Jak zostać specjalistą „data science” w 5 krokach?

Artykuł Grzegorza Wołodko, wiceprezesa, dyrektora Software Center, Capgemini Polska.

Firmy i organizacje gromadzą ogromne ilości danych pochodzących z transakcji internetowych, podłączonych urządzeń i na temat zachowań użytkowników usług czy aplikacji. Dane te zawierają wiele informacji na temat różnych procesów, wydajności rozwiązań, potrzeb klientów, ale niewiele podmiotów naprawdę uwolniło ten potencjał i odpowiednio go wykorzystuje. Osoby, które specjalizują się w Data Science mogą pomóc otworzyć wiele nowych możliwości biznesowych dzięki odpowiedniej analizie i wykorzystaniu informacji i większość naszych klientów uważa, że jest to kluczowe, jeśli chodzi o rozwój biznesu w najbliższych latach. Jak zatem zostać specjalistą data science?

W Capgemini nasz dział Insights & Data łączy najnowsze rozwiązania nauki o danych z najlepszymi praktykami doradztwa biznesowego. Tworzymy modele i rozwiązania, które pomagają globalnym organizacjom lepiej zrozumieć i wykorzystać zbierane informacje. Istotą naszego podejścia do data science jest analizowanie rzeczywistych problemów biznesowych i przedstawianie danych na ich temat w taki sposób, aby wspierać podejmowanie odpowiednich decyzji.

Data Science to dziedzina, która łączy mocne podstawy matematyki, statystyki, znajomości modelów Machine Learning z wiedzą biznesową. Specjaliści muszą rozumieć bardzo dobrze podstawy działania algorytmów. Kluczowe jest również odpowiednie przygotowanie danych, tzw. EDA (exploratory data analysis) – znajomość metod, sposobów na czyszczenie, porządkowanie i ogólnie przygotowanie danych. Oczywiście wymagana jest znajomość takich języków programowania jak Python lub R oraz SQL.

Dlaczego o tym wspominam? Ponieważ nasze podejście wymaga od osób, które chcą rozwijać się w data science, nabycia i rozwijania konkretnych umiejętności. Aby ułatwić Wam zrozumienie tego, co dokładnie jest potrzebne, aby budować swoją pozycję w tej dziedzinie przybliżę 5 kroków, które są niezbędne na tej ścieżce.

1. Zacznij od podstaw

Jak już wcześniej wspomniałem, rolą data science specialist jest zadawanie pytań i odpowiadanie na nie na podstawie danych i kodu. Nie można zatem rozwijać się w tej dziedzinie bez odpowiedniej wiedzy matematycznej i znajomości języków programowania wykorzystywanych przy analizowaniu i przetwarzaniu danych. Bycie za pan brat z SQL to absolutna podstawa. Musisz też wiedzieć, że Python to nie tylko taki wąż, ale i Twój najlepszy przyjaciel. Nie obejdzie się też bez brawurowej obsługi Excela. Oczywiście należy też zgłębić statystykę oraz poznać uczenie maszynowe.

Wiedzę z zakresów, które krótko opisałem powyżej można czerpać samodzielnie. W serwisie Coursera można znaleźć wiele wartościowych kursów, które pomogą odpowiednio przygotować się do rozwijania kariery w Data Science [link: https://www.coursera.org/browse/data-science]. Warto również śledzić społeczność Kaggle, której elementem są także kursy [link: https://www.kaggle.com/learn].

Oczywiście, trzeba też przeczytać kilka kluczowych pozycji książkowych na temat Data Science, które są dostępne zarówno po polsku jak i po angielsku. Na start, koniecznie należy sięgnąć po książkę „Analiza danych w biznesie. Sztuka podejmowania skutecznych decyzji” [link: https://helion.pl/ksiazki/analiza-danych-w-biznesie-sztuka-podejmowania-skutecznych-decyzji-foster-provost-tom-fawcett,andabv.htm#format/d].

2. Weź się do pracy

W dziedzinie data science przygotowanie teoretyczne ma ogromną wartość, ale jeszcze ważniejsze jest zdobywanie praktycznego doświadczenia. Nie ma lepszej opcji na weryfikację teoretycznych założeń niż sprawdzenie ich „w prawdziwym życiu”. Myśląc o rozwoju kariery w tym kierunku szukaj zatem projektów, w których komponent analityczny jest kluczowy i zacznij nawet od najdrobniejszych projektów, żeby zdobywać nie tylko doświadczenie, ale i nowe umiejętności. Dobrze jest poznać procesy i projekty z różnych stron, dlatego też, zwłaszcza na początku kariery, staraj się realizować maksymalnie dużo różnego rodzaju zadań.

Możesz zacząć od uczestnictwa w różnych projektach powstających w ramach wspomnianej wcześniej społeczności Kaggle [link: https://www.kaggle.com]. Dobrym pomysłem jest na przykład wzięcie udziału w jednym z konkursów promowanych przez tę społeczność oraz „zabawa” ze zbiorami danych, do których dostęp można uzyskać przez Kaggle.

3. Naucz się skutecznie komunikować 

Głównym zadaniem Data Science Specialistjest przetworzenie i przedstawienie danych w taki sposób, aby były one zrozumiałe i użyteczne. Specjaliści z tej dziedziny muszą nie tylko wiedzieć, co mają przekazać, ale i jak to zrobić. Co więcej, specjaliści Data Science zawsze funkcjonują w większych zespołach i często także uczestniczą w spotkaniach z klientami. Muszą zatem dobrze funkcjonować w zespole oraz potrafić występować publicznie (zazwyczaj jednak przed niewielką publicznością), a podstawą do tego jest umiejętność skutecznej komunikacji.

4. Zadawaj jak najwięcej właściwych pytań

Cała magia nauki o danych polega na korzyściach jakie można osiągnąć zadając odpowiednie pytania i uzyskując adekwatną odpowiedź. Odpowiedź będzie budowana na danych i linijkach kodu, ale nie da się udzielić właściwej odpowiedzi bez zadania odpowiedniego pytania. Zadawania właściwych pytań można się nauczyć się tylko przez praktykę. Analizuj więc na przykład bieżące wydarzenia społeczne i gospodarcze i zastanawiaj się nad tym jakie pytanie należałoby zadać, aby zrozumieć daną sytuację czy trend. Następnie pomyśl co jest istotą problemu i jakie pytania należy zadać, aby tę istotę zgłębić.

5. Cały czas się ucz

Świat technologii zmienia się tak szybko, że trzeba być naprawdę czujnym, żeby nie wypaść z obiegu. Powtarzanie tego może wydawać się nużące, ale to jest naprawdę ważne. Bez regularnego czytania specjalistycznych blogów, słuchania odpowiednich podcastów, analizowania różnych case’ów i zgłębiania technicznych nowinek ciężko jest nie popaść w rutynę, a przez to nie rozwijać się. W dużych firmach, jak Capgemini, są prowadzone różne inicjatywy wymiany doświadczeń i rozwoju kompetencji, warto z nich korzystać, żeby móc zbudować na nich swoją wiedzę, którą będzie można później przetestować w praktyce.