W dzisiejszym biznesie niemal każdy obszar można zamienić w dane i poddać analizie specjalistów. Wpływ data science jest ogromny i obejmuje wszystkie obszary biznesu, w tym marketing, sprzedaż, HR i wytwarzanie oprogramowania, jak systemy oparte na AI w rodzaju ChatGPT. Żadna branża nie jest wolna od mierzenia i wpływu danych. Profesjonalnie zbudowane algorytmy machine learningu potrafią pomóc pacjentom zrozumieć ich stan zdrowia albo klientom banków przeanalizować wydatki. Firmy wykorzystują jednak data science najczęściej do takich działań jak:
- Usprawnienie procesu decyzyjnego przez oparcie go na danych zamiast na intuicji.
- Zrozumienie nieustannie zmieniającego się rynku i dostosowywanie produktów do bieżących wymagań.
- Optymalizacja kosztów przez przewidywanie, w co naprawdę warto inwestować (testowanie pomysłów).
- Znalezienie idealnej grupy odbiorców produktów.
- Poprawa cyberbezpieczeństwa i wykrywanie anomalii.
- Tworzenie oferty lepiej dopasowanej do konkretnych klientów.
Co więcej, dzięki postępowi technologicznemu nie traktujemy już danych wyłącznie jako opisu przeszłości czy teraźniejszości. Prawdziwa siła tkwi w tym, jak dane pomagają prognozować przyszłość.
Gdy dane stały się powszechnym trendem, firmy przeszły od pytania „po co zatrudniać data scientistów?” do „jak zatrudnić data scientistów?”. Na pierwsze pytanie już odpowiedzieliśmy — czas na drugie, ważniejsze, bo data scientists są dziś stale poszukiwani, a znalezienie osoby idealnie pasującej do Twojego biznesu bywa trudne.
Czym właściwie zajmuje się data scientist?
Data scientists pracują w wielu obszarach związanych z danymi, żeby dostarczyć możliwie najlepsze prognozy dla firmy, w której pracują. Zakres ich obowiązków może się różnić w zależności od wielu czynników, takich jak skład zespołu danych (piszemy o tym w kolejnej części naszego przewodnika) czy bieżące potrzeby firmy.
Najczęściej jednak data scientists…
- Budują algorytmy machine learningu pomagające przewidywać przyszłość.
- Analizują wydajność i trafność wdrożonych modeli predykcyjnych.
- Wykorzystują zaawansowane techniki wizualizacji danych, żeby prezentować wnioski interesariuszom, project managerom i innym decydentom.
- Na podstawie danych proponują rozwiązania problemów i nowe kierunki dla biznesu.
- Ustalają źródłową przyczynę bieżących problemów.
- Pozyskują dane i wybierają elementy, które będą analizowane przez modele.
Dlaczego firmy zatrudniają data scientistów, analityków i inżynierów danych?
Żeby w pełni zrozumieć rolę data scientistów, trzeba odróżnić ich od analityków i inżynierów danych. Te trzy pojęcia bywają używane zamiennie, co jest nieprawidłowe.
W odróżnieniu od data scientistów analitycy danych zwykle nie budują modeli machine learningu ani innych zaawansowanych modeli danych. Najczęściej analizują dane dostarczone im przez innych, często z jednego źródła, żeby uzyskać nowe wnioski dotyczące istniejących problemów. Data scientists z kolei wykorzystują machine learning i inne technologie do przewidywania przyszłości. W tym celu włączają do swojej pracy dane z wielu, często niepowiązanych źródeł.
A inżynierowie danych? Pozyskują dane z różnych źródeł i budują pipeline'y, które dostarczają je osobom wykorzystującym je później w swoich analizach — analitykom lub data scientistom. Jeśli w firmie nie ma dedykowanych inżynierów danych, data scientists mogą pozyskiwać dane samodzielnie.
Najważniejsze kompetencje twarde data scientistów
Chcąc zatrudnić data scientistów, przede wszystkim zastanów się, czy mają kompetencje potrzebne do dostarczenia oczekiwanych rezultatów. Uważaj na analityków danych aplikujących na to stanowisko — wielu z nich może nie mieć kompetencji twardych wymaganych w roli data scientista. O jakie kompetencje chodzi?
- Znajomość machine learningu i innych istotnych zagadnień (takich jak AI, deep learning, GAN).
Nie powinna to być wyłącznie wiedza teoretyczna, ale też realne doświadczenie w budowaniu predykcyjnych modeli ML. Data scientist, którego chcesz zatrudnić, powinien też rozumieć różnice między podejściami do machine learningu (np. uczeniem nadzorowanym i nienadzorowanym).
- Rozumienie złożonych zagadnień matematycznych, takich jak rachunek prawdopodobieństwa czy algorytmy.
- Biegłość w co najmniej jednym języku programowania używanym w machine learningu.
Wybór bywa różny, ale najczęściej są to Python, C++, Java, R, Scala. Jeśli masz już zespół danych, najlepiej zatrudnić data scientista pracującego w tej samej technologii.
- Doświadczenie z odpowiednimi frameworkami i bibliotekami.
Ich wybór zależy od używanego języka programowania i konkretnych potrzeb data scientista. Na przykład Caffe to jeden z najpopularniejszych wyborów w deep learningu, a Orange3 przydaje się w data miningu i wizualizacji danych.
- Doświadczenie w data miningu, analityce danych i innych istotnych operacjach na danych, w tym w zarządzaniu bazami z użyciem SQL, NoSQL itp.
Kluczowe kompetencje miękkie data scientistów
Choć praca data scientista jest z pewnością bardzo techniczna, przydaje się też zestaw konkretnych kompetencji miękkich. Wspierają one nie tylko efektywność i jakość pracy, ale mają też duży wpływ na współpracę w zespole i innowacyjność.
Jakich kompetencji miękkich szukać, planując zatrudnienie data scientistów?
- Dbałość o szczegóły
Nawet drobny błąd przy przygotowaniu modelu machine learningu może drastycznie zmienić uzyskane wyniki. Ponieważ analiza wydajności i trafności modeli ML to jedno z najważniejszych zadań data scientista, dbałość o szczegóły jest niezbędna.
- Umiejętność prostego tłumaczenia złożonych zagadnień
Dla data scientista niezwykle ważna jest dobra komunikacja z resztą zespołu danych. Ponieważ jednak często prezentuje też swoje prognozy zespołom nietechnicznym, ważna jest umiejętność porzucenia żargonu i przedstawienia złożonych idei osobom mniej obeznanym z technologią.
- Postawa badacza
Gdzie znaleźć dane do analizy? Które dane wybrać? Jak poprawić skuteczność modeli ML? Żeby naprawdę się rozwijać, data scientists muszą być stale ciekawi swojego projektu i tego, jak go ulepszyć w oparciu o najnowsze osiągnięcia w branży
Wykształcenie najlepszych data scientistów
Najlepsi data scientists to zwykle absolwenci (często z tytułem magistra) takich kierunków jak informatyka, statystyka, matematyka, fizyka lub różne rodzaje inżynierii. Czas na uczelni wykorzystują zazwyczaj na kursy z takich tematów jak:
- Różne obszary matematyki i matematyki stosowanej.
- Kognitywistyka.
- Ekonometria.
- AI, machine learning i inne powiązane przedmioty.
- Programowanie.
- Analiza danych, data mining i inne operacje na danych.
- Robotyka.
- Analiza biznesowa.
Zatrudniając data scientistów, warto też ocenić ich doświadczenie. Skup się na kandydatach, którzy pracowali już w środowisku biznesowym (a nie wyłącznie na uczelni), a jeszcze lepiej na tych, którzy współpracowali z firmami z Twojej branży.
Najlepsze pytania na rozmowie z data scientistem
Żeby ocenić umiejętności i wiedzę kandydata na data scientista, rozmowa techniczna jest konieczna. Może mieć różne formy, np. zestawu pytań albo zadania do wykonania w domu. Niezależnie od wyboru, jeśli sam nie jesteś ekspertem od danych, poproś specjalistę o pomoc w przeprowadzeniu rozmowy. Może to być inny data scientist albo konsultant software'owy czy project manager IT zorientowany w danych.
Jakie pytania można zadać na rozmowie z data scientistem?
- Jakie są różnice między SQL a NoSQL? Kiedy jedno jest lepsze od drugiego?
- Jak podszedłbyś do przeniesienia pliku logów o rozmiarze ponad 1 000 000 gigabajtów do bazy danych?
- Czym jest naiwny klasyfikator Bayesa? Dlaczego nazywamy go „naiwnym”?
- Czym jest przekleństwo wymiarowości? Jak sobie z nim radzić?
- Czym są boosting i bagging w machine learningu?
- Jakiego rodzaju algorytm stosuje się do budowy systemu rekomendacji w stylu Amazona („Jakie inne produkty kupują klienci po obejrzeniu tego produktu?”)?
- Kiedy regresja grzbietowa (Ridge) jest uważana za lepszą od regresji Lasso?
- Czym jest otoczka wypukła?
- Czym jest regularyzacja? Kiedy może się przydać?
- Jak podszedłbyś do zbudowania modelu przewidującego, do kogo użytkownik wyśle e-mail?
Wykorzystaj swoje dane
Zatrudniając data scientistów, robisz pierwszy krok do usprawnienia decyzji i wprowadzenia innowacji w swoim biznesie. Efekt może być jeszcze większy, jeśli zdecydujesz się zbudować szerszy zespół danych, obejmujący ekspertów takich jak programiści AI, inżynierowie danych czy specjaliści od sieci GAN.
Jakiego rodzaju specjalistów technologicznych byś nie potrzebował, Ideamotive ich dostarczy. Prowadzimy wiodącą sieć profesjonalistów IT szukających nowych możliwości zawodowych. Od ekspertów ML i AI po programistów webowych i project managerów IT — połączymy Cię z właściwymi ludźmi na podstawie profilu Twojej firmy, specyfikacji produktu i wszelkich innych wymagań.
Skontaktuj się z nami już dziś, żeby zbudować dopasowany zespół ekspertów IT.
