可能长时间假装自己。因此，最好是做真实的自己，做一个有效的管理者所做的事情--在保持团队积极性的同时，交付业务成果。
**Vidhi Chugh**是一位获奖的人工智能/ML创新领导者和人工智能伦理学家。她在数据科学、产品和研究的交叉点工作，以提供商业价值和洞察力。她是以数据为中心的科学的倡导者，也是数据治理方面的领先专家，她的愿景是建立值得信赖的人工智能解决方案。
