Эффективный робот без вредных привычек. Профессиональная специализация для data scientists

Во многих отраслях принятие решений по наитию «эффективными менеджерами» уже не работает. Яркий пример — маркетинг, где нужны замеры ожидаемого эффекта. Здесь стоит вспомнить цитату Джона Ванамейкера, пионера рекламы: «Половина денег, которые я трачу на рекламу, — впустую; проблема в том, что я не знаю, которая половина». Именно аналитика помогает это понять.
Основная цель предиктивной аналитики заключается в возможности прогнозировать будущее поведение объектов и субъектов. Такие прогнозы необходимы, например, для принятия решений на основе данных о возможных действиях покупателей при прогнозе роста или падения спроса на продукцию компании.
Так, например, в финансовом секторе ИИ осуществляет кредитный скоринг, смысл которого заключается в оценке кредитоспособности заемщика и, соответственно, вынесении дальнейшего решения на основе полученных данных. Это позволяет кредитной организации увеличить экономическую выгоду и снизить возможные риски. У кредитных организаций, работающих с ИИ, отношение операционных расходов к доходам на 12 процентных пунктов ниже, чем в среднем по рынку.
Однако, несмотря на плюсы предиктивной аналитики и ИИ, я полагаю, что цифровые модели не заменят опытных профессионалов с десятком лет стажа. Их знания по-прежнему необходимы и специалистам по данным (data scientists), и специалистам по обучению моделей. Тем более если учесть, что в России пока еще не так много вузов позволяет получить такую специализацию и чаще всего на эти позиции в компании приходят выпускники факультетов математики и статистики.
Еще один аспект — более тесная интеграция образовательного и бизнес-процесса. Студенты вузов, еще проходящие обучение будущие специалисты, должны обладать не только теоретическими, но и практическими навыками. Добиться этого помогут практика или стажировка в компаниях, у которых существует потребность в предиктивной аналитике. Так к моменту выхода на рынок у специалиста будут и опыт, и набор готовых кейсов и решений.
Если говорить о дополнительных компетенциях, которыми должен обладать data scientist, нужно отметить улучшение коммуникативных навыков, которые позволят объяснить полученные аналитические выкладки бизнес-руководству компании. Однако этот процесс должен быть двусторонним: machine learning тоже должно пойти в массы бизнес-пользователей, то есть стать доступным инструментом маркетологов и экономистов.