Карьера, Наука о данных, Бизнес-наука
Три способа изучения математики сделали меня лучшим специалистом в области данных
И 3 способа оставить меня неподготовленным к реальному миру
Лучшие специалисты в области данных происходят из самых разных профессий. Некоторые изучают информатику и с первого дня преуспевают в программировании элегантных моделей для анализа данных. Другие изучают статистику и используют свои знания по использованию данных для ответа на хорошо структурированный вопрос. В настоящее время, конечно, многие специалисты по данным фактически изучают программы по науке о данных и развивают все эти навыки. Некоторые, однако, похожи на меня и изучали математику.
Мое путешествие в науку о данных
Когда я поступил в университет, я знал, что математика - это то, что мне нужно. Мне всегда нравилась математика: ее чистая логика и удовольствие от решения уравнения. К тому же мне это далось легко. Мой ум всегда был хорошо приспособлен к математике, и мне было любопытно изучать более сложные математические темы.
Однако я также знал, что не на этой теории я хотел бы сосредоточить свою карьеру. Когда пришло время писать мою магистерскую диссертацию, появилась возможность применить математику к проблеме науки о данных. Меня объединили с компанией Evo Pricing, и мне было предложено использовать свои математические знания, чтобы построить модель, которая более точно прогнозировала бы продажи. Меня это зацепило, и с тех пор я работаю в Evo специалистом по обработке данных.
Изучение математики дало мне широкий набор навыков, которые помогли мне быстро адаптироваться к практической работе в качестве специалиста по обработке данных, но все же были некоторые глубокие пробелы, которые мне пришлось упорно трудиться, чтобы преодолеть, чтобы добиться успеха. Я увлечен своей карьерой в качестве специалиста по данным, и я думаю, что мой математический опыт дал мне прочную основу для того, что я делаю каждый день. Оглядываясь назад, можно сказать, что есть несколько вещей, которые я бы изменил в своем университетском опыте. Начинающие специалисты по данным могут извлечь уроки из моего опыта и получить высшее образование, еще лучше подготовившись к реальной жизни.
1. Я научился решать проблему.
В моем университете математические специальности проходят невероятно теоретически ориентированный курс обучения. Мы не просто учимся вычислениям; мы тратим довольно большую часть наших исследований на доказательство теорем. Эти доказательства могут показаться чем-то, что не имеет практического применения вне академических кругов, но в действительности все обстоит наоборот.
Когда вы завершаете доказательство, вы используете дедуктивное рассуждение, чтобы установить логическую достоверность. Разумного ожидания или меньшего бремени доказывания недостаточно. Вместо этого вы должны продемонстрировать, что ваше утверждение верно не только на нескольких ключевых примерах, но и во всех возможных случаях.
Этот процесс, очевидно, учит вас концепциям, лежащим в основе расчетов, но, что более важно, он показывает, как рассуждать через проблему. Я могу применить принципы дедуктивного мышления к любому набору данных и найти разумное и хорошо обоснованное решение. Как специалисту по данным, эта способность имеет решающее значение для успеха. В то время как многие специалисты по анализу данных изо всех сил пытаются увидеть общую картину в цифрах, математики не боятся этой проблемы. Так нас обучают с самого начала нашей академической карьеры.
… Но я нечасто применял этот навык к реальным проблемам.
Конечно, есть пределы тому, чему вас могут научить формальные математические доказательства. Когда я закончил учебу, я мог практически во сне выдавить 2 – √2 доказательство иррациональности. Однако я был недостаточно подготовлен к тому, чтобы расширить свои рассуждения до проблем с более осязаемыми приложениями.
Когда я только начинал свою карьеру в качестве специалиста по данным, мне иногда было трудно сформулировать проблему наиболее эффективно и выяснить, какие данные лучше всего дадут мне понимание вопроса, который хотели решить клиенты. По ходу дела мне пришлось изучать тонкие различия между статистикой и чистой математикой. Оглядываясь назад, мне жаль, что я не изучал больше курсов статистики в бакалавриате. Мне было бы легче понять рассуждения, необходимые в деловом мире, и как разработать модель, направленную на решение практической проблемы, а не теоретическое уравнение.
В настоящее время я могу извлечь пользу из знания, которое пришло из открытия того, как доказать теорему иррациональности без слов, но я сомневаюсь, что смогу воспроизвести математику так быстро. Что я могу сделать, так это ловко оценить широкий вопрос и создать математическую модель, чтобы проанализировать данные и найти оптимальное решение. В конечном итоге это лучше мне как специалисту по данным.
2. Я стал знатоком чисел.
Прежде всего, математики учатся выполнять невероятно сложные вычисления. Нам комфортно пользоваться полным набором вычислений и функций. Мне все еще удобнее всего смотреть вниз на страницу чисел, ища закономерности и оценивая взаимосвязь между данными.
В университете мы часто делаем это с помощью технологий, но, как специалист по анализу данных, у меня есть еще больше инструментов, которые помогут мне вникать в цифры. Независимо от того, в какой компании вы работаете как специалист по данным, вам должно быть комфортно работать с числами изо дня в день. То же самое и с математикой. Все сводится к цифрам. Таким образом, моя карьера не сильно изменилась с тех пор, как я был студентом.
… Но мне не хватало навыков программирования, чтобы применять эти числа в различных ситуациях.
Однако наука о данных выходит за рамки цифр. Вам нужно понимать, как создавать алгоритмы для управления ими и анализа закономерностей в данных. Это требует кодирования. Хотя я, возможно, изучил теорию, лежащую в основе алгоритмов, и знал, как писать и редактировать базовый код, я никогда не изучал какой-либо язык кодирования особенно глубоко.
Этот пробел в знаниях было трудно преодолеть в первые дни моей работы в качестве специалиста по данным. Если бы я мог вернуться и изменить что-нибудь в моем университетском опыте сейчас, я бы добавил больше курсов программирования. В настоящее время многие математические степени требуют дополнительных курсов программирования как части учебной программы, но я думаю, что этого все еще часто недостаточно. Если вы заинтересованы в том, чтобы стать специалистом по данным (или сделать карьеру за пределами академической сферы после изучения математики), вы должны посвятить себя хорошему обучению программированию.
3. Я научился быть точным в своем анализе.
В математике точность имеет первостепенное значение. Когда дело доходит до решения уравнения, не бывает такого понятия, как достаточно. Один-единственный недостаток в логике может лишить законной силы все ваше доказательство или испортить весь ваш расчет. Я научился быть максимально точным в каждом анализе и никогда не срезать углы. Меньшее могло привести к неудаче.
Это стремление к точности служит мне как специалисту по анализу данных. Мы никогда не перестаем работать над тем, чтобы наши клиенты получали более точные и простые в применении рекомендации. Хотя некоторые могут быть довольны моделью, обеспечивающей точность выше среднего и значительный рост производительности, мой математический опыт означает, что меня никогда не устраивает« достаточно хорошо ». Я всегда стараюсь добиться большей точности. Будь то улучшение того, как мы собираем и используем данные или проводим наш анализ, я всегда ищу эту дополнительную точность.
… Но бизнес-аналитика требует иного мышления, чем математика.
К сожалению, проблемы в науке о данных не всегда можно решить со 100% уверенностью. Хотя математические доказательства имеют элегантное и, в конечном счете, чистое решение, проблемы, которые вы пытаетесь решить как специалист по данным, редко имеют полностью надежный ответ.
Например, моя самая ранняя работа в Evo заключалась в разработке модели, позволяющей доставить точное количество продуктов в магазины в тот момент, когда они необходимы. Мы разработали невероятно точную модель - с учетом данных менеджера магазина эффективность складских запасов составляет 94%, что составляет +25 п.п. увеличение по сравнению с традиционной системой пополнения, но при этом никогда не удастся добиться идеального распределения со 100% точностью прогноза. С теми инструментами, которые существуют сегодня, это просто невозможно.
Требуется корректировка мышления, основанного на доказательствах, чтобы чувствовать себя более комфортно в несовершенном деловом мире. Моя математическая степень не подготовила меня к выводам, которые мы должны сделать, чтобы дать практические рекомендации нашим клиентам. Изучение математики, возможно, не полностью подготовило меня к тому, как мы вычисляем успех в реальном мире, но оно действительно отточило мои инстинкты. Мы всегда можем работать над совершенством, даже если не добьемся его.
Вы тоже можете построить отличную карьеру специалиста по данным со степенью математика.
Если вы изучаете математику, вы закладываете прочный фундамент для успешной карьеры специалиста по данным. В Evo многие мои товарищи по команде имеют математическое образование, в том числе генеральный директор Evo Фабрицио Фантини, чья докторская диссертация по математике позже стала основой нашей работы. Изучение математики сделало меня лучшим специалистом по обработке данных, и я ни на секунду не жалею о своей ученой степени.
Тем не менее, вы должны быть осторожны, чтобы не совершить тех же ошибок, что и я. Пополните свою математическую степень с помощью программ, статистики и вообще менее теоретических курсов, которых мне не хватало. Вы будете на шаг впереди, когда подадите заявку на работу в области науки о данных в реальном мире - и начнете идти так далеко, как только можете мечтать в нашей области.
Хотите узнать все о науке о данных от Evo?
To get Business Science software, University-level learning (launching October 2020), and a monthly summary of insights: Free registration Any questions? Please follow Evo and reach out on Linkedin
