Jan Teichmann
O Jan έχει χαράξει μια πετυχημένη πορεία ως σύμβουλος επιχειρήσεων που θέλησαν να μετασχηματιστούν, αξιοποιώντας τη ψηφιακή τεχνολογία. Σε όλες τις περιπτώσεις στόχος του ήταν να μετουσιώσει την επιστήμη των δεδομένων σε επιχειρηματικό όφελος στο πλαίσιο μιας παραγωγικής διαδικασίας.
Η πορεία του ξεκίνησε ως συνιδρυτή του Cambridge Energy Data Lab, από το οποίο γεννήθηκε η Enechange.jp, μια spin-off εταιρεία που εμπορεύεται μια πλατφόρμα σύγκρισης τιμών και είναι σήμερα market leader στην αγορά της Ιαπωνίας. Στη συνέχεια, ο Jan αξιοποίησε την εμπειρία του για να διοικήσει τις ομάδες data science των Rank Group and Zoopla. Παράλληλα, ξεκίνησε και τη δική του συμβουλευτική εταιρεία, η οποία αυτήν την περίοδο συνεργάζεται με την Trainline σε έργα που σχετίζονται με data driven καινοτομία.
Ο Jan, παρά την επιχειρηματική του διάθεση, παραμένει ένας έμπειρος επιστήμονας δεδομένων με διδακτορικό στα μαθηματικά και άμεση συμμετοχή σε έργα που απαιτούν προγραμματιστικές δυνατότητες.
Μεταξύ άλλων, προσπαθεί να κάνει γνωστό το έργο του και να μοιραστεί τις εμπειρίες του μέσα από άρθρα που δημοσιεύει στη διεύθυνση https://medium.com/@jan.teichmann
“Beating the odds: How to make your data science and analytics teams part of the 15% success story“
Η επιτυχημένη αξιοποίηση της επιστήμης των δεδομένων είναι ένας δύσκολος στόχος, γεγονός που αποδεικνύεται από το ποσοστό αποτυχημένων έργων που ξεπερνά το 85%, σύμφωνα με μελέτη της Gartner.
Οι αιτίες είναι πολύπλοκες και συχνά δυσνόητες. Η βασική αιτία, σύμφωνα με τον Ian, είναι ότι η αξιοποίηση των δεδομένων χρειάζεται αλλαγές όχι μόνο στις διαδικασίες, αλλά και στις νοοτροπίες. Η παρουσίαση του Ian θα εστιάσει σε πρακτικές συμβουλές που μπορούν να βοηθήσουν επιστήμονες και αναλυτές δεδομένων να ξεπεράσουν εμπόδια και να πετύχουν το στόχο τους. Μερικά από τα θέματα που θα συζητηθούν είναι τα εξής:
- Motivation: Vanity project or aligned business strategy with senior leadership buy-in?
- Requirements and preparations: Solid foundations or duct taped data silos and fire fighting bad data?
- Hiring: Unicorns with the right skill sets to be a commercial data scientist or expensive mis-hires?
- Delivery: Models in production serving business needs or undocumented proof of concepts on laptops?
- Retention: Roadmap of game changing projects or abandoned team and expensive write-offs?