Как находить аплифты от Data Science. Часть 1

К части 2

Далеко не всегда у DS-ов и аналитиков получается видеть результат своей работы. Часто она идет в стол. Лично мне очень важно понимать, что моя работа объективно на что-то повлияла.

Так вот. За свою карьеру я кажется понял, как находить эти самые аплифты. Ответ: нужно иметь опыт и чутье в какие компании, отделы и проекты вписываться. Вот некоторые соображения по этому поводу.

Дисклеймер

Мои мысли касаются индустриального трека, а не RnD. RnD - это на самом деле другая специализация и совсем другой карьерный трек с другими достижениями. Это работающие прототипы, пилоты и публикации в журналах и на конференциях.

Выбор компании - где потенциал больше

Наибольший потенциал для получения эффектов от ML и аналитики на мой взгляд можно найти в растущих компаниях с развитой продуктовой и технологической культурой. Где есть работающие процессы, где быстро катятся доработки в прод и где основа бизнеса - это онлайн.

В развитых продуктовых компаниях получать эффект может быть сложнее, потому что все уже более-менее работает и низковисящие фрукты сняты. Например, у нас улучшить качество ранкера в рекомендациях на пару процентных пунктов NDCG - достаточно сложная задача. Но при этом на масштабе прирост ML метрики даже на один процентный пункт может привести к прокрасу бизнес-метрик.

Также важно, в какой отдел вы пойдете. Если это новое направление, то вполне возможно там вас ждет успех.

Выбор компании - где потенциал меньше

В крупных индустриальных компаниях, где разработка идет медленно, где много завязано на оффлайн процессах, где не развита работа с данными, будет сложно получить эффект. Такие компании идут в AI во многом из-за хайпа, а их инфраструктура и процессы во многом не готовы.

Условно, менеджеры хотят сделать AI, а у них даже нет качественной инфраструктуры для сбора витрин данных. Все процессы построены на адхок sql запросах и выгрузках в эксель. Так раньше было в Сбере. Трансформация заняла несколько лет (и я думаю не завершилась, хотя ожидания от AI уже в районе Альфа Центавры)

Либо тоже частый кейс, когда компания хочет создать сложный продукт там, где нет ничего. Помню, как мы работали над автоматическим анализом данных геофизических исследований бурения нефтяных скажин. Это на самом деле был RnD и до первых крутых результатов прошло пару лет.

Наличие человека в процессах по моему опыту сильно снижает эффект машинного обучения. Например, отображение предложений в интерфейсе гораздо легче превратить в изменение метрик, чем формирование рекомендаций для менеджеров по продажам. Тут нужно не просто дать скор, но и объяснить, как менеджеру продавать рекомендованный продукт.

Поэтому, если вам делают оффер в технологически неразвитую компанию и хотят поставить краткосрочные цели по финансовому эффекту, подумайте дважды. Возможно до аплифтов вам потребуется пройти путь в несколько лет.

Продолжение следует

В части 2 я расскажу про выбор отдела и проекта. Если интересно узнать продолжение, очень жду ваших реакций 🐳

#career@big_ledovsky