Про що часто забувають фахівці з data science
23.10.2020
Важливо не тільки розібратися в даних, але і розуміти, як вести команду за собою, що саме потрібно бізнесу і як заручитися підтримкою своїх колег.
Вивчати машинне навчання надзвичайно популярно серед фахівців з аналітики даних. Цей скіл LinkedIn вніс до списку “Вмінь, які компанії потребують найбільше”. Але чи достатньо лише майстерного володіння цифрами для того, щоб бути успішним дата-аналітиком? Ні, переконаний доктор Ерік Зігель, провідний консультант у цій сфері, колишній професор Колумбійського університету.
На думку експерта, фахівці зазвичай женуться за технічними знаннями. Утім, для успіху їм часто потрібно не більше даних чи нова технологія, а вміння бути лідерами. Багато бізнес-лідерів розуміють, що машинне навчання саме по собі не допоможе оптимізувати процеси. Потрібен умілий менеджер, який ефективно керуватиме проектом і спрямує його у правильне русло. Однак, зазначає він, фахівці з data science зациклюються лише на набутті досвіду аналітики даних.
Звісно, вчитися найкраще найкраще на практиці — але ж робота з цифрами це лише половина справи, підкреслює експерт. Щоб застосувати машинне навчання з максимальною користю, фахівець з data science повинен розуміти і бізнес-аспект проблеми. Навіть якщо ви працюєте перш за все з технологічною стороною проекту, важливо вміти бачити цілісну картину. Тоді технології будуть не лише ефективно вирішувати певні завдання, але й приносити максимальну користь бізнесу, рекомендує спеціаліст.
Зігель називає найбільш поширену помилку з точки зору менеджменту, яка заводить data science проекти у глухий кут. На його думку, це намагання перейти одразу до дата-аналітики, без планування та облаштування процесу.
Експерт наводить такий перелік вмінь, які знадобляться, щоб успішно застосувати машинне навчання у бізнес-цілях:
- Ведення проекту, від генерації моделей для прогнозування до їхнього запуску;
- Пошук можливостей застосування машинного навчання, щоб покращити маркетинг, продажі, кредитне ранжування, страхування, виявлення шахраїв тощо
- Планування того, як проект буде інтегровано в бізнес-процеси, звідки взяти необхідні дані, які фахівці для цього потрібні;
- Прогноз ефективності проєкту, вміння “продати” його своїм колегам, переконати їх у важливості цієї роботи;
- Підготовка даних, обумовлена бізнес-цілями;
- Оцінка проєкту, ефективності моделі за допомогою бізнес-метрик, наприклад, дохід та ROI;
- Контроль етичності роботи: необхідно уникати ситуацій, коли прогнозування може втручатися в особисте життя (наприклад, визначаючи, чи вагітна людина, чи збирається звільнятися з роботи, чи може потрапити до в’язниці тощо).
Фахівці, які зараз зосереджені на оволодінні технологіями, мають шукати можливості підтягнути бізнес-навички, переконаний експерт. Зазвичай на тренінгах з data science цього не вчать. “Але любителі копирсатися в даних мають знати: софт-скіли не так-то легко опанувати”, — підкреслює науковець.
