⁣Почему многие DS не понимают бизнес-задачу

Одна из самых частых проблем в Data Science
вообще не связана с моделями.

Многие DS отлично знают:

👉 метрики
👉 архитектуры
👉 feature engineering
👉 Python
👉 математику

Но при этом плохо понимают,
зачем бизнесу нужна модель.

И это потом очень заметно в работе.

Когда ML уходит в вакуум

Например,
человек может месяцами улучшать ROC-AUC:

👉 с 0.91 до 0.93

Хотя для бизнеса разницы почти нет.

Или строить сложную систему там,
где хватило бы пары SQL-правил.

И наоборот:

👉 модель с «неидеальными» метриками
👉 может приносить много денег

потому что хорошо встроена в процесс.

Откуда начинается проблема

Большинство курсов учат:

👉 обучать модели
👉 подбирать гиперпараметры
👉 улучшать benchmark

Но почти не учат задавать вопросы:

👉 что именно пытается оптимизировать бизнес?
👉 сколько стоит ошибка?
👉 как модель будут использовать?
👉 кто принимает решения на основе предсказаний?

Хотя это важнее половины ML-стека.

Метрика ≠ цель бизнеса

Многие воспринимают задачу как:

«Получить максимальную метрику».

Хотя в реальности задача обычно звучит иначе:

👉 уменьшить churn
👉 снизить потери
👉 ускорить процесс
👉 сократить ручную работу

И иногда лучший ML-проект —
это вообще не ML.

Прод быстро возвращает в реальность

Бизнесу всё равно:

👉 какой у тебя encoder
👉 сколько слоёв
👉 какой learning rate

Его интересует:

👉 работает ли система
👉 экономит ли деньги
👉 не ломается ли каждую неделю

Частая ошибка

Люди начинают:

👉 с модели
👉 обсуждают архитектуру
👉 спорят про CatBoost vs XGBoost

Ещё до того,
как нормально поняли саму задачу.

Хотя хороший DS обычно сначала пытается понять:

👉 откуда берутся данные
👉 как принимаются решения
👉 где появляется ценность

И только потом думает про модель.

Главная мысль

Сильные специалисты часто отличаются
не тем, что знают больше алгоритмов.

А тем,
что умеют связывать:

👉 данные
👉 продукт
👉 ограничения
👉 деньги
👉 реальный процесс

Без этого ML очень быстро превращается
в дорогую игрушку.