Почему аналитику НЕ НУЖНО идти в ML? ❌

Ранее я описал, какие карьерные выгоды дает аналитику освоение машинного обучения, но на любой вопрос могут быть разные точки зрения, поэтому давайте посмотрим и на противоположный взгляд: почему аналитику лучше не знакомиться с ML.

В прошлый раз я рассматривал финансовую мотивацию. Это конечно здорово и классно, но ведь мы на работе проводим большую часть жизни, что насчет интересных задач? С точки зрения интересных задач оставаться аналитиком лучше.

Например, нужно вам сделать модель оттока и удержания клиентов — ну так считаем отточниками тех, кто снизил потребление ваших услуг на X% и даем им скидку Y%. Отсечки подберете вручную по паре графиков. Или еще лучше: даем скидку на большее количество услуг так, чтобы за счет большей базовой цены всех этих услуг вместе еще и больше заработать с клиента (ну т.е. допродать больше, чем дать скидкой). Вообще epic win, а главное сколько у вас свобод — и Х выбираете, как считаете нужным, и Y, и что предлагать. А сколько влияния — делали удержание, а сделали еще и допродажи услуг, и сосед по опенспейсу теперь недоумевает почему в его проекте по допродажам клиенты уже не восприимчивы к предложениям. А вы хитро улыбаетесь🙂

То ли дело с ML: данные собирать, признаки готовить, строить прогноз оттока, нигде не допустить leak таргета в признаки. Потом для выбора методов удержания еще модель строить. А еще нужно чтобы горизонт прогнозирования был не меньше, чем время, нужное на удержание клиента, а то все сломается. А построение самого алгоритма это в целом понятная операция: вы не изобретаете модели, вы берете градиентный бустинг и правильно его обучаете и валидируете.

Понимаете, в чем подвох? Как аналитик вы придумали все сами. Как машинлернер вы взяли все открытое до вас и рутинно применили.

В этом и проблема: когда ты не умеешь решать задачи как образованный человек, тебе каждое твое «кулибинское изобретение» троллейбуса из буханки хлеба кажется достижением уровня Нобелевки. Ты мыслитель, Прометей, повелитель математики и алгоритмов. А когда начинаешь изучать, что человечество уже придумало (САМО, БЕЗ ТВОЕГО УЧАСТИЯ), узнаешь, что ты внезапно не так уж умен. И все, что ты собирал из костылей и велосипедов люди давно придумали, как делать по-человечески.

Осознать это очень больно. Большинство людей это откровение отвергает и возвращается в состояние «я царь, я гений, я Илон Маск» со своими решениями для бизнеса в два прихлопа три притопа, а про DS при этом говорят: «Вот смотрите, я и без DS обхожусь». И, самое главное, живет в счастье.

Те же, кто пустил знания в свою душу, сталкиваются с печальной правдой, что поверх реальных достижений человечества уже ничего крутого-то и не могут придумать. Только собирать из готовых блоков. И дальше каждый по-своему переживает эту травму. Кто-то разочаровывается и меняет сферу деятельности, кто-то, наоборот, принимает инженерный взгляд на задачи и собирает решения из готовых блоков, не тратя времени на попытки переиграть умных людей, уже все придумавших. Кто-то принимает вызов и идет в ML research разрабатывать новые алгоритмы и все же учиться двигать человечество вперед.

Но само по себе знание не является ценностью в абсолюте. У каждого из вас есть свобода выбора. И для многих оптимальный выбор — конструировать велосипеды и наслаждаться своей гениальностью. Если это ваш случай — не изучайте ML.

〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.

🎓 А кто уже готов из аналитиков перейти в ML — ждем вас на нашем курсе «База ML», старт 9 декабря!