📌 Нужно ли шарить в ML

Спойлер — рекомендуется.

ML (Machine Learning) исторически считается прерогативой дата-сатанистов. И в целом, оно так и есть. Но ML ML’ю рознь.

В контексте продуктовых исследований часто недостаточно собрать просто статистику (эта стадия, кстати, называется EDA — exploratory data analysis, разведка). Чтобы понимать закономерности и зависимости, иногда приходится нырять в алгоритмы.

Да, не весь спектр ML тебе понадобится, но есть прям очень полезные штуки, которые хорошо бы уметь, а именно классификация, кластеризация и предикты.

▶️ Классификация — очень мощная штука, нужна для сортировки всего и вся: раскидать юзеров по сегментам, определить товары в группы, присвоить сегменты странам. Да что только не придумаешь.

▶️ Кластеризация похожа по своей сути, но работает от обратного, вычислить какие популярные сегменты (кластеры) вырисовываются в твоих данных.

▶️ Предиктивные модели часто помогают держать руку на пульсе. Но с ними тоже не всё так однозначно, часто прогнозы могут сильно косячить, поэтому не увлекайся.

О разных алгоритмах ML в контексте задач мы тоже как-нибудь поговорим.

p.s. Картинку не какую хотели, а какую заслужили, предоставил мой кореш DALL-E