В этом году я возглавил проектную команду iFellow, работающую над модернизацией корпоративного хранилища: стандартизацией, валидацией входных данных, приведением типов, нормализацией и последующим реинжинирингом отчетности с учетом всех новых процессов.

Это довольно масштабная задача, которая даже в небольшой компании занимает, с учетом реинжиниринга, не менее года. Под моим управлением оказалась команда из четырех человек: два универсальных дата-инженера и два BI-разработчика, имеющих более узкую специализацию, а именно — Power BI.

Проектная команда по ролям

Первое, что требуется от руководителя в новом коллективе, — это, конечно, знакомство с коллегами, оценка их возможностей, определение сильных и слабых сторон. Необходимо было понять, можно ли оставить команду в текущем составе, а если менять, то насколько кардинально? Поэтому в течение месяца я провел что-то вроде микроскрининга. Это был не официальный аудит со сдачей тестов, а всего лишь беседы и наблюдения: как специалисты справляются с задачами, разбираются ли в теме, отработаны ли у них механизмы взаимодействия.

В этом месте самое время рассказать, какие позиции могут потребоваться в команду для разработки хранилищ и аналитики данных. Это примерный перечень, поскольку состав и задачи таких подразделений сильно варьируются в зависимости от специфики компании.

1. BI-аналитик — специалист, хорошо разбирающийся в бизнес-процессах и понимающий, какие данные и в каком виде помогут компании стать эффективнее.
2. BI-разработчик — специалист, который на основе потребностей бизнеса работает с базой данных, проектирует, разрабатывает и внедряет понятные бизнесу инструменты визуализации данных: дашборды и отчеты, витрины данных, аналитические системы и т. д. В нашем случае их задача — фронтенд-разработка.
3. Дата-сайентист — специалист, совмещающий задачи программирования, бизнес-аналитики и некой научной деятельности, например экспериментаторской.
4. Дата-инженер — специалист с продвинутыми навыками программирования, необходимыми для построения хранилищ и организации обработки данных: например, знаниями алгоритмов, опытом работы с базами данных. В нашем случае они отвечают за бэкенд-разработку.
5. Системный аналитик — специалист по решению организационно-технических задач, который контролирует процесс ИТ-разработки на всех этапах. Он вовлечен и во фронтенд, и в бэкенд.

Дальше расскажу о том, какие сложности у нас были.

Человеческий фактор

К счастью, оказалось, что наш коллектив достаточно работоспособный в текущем составе, требуется только определенным образом оптимизировать ресурсы. Но на этом сложности только начались. Почему они вообще могут возникнуть?

Третье — новые задачи. В команде сильно не хватало собственного системного аналитика, который помог бы обеспечить своевременное взаимодействие между разработкой и бизнесом. Например, бизнес хочет получить отчет на основе определенных данных, с определенной визуализацией. Разработчики отвечают на запрос большим количеством технической документации. У меня не всегда есть время переводить ее на язык бизнеса. Соответственно, процесс становится менее управляемым. Отчеты создаются, но не согласуются внутренним заказчиком и уходят на доработку. В итоге реализуется несколько итераций, но движения нет.

Четвертое — конкуренция среди работодателей. Например, в случае дата-инженера на одного высококвалифицированного кандидата могут претендовать десятки компаний.

Все эти нюансы привели к тому, что формирование полноценной проектной команды заняло у нас восемь месяцев. Из чего делаем выводы, что подбор нелинейного персонала для задач аналитики данных — тяжелый и скрупулезный процесс. Как его упростить и усовершенствовать — расскажем далее.

Принципы формирования проектной команды

Расскажу о восьми принципах, по которым я формировал команду.

Второй принцип: оценка объема доступных и необходимых ресурсов. Без планирования ресурсов под конкретную масштабную задачу можно оказаться в ситуации, когда в команде недостаток или, наоборот, избыток людей.

Третий принцип: подбор специалистов под конкретный технологический стек. В сфере BI множество цифровых инструментов. Есть некая монолитная база — SQL, Python. Остальное в каждой команде глубоко индивидуально: например, у банков, коммерческих организаций, сотовых операторов — совершенно разные подходы к СУБД. Нужно искать специалистов, которые владеют текущим технологическим стеком, принятым в конкретном подразделении, или как минимум имеют возможность и желание изучать другой инструмент. Особенно это важно в контексте импортозамещения, когда Power BI или Qlik уже могут оказаться неактуальными.