5 полезных уроков от скромного лосося
Три волны развития искусственного интеллекта согласно Evo Pricing, основано на исследованиях DHL.
Данные ненадежный друг, и с трудом что-то о них можно назвать научным. Что же делать с наукой о данных?
За последние 5 лет я провел собеседования с более чем 1000 кандидатами на должность аналитиков данных, желающих работать в Evo Pricing. В процессе я узнал, что то, как в СМИ изображают данную профессию, в корне неверно; мы не просто подставляем данные в уже готовые алгоритмы.
Назрела необходимость коренным образом переосмыслить наше представление о науке о данных.
70 лет истории в двух параграфах и одной картинке
В своей основе наука о данных это красивое название для широкого спектра сложных математических операций, которые, в большинстве своем, были изобретены в далеком прошлом, но обрели второе дыхание благодаря применению значительно усовершенствованных технических устройств: больше данных, больше вычислительной мощности, более разумные результаты по более низкой цене.
Поскольку стоимость хранения и обработки данных снизилась, объем данных вырос: здесь работает простой закон спроса и предложения, или, можно сказать, эластичность спроса по цене данных. Снижается цена растет объем. Соответственно, со всей этой информацией кто-то что-то должен делать. Так и появилась наука о данных.
Распространенные заблуждения о науке о данных
Что такое Data Science?
По мнению Калифорнийского университета Беркли, эта наука один из самых перспективных карьерных путей для квалифицированных специалистов.
По моему мнению, название Data Science предполагает особый подход к решению определенных проблем. Вот есть определенные данные; а что нам с ними делать, что угодно?
На самом деле, вложить огромную сумму денег в какие-то данные, из которых, может быть, однажды получится что-то полезное, звучит не очень оптимально как с точки зрения карьерного роста, так и с точки зрения бизнес-стратегии. К сожалению, промышленная революция XIX века оставила нам в наследство школы и университеты для обучения большого числа рабочих, способных только давать однообразные ответы на стандартные вопросы; и с тех пор мало что изменилось.
А что будет, если мы научим людей задавать правильные вопросы, а машины находить ответы?
Data Science может стать карьерным тупиком
Несмотря на то, что наука о данных в разных своих проявлениях набирает популярность, как, например, искусственный интеллект и все, что связано с этой темой, сама профессия хороша только для новичков.
Обещания зарплаты в размере более 80 тысяч долларов в год могут показаться заманчивыми, однако все не так просто, как кажется. Чтобы по-настоящему преуспеть в работе с данными, нужно преуспеть в решении конкретных, значимых и четко определенных проблем, а не становиться универсальным экспертом в области данных или, что еще хуже, в науке, которая, как показывает изображение в начале статьи, достаточно устарела с академической точки зрения.
Данные и алгоритмы мощные инструменты. Но, как и любой инструмент, их результативность зависит от того, как хорош тот, кто ими пользуется.
Желайте добиться успеха развивайте Business Science
Как стать успешным, работая с данными? Сосредоточьтесь на проблеме, которую надо решить, а не на данных как таковых.
Для тех, кто хочет использовать данные в коммерческих целях, наука о бизнесе предлагает прекрасные стратегии:
- бизнес-проблема должна быть определена, изучена и решена;
- исследование должно быть выполнено с научной точки зрения;
- влияние на бизнес: измеримый, объективный результат;
Для некоммерческих вариантов работы с данными логика, тем не менее, аналогичная: начните с вопроса/гипотезы, придерживайтесь строгой методологии, потом вернитесь к изучаемому аспекту/вопросу и определите, было ли доказано влияние данных на бизнес или нет. И так по новой.
Возникает вопрос: как это все сделать? Это мы можем объяснить, используя довольно забавную аналогию.
Урок от лосося 1: начинайте с конца
Скромный лосось не только вкусный, но и за свои 5-10 лет жизни успевает сделать много правильных, логичных вещей: жизнь его начинается с конца (в устье реки), а потом возвращается к началу (истоку), где происходит нерест, после чего он покидает реку, уступая место новому поколению лососей.
Потомство лосося рождается у истока, затем плывет вниз по течению, познавая удивительный мир океана, после чего возвращается обратно к реке, где может претендовать на право произвести новое потомство.
Среднестатистическому аналитику данных есть чему поучиться у скромного лосося. Как бы ни было комфортно (и интеллектуально застойно) плыть по течению к новому объему данных, такая простая, детская стратегия не приведет к успеху в долгосрочной перспективе.
Зрелый лосось начнет двигаться вниз по течению, пристально высматривая ту цель (реку), которую он хочет достичь и на которую хочет повлиять, после чего решает медленно и мучительно двигаться вверх по течению, постепенно сужая объем данных (воды), через которую ему надо пробиться.
Урок от лосося 2: не подплывайте близко к водопаду
Я проработал консультантом по вопросам управления в McKinsey & Company 10 лет. За время пребывания в должности я строго следовал традиционной каскадной модели работы она же модель Водопад: всегда начинал работу с того, что инвестировал в проект огромное количество времени, сил и клиентского бюджета. Исследовал все максимально подробно. Грубо говоря, кипятил океан и, в процессе, убивал бедных лососей!
По сути, моя команда формулировала первоначальную гипотезу, а затем искала соответствующие данные, чтобы доказать или опровергнуть ее. Эдакое основанное на гипотезе мышление. В лучшем случае это можно назвать эффективным квазинаучным подходом к делу, в худшем дорогим примером предвзятости подтверждения, когда данные подбираются для обоснования того результата, к которому заранее было решено прийти.
Данная стратегия может подходить для высоко стратегических, долгосрочных планов, но при этом не дает никаких гарантий клиенту, что завтра, а потом и через год все так же будет идти по плану, особенно в мире, который развивается все быстрее, сложнее и хаотичнее. Мой начальник, Роберт Даймонд, любит говорить так: бизнес это фильм, а не статичная картинка.
Риск данного подхода заключается в том, что можно ответить на неверный вопрос, а также он не дает необходимой для развития обратной связи, которая влияет на успех, несмотря на постоянную дезорганизацию рынка. Сегодня данные являются нужной моделью!
В конце концов, именно для этого и появилась гибкая методология разработки. Чтобы допускать дополнительные корректировки.
Урок от лосося 3: принцип 80/20 поможет избежать медведей
На вершине водопада даже самый ловкий лосось может столкнуться со своим заклятым врагом большим мохнатым зверем.
Берегись медведя. Фото: Прыжок смерти, Питер Шталь.
Плывя вверх по течению, каждый лосось может столкнуться с неожиданными, порой непреодолимыми препятствиями, со страшными хищниками. Когда-то тихие воды внезапно становятся бурлящим водопадом, плыть становится очень тяжело.
В отчаянной попытке преодолеть преграду, лосось прыгает что есть сил и попадает в капкан большого волосатого медведя, ожидающего обед.
Перфекционизм главный враг Business Scientistа
Перфекционизм та черта, которая превращает жизнь в сплошной табель об успеваемости. Это может послужить причиной несчастного существования человека.
Вода (данные) может быстро стать укрытием для медведя, поджидающего свою добычу. Идеальная для плавания и жизни, она внезапно может стать и погибелью. Чтобы этого избежать, нам нужен другой, более прагматичный подход.
Наше спасение принцип 80/20 сосредоточивается на том, что действительно важно, и позволяет обойти препятствия, а не идти напролом. Поплавайте вокруг и поищите способы, которые могут помочь избежать медведей. Крайние, пограничные случаи практически не оказывают влияние на бизнес! Тогда зачем напрягаться?
Урок от лосося 4: чем меньше (данных), тем лучше (информация)
На подготовку основанных на данных результатах должно уходить больше времени, чем на их исследование. И под больше времени я не имею в виду собрать все в одну кучу в последний момент.
Лосось рождается в небольшом водоеме (объеме данных) где он ставит себе узкую задачу, формулирует вопрос; после этого он отправляется в огромный океан исследований, где он плавает в большом объеме воды и с большими данными; потом он возвращается обратно в свой маленький водоем. Ведь чтобы объяснить результат нужно досконально изучить полученные данные и сформировать то, что окажет влияние на бизнес.
Работа на основе данных должна осуществляться снизу вверх, но эффективная коммуникация сверху вниз.
В какой-то момент ученому нужно заканчивать вариться в океане данных и переходить к формулированию сообщения как с нуля донести идею до получателя? Для этого нужно перейти в режим сверху вниз.
Не нужно создавать навороченную визуализацию, которая настолько динамична и запутанна, что понятна только технарям. Наоборот, формулировку надо максимально упростить. Тратьте МЕНЬШЕ времени на данные и БОЛЬШЕ на планирование обсуждения.
Эффективное общение начинается с конца, после чего переходит к миллиону причин, почему был сделан именно такой вывод, и миллиону доказательств, подтверждающих этот вывод.
Я настоятельно рекомендую почитать Принцип Пирамиды Барбары Минто, которая подробно рассказывает о том, как лучше всего донести информацию с помощью фактов.
Урок от лосося 5: доказательство налицо
Начиная с конца, рассказывая об ощутимых воздействиях, которые могут оказать исследование, Вы завоюете одобрение и уверенность клиентов в Вашей работе, которую иначе можно было бы назвать некими неясными алгоритмическими трюками. Чтобы понять, работает ли черный ящик, его нужно сначала вскрыть.
Только читав о спутниковой навигации, Вы не научитесь ею пользоваться.
Мне очень нравится работать с приложениями по ценообразованию и цепочке поставок, и в обоих случаях, чаще всего, большой куш сорвать можно только двигаясь вверх по течению: планируя, проектируя. Но, всегда есть но. Вы никогда ничего не получите, если сначала не докажете эффективность Вашей работы.
Поэтому рекомендую начать с таких EOL-дел, как переупорядочение (для производственно-сбытовых цепочек) и уценки (в случае ценообразования). И я прекрасно понимаю, что лучшая уценка это та, которую Вы ВООБЩЕ не предлагаете, потому что все было с самого начала грамотно спланировано. Но насколько бы было проблемно нарушить планирование, предварительно не завоевав сердца и умы клиентов осязаемыми фактами?
Будь Business Scientistом, а деньги приложатся
Что скорее окупится: пойти, как и все остальные, изучить методы и техники науки о данных, или вложиться в изучение бизнес-приложений, где воздействие данных превосходит интуицию?
Сначала найдите свою нишу и забудьте о машинном обучении до тех пор, пока не появится захватывающая проблема, которую Вы захотите решить. После того, как я ушел из McKinsey, я за день выучил R, чтобы приступить к реализации своей идеи в сфере науки о бизнесе. Но хорошо ли я понимал, что я хотел делать?
Мне понадобилось около 10 лет, чтобы достичь того уровня, на котором я могу спокойно работать с той проблемой, которую я хотел разобрать.
Прежде чем идти получать докторскую степень, нужно сначала сформулировать задачу исследования в отличие от магистерской работы, тему которой Вам дает кто-то другой.
Прежде чем стать бизнесменом, нужно придумать оригинальную бизнес-идею в отличие от обычной профессии, где кто-то другой дает Вам все задачи.
Это философия жизни.
Осмельтесь плыть против течения, и вместо того, чтобы стать очередным аналитиком данных, попробуйте найти себя в сфере науки о бизнесе.
Хорошего плавания!
Узнайте подробности, как получить востребованную профессию с нуля или Level Up по навыкам и зарплате, пройдя платные онлайн-курсы SkillFactory:
- Курс по Machine Learning (12 недель)
- Обучение профессии Data Science с нуля (12 месяцев)
- Профессия аналитика с любым стартовым уровнем (9 месяцев)
- Курс Python для веб-разработки (9 месяцев)
