Data science w służbie biznesowi

Data science w służbie biznesowi

Gdy prawie 6 lat temu zaczynałam studia, data science, big data i machine learning nie mówiły mi absolutnie nic, a statystyka kojarzyła się z tym trudnym egzaminem na pierwszym roku studiów. Czasy się zmieniły i teraz mało który student pierwszego roku nie słyszał już o sztucznej inteligencji lub istnieniu algorytmów, które odpowiadają za dobieranie dedykowanych treści reklamowych. Wzrost popularności tych tematów obserwuje się też w kołach naukowych. SKN Statystyki SGH jeszcze całkiem niedawno liczyło 10 aktywnych członków, by teraz móc obsługiwać kilka projektów semestralnie. Jakie są możliwości rozwoju w coraz popularniejszym świecie data science i machine learningu? Wiele osób znajdzie tu coś dla siebie.

Poznaj data science

Pewien doktor informatyki podczas konferencji o machine learningu powiedział, że nie ma pojęcia, co to jest machine learning. O dziwo, to żaden wstyd ani krygowanie się, a bardziej efekt szybko rozwijającej się dziedziny. Mało kto nadąża za kompletnymi definicjami, a pojęcia bardziej definiuje się po swojemu, zachowując części wspólne. Big data – praca ze zbiorami różnego rodzaju danych o dużej liczbie szybko pojawiających się rekordów; data science – wykorzystywanie danych na każdy sposób do rozwiązywania problemów; machine learning – wykorzystanie skomplikowanych algorytmów do budowy modeli. Co do zasady nawet zrobienie prostego modelu logitowego zalicza się już do machine learningu, choć podświadomie ML zaczyna się jednak w okolicy lasów losowych.

Czy data scientist może wykorzystywać big data oraz metody machine learningu, by pokazać rozwiązania? Jak najbardziej! Wszystkie pojęcia dotyczą tak naprawdę szeroko pojętej analizy danych, czyli takiego wykorzystania dostępnych danych i przetworzenia ich różnymi metodami, by dostarczyć użyteczną informację.

Dla małych i dużych

Jeszcze całkiem niedawno wykorzystanie data science i algorytmów zarezerwowane było głównie dla dużych firm, jako że wymaga większej mocy obliczeniowej komputera oraz rzadkich umiejętności, a to generuje wysokie koszty. I choć coraz tańsza infrastruktura informatyczna obniża wydatki na pierwszy czynnik, usługi specjalisty data science wciąż są bardzo dobrze wynagradzane. Tworzy to furtkę nie tylko dla osób pracujących w korporacjach, ale i dla freelancerów. Pojawiają się zatem możliwości skorzystania z usług data scientistów nie tylko przez dużych graczy, ale i przez małe firmy.

Ćwiczyć analizę danych i rozwiązywanie faktycznych problemów biznesowych za pomocą danych można w wielu miejscach, a na studiach dobrą ku temu okazją jest pisanie pracy dyplomowej. Na potrzeby pracy licencjackiej przeprowadziłam badanie dla zaprzyjaźnionego salonu kosmetycznego. Przez miesiąc codziennie siedziałam w salonie i prowadziłam ankietę dotyczącą oczekiwań i satysfakcji klientów ze świadczonych w salonie usług. Następnie wykorzystując m.in. analizę głównych składowych sprawdzałam, jakie grupy oczekiwań prezentują klienci, czy są ogólnie zadowoleni i czy stali klienci różnią się od nowych. Trudno mówić o losowości próby czy o znacznej liczności obserwacji w takim przypadku, co sprawia, że wyniki powinny być brane z dużą dozą ostrożności, ale niektóre wzory, jak np. potrzeba punktualności i customizacji usługi wyszły na tyle silne, że mogły posłużyć do stworzenia zbioru rekomendacji dla badanej firmy.

Wyniki nie tylko były istotne statystycznie, ale i zgadzały się z moją intuicją jako klientki; posłużyły potem właścicielowi do podjęcia kolejnych kroków biznesowych. Odkrycie, jak silnym narzędziem może być analiza danych i statystyka, szczególnie w bardziej zaawansowanych projektach, popchnęło mnie do dalszego rozwijania się w tej branży.

File:Data visualization process v1.png
Przykładowy proces podejmowania decyzji z wykorzystaniem Data Science (źródło: Wikimedia Commons)

Czy tylko wnioskowanie się liczy?

Zawody związane z analizą danych są zdecydowanie przyszłościowe i wciąż bardzo dobrze płatne. To właśnie dzięki wykorzystywaniu informacji o klientach, sprzedaży, logowaniach, preferencjach firmy są w stanie tworzyć dopasowane produkty w momencie, w którym najbardziej są one potrzebne, a przez to generować przewagę rynkową i wyższe zyski.

Jednak aby w ogóle dojść do etapu wnioskowania, trzeba wykonać ogromną pracę, którą łatwo można podzielić na wiele talentów. Potrzeba osób, które potrafiłyby sprawnie czyścić dane, łączyć je, znajdować w nich błędy; osób znających algorytmy i wiedzących, kiedy można ich używać; osób projektujących i wykonujących wizualizacje danych; wreszcie osób interpretujących wyniki i tworzących finalny raport. W większych firmach potrzeba też specjalistów tworzących infrastrukturę bazodanową i dbającą o jej utrzymanie. W idealnym świecie wszystkie te kompetencje posiada jeden data scientist. W praktyce uzupełnia się kilka osób; praca nad projektem z danymi w tle może być faktycznym wyzwaniem zespołowym. Poza tym są też szerokie możliwości pracy naukowej nad nowymi algorytmami i ich wykorzystaniem.

A branże? W zasadzie każde. Data science obecne jest w sektorze publicznym – szczególnie w ministerstwach lub kancelariach – jak i prywatnym. Nowoczesny marketing nie może się obejść bez analizy danych, to samo sprzedaż. Także banki tworzą modele, by oceniać potencjalnych klientów przed udzieleniem kredytu lub móc samodzielnie szacować ryzyko.

Możliwości, ale i ciągła nauka

Praca w data science jest niezwykle kreatywna, ma ogromne perspektywy, jest dobrze płatna, ale… wymaga ciągłej nauki, śledzenia trendów i cierpliwości. Jest także bardzo męcząca, bo wymaga myślenia o potencjalnych rozwiązaniach w wielu kategoriach: znaczenia posiadanych danych, projektowania algorytmów, spójności rozwiązania, rozważenia wszystkich możliwych przypadków i wartości dla biznesu. Do tego nie ma tu miejsca na pomyłki, bo potencjalna może prowadzić do strategicznie nietrafionych decyzji, a to do wielomilionowych strat lub wręcz upadku firmy. Czy warto w to wchodzić? Na pewno warto sprawdzić, czy taka praca się podoba i czy sprawia przyjemność. Nie każdy musi się w tym odnaleźć, ale czas studiów wydaje się dobrym momentem na eksperymenty.

Aleksandra Petrykiewicz

Polecamy też poprzednie artykuły:

Dodaj komentarz

avatar
  Subscribe  
Powiadom o