5 признаков, что вам пора в Data Science

Очевидные (и не очень) признаки, которые подскажут, нужно ли вам двигаться в науку о данных и какое направление Data Science выбрать.

Ирина Скорынина

Ведущий аналитик-исследователь

1. Вы скрупулёзно относитесь к мелочам

И кайфуете, когда видите очищенные данные и настроенные графики. И если в данных беспорядок, у вас возникает негодование и желание всё исправить.

2. Вы любите контроль и отчётность

От специалистов, которые работают с данными, всегда ожидают понятных результатов, а значит их нужно уметь собирать и презентовать. А также быть готовым к тому, что в любой момент у вас могут попросить отчёт — от этого никуда не деться.

3. Вам нравится научная деятельность

Ведь Machine Learning можно применять в разных областях.

Когда я училась на кафедре астрономии, мы снимали объекты в космосе, чтобы определять их положение в пространстве. Делали три снимка, потом с помощью векторизации и логистической регрессии определяли объекты на изображении. При этом засекали время, когда снимки были сделаны, фиксировали координаты обсерватории. После вычисляли азимут и высоту, далее — склонение и прямое восхождение, плавно переходя к самим Кеплеровым элементам орбиты.

4. Вы и швец, и жнец, и на дуде игрец

В проектах я сама писала код, приходила к дата-инженерам с витринами для моделей. Процесс разработки проекта и его защита перед бизнесом полностью лежали на мне.

Какие задачи может выполнять Data Scientist

С помощью машинного обучения в направлениях Data Science можно выполнять не только научные, но и, естественно, более прикладные задачи.

Например, я строила модель, которая прогнозировала отток клиентов. Здесь есть хитрость: нужно предсказывать не сам отток, иначе будем констатировать факт, а «предотток» — месяц перед уходом человека. Это нужно, чтобы успеть что-то предложить клиенту и тем самым его удержать.

Сначала я проводила аналитику таргета совместно с бизнесом — определяла, какого клиента можно считать «отточным», так как у бизнеса много практики и знаний в их предметной области. Например, три месяца он не совершал никаких транзакций или не получал отчислений на карту.

После строила модель. На этом этапе дата-сайентисты пользуются готовыми пайплайнами. Если в компании уже есть похожие витрины данных, то можно взять их за образец, и сделать задачу достаточно быстро. Иногда бывают и нестандартные задачи, где готовые, разработанные командой пайплайны не подходят. Тогда нужно писать код с нуля и создавать для модели новые витрины данных.

Далее выводила модель в пром, и она прогнозировала вероятность оттока клиента в следующем месяце. 

На основе этих данных бизнес отбирал тестовую и контрольную выборки и запускал кампанию. Результаты кампании тоже нужно было оценить, чтобы понять, какие метрики важны и отвечают за качество модели.

И, наконец, я представляла бизнесу все результаты кампании, метрики, аналитику, которую можно сделать на основе этих цифр. Например, подтвердилась альтернативная гипотеза или нет. На основе этих показателей бизнес корректирует свои стратегию и кампанию для улучшения дальнейших результатов.

5. Вы умеете договариваться

В Machine Learning недостаточно просто делать fit–predict. Ещё нужно отвечать на письма, проводить презентации, участвовать во встречах. На них не только обсуждают работу, договариваются о результатах, но и разруливают нештатные ситуации.

Иногда бывают ситуации, когда сделать что-то нужно срочно. Сказать: «Ну-ка быстро мне что-то сделайте», — можно, но, как показывает практика, не нужно, потому что вы только вызовете недовольство у коллег. Поэтому важно уметь находить компромиссы, так как спорные ситуации возникают очень часто.

Софт-скилы нужны всем в сфере: и дата-сайентистам, и аналитикам данных, и даже немного ML-инженерам. Их стоит развивать, если хотите расти выше до мидла и готовы брать на себя больше ответственности за людей и проекты. 

Чем больше вы напрямую общаетесь с бизнесом, отвечаете на его запросы, тем чаще вас поощряют. К тому же вы не только развиваетесь, но и можете расти в зарплате.

Но главное, в любом деле должно оставаться желание в этом разбираться, пытаться докопаться до сути. Ответьте себе на вопросы, что вы любите делать, что вас радует. Если среди этих пунктов не найдутся программирование или математика, то стоит задуматься, действительно ли вам этого хочется, или это кто-то вам навязал, например, реклама.

А если всё-таки найдутся, то пробуйте. Развиться и стать специалистом можно в любом направлении Machine Learning, если не бояться учиться и совершать ошибки.