5 признаков, что вам пора в Data Science

В Газпромбанке мы используем продвинутую аналитику, нейросети, машинное обучение. Работающие в банке эксперты по Data Science перечилисли очевидные (и не очень) признаки, которые подскажут, нужно ли вам двигаться в науку о данных и какое направление Data Science выбрать.

И кайфуете, когда видите очищенные данные и настроенные графики. И если в данных беспорядок, у вас возникает негодование и желание всё исправить.

Из DS-профессий можно присмотреться к дата-инженеру. Одно из направлений его деятельности — обрабатывать и очищать данные, чтобы дата-сайентисты получали таблицы без повторов, пропусков или неоднородных данных.

От специалистов, которые работают с данными, всегда ожидают понятных результатов, а значит их нужно уметь собирать и презентовать. А также быть готовым к тому, что в любой момент у вас могут попросить отчёт — от этого никуда не деться.

Советуем обратить внимание на профессию "Аналитик данных". Именно этот специалист чаще всего предоставляет итоги своей работы бизнесу. На нём лежат и интерпретация данных, и отчёты. Например, после A/B-тестирования он выбирает, какие метрики нужно показать заказчику, и составляет презентацию на понятном для бизнеса языке.

Ведь Machine Learning можно применять в разных областях.

Есть такая профессия как ML-researcher. Пока она не так часто встречается в индустрии, в основном в крупных компаниях, но такой специалист больше всего погружен в исследования. Он работает на процесс, то есть не каждая научная задача заканчивается открытием. Но если результата удаётся достичь, то это реальная возможность изменить мир.

Data Scientist погружён в предметную область, в продукт, которым занимается, и плотно общается с бизнесом. Он разбирается в алгоритмах, статистике, дискретной математике, аналитической геометрии. Он хорошо ориентируется в данных, которые берёт для модели, и проверяет, что дата-инженеры всё на совесть почистили. И, в конце концов, он пишет код, который по всем законам разработки должен будет соответствовать правилам безопасности и надёжности.

В Machine Learning недостаточно просто делать fit–predict. Ещё нужно отвечать на письма, проводить презентации, участвовать во встречах. На них не только обсуждают работу, договариваются о результатах, но и разруливают нештатные ситуации.

Софт-скилы нужны всем в сфере: и дата-сайентистам, и аналитикам данных, и даже немного ML-инженерам. Их стоит развивать, если хотите расти выше до мидла и готовы брать на себя больше ответственности за людей и проекты.

Чем больше вы напрямую общаетесь с бизнесом, отвечаете на его запросы, тем чаще вас поощряют. К тому же вы не только развиваетесь, но и можете расти в зарплате.

Но главное, в любом деле должно оставаться желание в этом разбираться, пытаться докопаться до сути. Ответьте себе на вопросы, что вы любите делать, что вас радует. Если среди этих пунктов не найдутся программирование или математика, то стоит задуматься, действительно ли вам этого хочется, или это кто-то вам навязал, например, реклама.

А если всё-таки найдутся, то пробуйте. Развиться и стать специалистом можно в любом направлении Machine Learning, если не бояться учиться и совершать ошибки.

Посмотреть стажировки в Газпромбанке и выбрать подходящее направление можно здесь.

А в этой статье мы рассказали, как развивалась наука о данных.