Хороший data science-специалист: 5 признаков

О том, каким должен быть хороший data science-специалист, рассказывает Джо Маккендрик, независимый аналитик и внештатный автор целого ряда зарубежных IT-изданий. Только планируете освоить эту профессию или хотите нанять такого сотрудника? Читайте другую статью автора.

Хайп вокруг data science-специалистов – не просто хайп

По мере того, как анализ данных и технологии Big Data применяются всё шире, хайп вокруг data science-специалистов растёт. Ожидается, что именно они в ближайшее время кардинально изменят то, как мы ведём свой бизнес. В начале проекта работа data science-специалистов подразумевает постоянные эксперименты на основе дедуктивных методов или проверки гипотез для поиска бизнес-проблем. Когда проблемы раскрываются более полно, начинают применяться индуктивные методы или методы поиска закономерностей.

«Деятельность data science-специалиста – прекрасный способ применить своё природное любопытство и техническую экспертизу, чтобы решить сложнейшие проблемы, которые стоят перед человечеством», – отмечают эксперты одной из крупнейших консалтинговых компаний Booz Allen Hamilton во втором издании своей книги «Справочник data science-специалиста» (The Field Guide to Data Science).

Они продолжают: «Для решения таких проблем сложно переоценить возрастающее влияние, важность и ответственность data science-специалистов. Data-science специалисты – наши проводники на пути создания совершенно новых путей восприятия данных и мира вокруг нас».

Зачем нужен data science-специалист

Деятельность data science-специалистов значительно повышает удобство использования, доступность данных, которые собирает компания, а также улучшает риторику вокруг них.

Хорошо доказано, что data science-специалисты позволяют решать конкретные бизнес-проблемы. Например, в той же книге Booz Allen Hamilton указано, что, повысив используемость данных на 10%, компания может на 49% повысить свою продуктивность. При улучшении доступности данных всего на 10%, потенциальный ROA (возврат на активы, return on asset) в компании может возрасти на 42%. Те организации, которые по максимуму используют потенциал больших данных, сообщают о росте ROI (возврат на инвестицию, return on investment) на 241%. А эффективное использование аналитики данных в масштабах всей компании повышает ROI на 1000%.

Перспективы развития в будущем

И всё будет только лучше по мере того, как data science-специалисты будут открывать перед руководством перспективы, о которых те раньше даже не думали. «Значительные улучшения в когнитивном машинном обучении – уже на горизонте. Среди них – технологии open source и гибкие алгоритмы, которые полностью используют потоковые данные в реальном времени (их содержание, контекст и семантическое значение)»,  – объясняет в своей книге Кирк Борн, старший data science-специалист в консалтинговой компании Booz Allen.

«Способность использовать понимание ситуации на 360 градусов позволит действовать правильно, в правильное время, в правильном месте и в правильном контексте. А это имеет большое значение для когнитивной аналитики. Ещё один способ применить когнитивную аналитику – принимая во внимание данные и контекст для определённого объекта (или, например, аудитории), алгоритм определяет правильный вопрос, который нужно задавать своим данным (и это может быть не тот вопрос, который вы привыкли задавать своим данным)».

Борн добавляет, что новые технологии позволят организациям любого размера и бюджета извлечь выгоду из данных. При этом платформы и инструменты будут становится дешевле и доступнее. Борн пишет: «Мы ожидаем, что появятся продвинутые алгоритмы, которые помогут извлекать пользу из нововведений в области квантового машинного обучения, обработки и хранения данных in-memory (в оперативной памяти) и машинного обучения на специализированных устройствах (например, на графическом процессоре, мини-ПК Raspberry Pi или на мобильном «суперкомпьютере» следующего поколения).

«В таких устройствах всего с одной функцией мы ожидаем увидеть развитие встроенных алгоритмов машинного обучения (особенно, глубинного машинного обучения). Они будут выполнять оперативную трансформацию данных в инсайты на этапе сбора информации. Таких устройств будет множество, они будут связаны через интернет вещей (IoT), в том числе индустриальный интернет вещей (IIoT)».

Признаки хорошего data science-специалиста

В таком обществе все мы станем немного data science-специалист будет играть одну из ведущих ролей. Команда Booz Allen даёт рекомендации о том, каким должен быть такой эксперт.

• Data science-специалист умеет превращать данные в конкретные действия. «Большую роль играет умение организовать процессы, правильную работу инструментов и технологий, чтобы люди и машины работами вместе и трансформировали данные в инсайты».
• Data science-специалист создаёт продукты на основе данных. Такие продукты «обеспечивают других сотрудников компании информацией, на основе которых можно действовать. Данные, которые лежат в основе такого продукта, и их аналитику эти сотрудники не видят. Подобными продуктами могут быть стратегии покупки или продажи для финансовых инструментов, набор действий для повышения объёмов выпускаемой продукции или для улучшения продуктового маркетинга».
• Data science-специалист нужен бизнесу для того, чтобы в будущем не отстать от конкурентов. «Руководство многих организаций принимает решения инстинктивно, полагаясь на аргументы того, кто громче всех выступает на встрече или приводит самые убедительные доводы. В условиях зарождающейся дата-центричной экономики победители и проигравшие будут определяться успехом data science-специалистов».
• Data science-специалист развивает свои навыки по мере развития компании. «Развитие организаций в направлении работы с данными проходит в несколько этапов. Сначала компании начинают собирать данные, потом начинают использовать их для описания действующих процессов, искать в них закономерности, предсказывать на их основе события. Последний этап – получение советов по ведению бизнеса на основе данных. Движение по этим этапам можно охарактеризовать, как движения от потопа из данных к зрелости их использования. На каждом этапе аналитические задачи становятся всё сложнее, а навыки анализа данных всё шире. Чтобы достигнуть успеха, организация должна достигнуть максимальной зрелости – последнего этапа. Но выгоду возможно извлекать на любом из них».
• Data science-специалисты должны быть командными игроками. «Data science-специалистам нужен широкий взгляд на компанию, в которой они работают. Их руководители должны встречаться с руководителями других отделов, чтобы понять сложности, с которыми последние сталкиваются, обнаружить дополнительные данные, соединить разрозненные части бизнеса и достичь широкой вовлечённости сотрудников в свои инициативы».

О том, как сделать data science в компании эффективнее, читайте в статье генерального директора DIS Group Павла Лихницкого.