5 полезных уроков от скромного лосося
Три волны развития искусственного интеллекта по данным Evo Pricing на основе исследования DHL.
Данные — ненадежный друг, и их трудно назвать чем-то научным.
Что делать с наукой о данных? За последние 5 лет я провел собеседование с более чем 1000 кандидатами на должность аналитика данных, которые хотят присоединиться к Evo Pricing. В процессе я узнал, что профессия изображается в средствах массовой информации совершенно неправильно; Мы не просто подставляем данные в готовые алгоритмы.
Необходимо фундаментально переосмыслить то, как мы думаем о науке о данных.
70 лет истории в двух абзацах и одной картинке
По своей сути наука о данных — это причудливое название для широкого спектра сложных математических операций, которые в основном были изобретены в далеком прошлом, но обрели новую жизнь благодаря использованию значительно усовершенствованных технических устройств: больше данных, больше вычислительная мощность, более разумные результаты.по более низкой цене.
Поскольку стоимость хранения и обработки данных снизилась, объем данных увеличился: здесь действует простой закон спроса и предложения, или можно сказать эластичность спроса по цене данных.
Цена снижается – объем увеличивается.
Соответственно, со всей этой информацией кто-то должен что-то делать.
Так родилась наука о данных.
Распространенные заблуждения о науке о данных
Что случилось Наука о данных ? По данным Калифорнийского университета Беркли , эта наука является одним из наиболее перспективных направлений карьерного роста для квалифицированных специалистов.
На мой взгляд, название «Наука о данных» подразумевает особый подход к решению определенных задач.
Есть определенные данные; Что нам с ними делать, хоть что-нибудь? На самом деле, вкладывать огромные деньги в какие-то данные, которые однажды могут принести 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 подготовки большого количества рабочих, которые могли лишь давать монотонные ответы на стандартные вопросы; и с тех пор мало что изменилось.
Что произойдет, если мы научим людей задавать правильные вопросы, а машины находить ответы?
Наука о данных может стать карьерным тупиком
Несмотря на то, что наука о данных в различных ее проявлениях набирает популярность, например, искусственный интеллект и все, что с этой темой связано, сама профессия хороша только для новичков.Зарплату обещают более $80 тысяч в год может показаться заманчивым, но все не так просто, как кажется.
Чтобы по-настоящему добиться успеха в науке о данных, вам нужно преуспеть в решении конкретных, значимых и четко определенных проблем, а не становиться экспертом широкого профиля в области данных или, что еще хуже, в науке, которая, как показывает изображение в начале статьи, с академической точки зрения весьма устарела.
Данные и алгоритмы — мощные инструменты.
Но, как и любой инструмент, их эффективность зависит от того, насколько хорош человек, который их использует.
Если вы хотите добиться успеха, развивайте бизнес-науку
Как добиться успеха в работе с данными? Сосредоточьтесь на проблеме, которую необходимо решить, а не на самих данных.Для тех, кто хочет использовать данные в бизнес-целях, бизнес-наука предлагает отличные стратегии:
- бизнес-задача должна быть определена, изучена и решена;
- исследование должно проводиться с научной точки зрения;
- влияние на бизнес: измеримый, объективный результат;
Возникает вопрос: как все это сделать? Мы можем объяснить это, используя довольно забавную аналогию.
Урок лосося № 1: начните с конечной цели.
Скромный лосось не только вкусен, но и 5-10 лет жизни умудряется делать многие правильные, логичные вещи: его жизнь начинается с конца (в устье реки), а затем возвращается к началу (источнику), где происходит нерест, после чего он покидает реку, уступая место новому поколение лосося.
Потомство лосося рождается у истока, затем плывет вниз по течению, знакомясь с удивительным миром океана, после чего возвращается обратно в реку, где может претендовать на право производить новое потомство.
Среднестатистическому аналитику данных есть чему поучиться у скромного лосося.
Как бы удобно (и интеллектуально застойно) ни было идти с потоком новых данных, такая простая, детская стратегия не приведет к долгосрочному успеху.
Взрослый лосось начнет двигаться вниз по течению, внимательно высматривая цель (реку), которую он хочет достичь и на которую он хочет повлиять, после чего решает медленно и мучительно двигаться вверх по течению, постепенно сужая объем данных (воды), через которые ему необходимо пройти.
прорвать .
Урок лосося № 2: не подплывайте близко к водопаду
Я работал консультантом по менеджменту в Маккинси и компания 10 лет. За время своего пребывания в должности я строго следовал традиционной водопадной модели работы, также известной как модель «Водопад»: я всегда начинал работу, вкладывая в проект огромное количество времени, усилий и клиентского бюджета.Я изучил все максимально подробно.
Грубо говоря, океан вскипел – и в процессе этого погиб бедный лосось! 
По сути, моя команда сформулировала первоначальную гипотезу, а затем искала соответствующие данные, чтобы доказать или опровергнуть ее.
Этакой мышление, основанное на гипотезах .
В лучшем случае это эффективный квазинаучный подход к делу; в худшем случае — дорогостоящий пример предвзятости подтверждения, когда данные тщательно отбираются для поддержки заранее определенного результата.
Эта стратегия может подойти для сугубо стратегических, долгосрочных планов, но она не дает никаких гарантий клиенту, что завтра, а потом и через год все по-прежнему пойдет по плану, особенно в мире, который развивается быстрее.
более сложный и более хаотичный.
Мой босс, Р.
Оберт Даймонд , любит говорить так: бизнес – это фильм, а не статичная картинка.
Риск такого подхода заключается в том, что он может ответить на неправильный вопрос и не обеспечивает обратной связи с развитием, которая влияет на успех, несмотря на постоянные нарушения рынка.
Сегодня данные — это та модель, которая вам нужна! Ведь для этого он и создан.
гибкая методология разработки .
Чтобы можно было внести дополнительные корректировки.
Урок лосося №3: Принцип 80/20 помогает избежать медведей
На вершине водопада даже самый проворный лосось может столкнуться со своим заклятым врагом – крупным мохнатым зверем.
Берегись медведя.
Фото: «Смертельный прыжок», Питер Шталь.
Плавая против течения, каждый лосось может столкнуться с неожиданными, порой непреодолимыми препятствиями и страшными хищниками.
Когда-то спокойные воды внезапно превратились в бушующий водопад, из-за которого плавать становится очень трудно.
В отчаянной попытке преодолеть препятствие лосось прыгает изо всех сил и попадает в ловушку большого волосатого медведя, ожидающего обеда.
Перфекционизм - главный враг Бизнес-Ученого
Перфекционизм — это черта, которая превращает жизнь в полный табель успеваемости.Вода (данные) может быстро стать укрытием для медведя, поджидающего свою добычу.Это может привести к жалкому существованию человека.
Идеально подходит для плавания и жизни, но может внезапно стать смертью.
Чтобы этого избежать, нам нужен другой, более прагматичный подход. Наше спасение – это Принцип 80/20 — фокусируется на том, что действительно важно, и позволяет обходить препятствия, а не идти прямо вперед. Плавайте вокруг и ищите способы избежать медведей.
Крайние, пограничные случаи практически не влияют на бизнес! Тогда зачем беспокоиться?
Урок лосося № 4: Меньше (данные) – лучше (информация)
Получение результатов на основе данных должно занять больше времени, чем их исследование.И под «больше времени» я не имею в виду «собрать все воедино в последнюю минуту».
Лосось рождается в небольшом водоеме (объем данных) – где ставит перед собой узкую задачу, формулирует вопрос; после этого он отправляется в огромный океан исследований, где плавает в большом объёме воды и с большими данными; затем он возвращается обратно в свой маленький пруд. Ведь чтобы объяснить результат, нужно тщательно изучить полученные данные и сформулировать то, что окажет влияние на бизнес.
Работа, основанная на данных, должна идти снизу вверх, но эффективная коммуникация должна идти сверху вниз.В какой-то момент ученому необходимо перестать вариться в океане данных и перейти к формулированию сообщения – как донести идею до получателя с нуля? Для этого необходимо переключиться в режим сверху вниз.
Не нужно создавать причудливые визуализации, настолько динамичные и запутанные, что разобраться в них смогут только технари.
Наоборот, формулировку следует максимально упростить.
Тратьте МЕНЬШЕ времени на данные и БОЛЬШЕ времени на планирование обсуждения.
Эффективное общение начинается с цели, а затем переходит к миллиону причин, по которым был сделан вывод, и миллиону доказательств, подтверждающих этот вывод. Я настоятельно рекомендую прочитать «Принцип пирамиды» Барбары Минто, в котором подробно рассказывается о том, как лучше всего передавать информацию, используя факты.
Урок лосося № 5: Доказательства есть
Если начать с конца, сообщив о ощутимом влиянии, которое могут оказать исследования, вы завоюете одобрение клиентов и доверие к вашей работе, которую в противном случае можно было бы отклонить как какой-то непонятный алгоритмический трюк.Чтобы понять, работает ли черный ящик, необходимо сначала его открыть.
Вы не научитесь им пользоваться, просто прочитав о спутниковой навигации.Мне очень нравится работать с приложениями для ценообразования и цепочки поставок, и в обоих случаях чаще всего единственный способ выиграть по-крупному — двигаться вверх по течению: планирование, проектирование.
Но всегда есть «но».
Вы никогда ничего не получите, если сначала не докажете эффективность своей работы.
Поэтому я рекомендую начать с вопросов EOL, таких как изменение порядка (для цепочек создания стоимости) и уценки (для ценообразования).
И я прекрасно понимаю, что лучшая уценка — это та, которую вы ВООБЩЕ не предлагаете, потому что все было хорошо спланировано с самого начала.
Но насколько проблематично было бы нарушить планирование, не завоевав сначала сердца и умы клиентов убедительными фактами?
Будьте бизнес-ученым, и деньги придут
Что с большей вероятностью окупится: пойти, как все остальные, и изучить методы и приемы науки о данных, или инвестировать в изучение бизнес-приложений, где влияние данных превосходит интуицию? Сначала найдите свою нишу и забудьте о машинном обучении до тех пор, пока не появится интересная проблема, которую вы хотите решить.После того как я ушел из McKinsey, я за день выучил R, чтобы начать реализацию своей бизнес-идеи.
Но действительно ли я понимал, чем хочу заниматься? Мне потребовалось около 10 лет, чтобы достичь того уровня, на котором я мог спокойно работать с той проблемой, которую хотел проанализировать.
Прежде чем идти получать докторскую степень, необходимо сначала сформулировать исследовательскую задачу – в отличие от магистерской диссертации, тему которой вам задает кто-то другой.
Прежде чем стать бизнесменом, вам необходимо придумать оригинальную бизнес-идею – в отличие от обычной профессии, где все задачи вам дает кто-то другой.
Это философия жизни.
Осмелитесь плыть против течения , и вместо того, чтобы становиться просто еще одним аналитиком данных, попробуйте найти себя в сфере бизнес-науки.
Приятного плавания! 
Узнайте подробности о том, как получить востребованную профессию с нуля или Level Up по навыкам и зарплате, пройдя платные онлайн-курсы от SkillFactory:
- Курс машинного обучения (12 недель)
- Обучение профессии Data Science с нуля (12 месяцев)
- Профессия аналитика на любом стартовом уровне (9 месяцев)
- Курс «Python для веб-разработки» (9 месяцев)
Читать далее
- Великие ученые, работающие с данными, не тратят время на статистику
- Как стать Data Scientist без онлайн-курсов
- Шпаргалка по сортировке для науки о данных
- Наука о данных для гуманитарных наук: что такое «данные»
- Наука о данных на стероидах: введение в аналитику принятия решений
-
Идентификаторы Элементов В Xcuitest
19 Oct, 24 -
Оптимизация Затрат На Роуминг
19 Oct, 24
