Несмотря на то, что статья написана для лиц, которые занимаются наймом аналитиков данных, она также рекомендована тем, кто хочет быть профессионалом в сфере аналитики данных.
Какими качествами должен обладать хороший аналитик данных? Четыре критерия, на которые стоит обратить внимание при построении аналитической команды.
Компании во всех отраслях, начиная от розничной торговли и заканчивая банковским делом, используют большие данные (big data) для улучшения качества обслуживания клиентов и увеличения прибыли. Большие данные – это большой объем, большая скорость (в режиме реального времени) и большое разнообразие информации (структурированной и неструктурированной). Большие данные изменяют наш образ жизни и ведения бизнеса во всех индустриях и аспектов современной жизни.
Вплоть до 2000 года функции и задачи аналитика, за исключением нескольких таких областей, как банковское дело в розничной торговле, выполнялись сотрудниками отделов финансов или ИТ. Сейчас многие компании нанимают автономные аналитические команды, которые работают в разных отделах. Нет никакого волшебства при использовании больших данных для решения бизнес-задач. Да, есть специальная технология — сложная прогностическая аналитика, — но в основе всего успеха по-прежнему лежит человеческий интеллект. Компании уделают огромное внимание найму нужных и полезных людей.
Так какие критерии делают специалиста по анализу данных хорошим специалистом? На какие качества компания должна акцентировать при собеседовании кандидатов и на последующий найм?
Эндрю Дженнингс работает в FICO уже 20 лет, а сама компания нанимает специалистов по сбору и анализу данных с 1956 года. «Мы с коллегами наняли одних из лучших сотрудников, но, видимо, в том числе и тех, кого никогда не следовало бы подпускать к работе. Вот на что, по нашему мнению, следует обращать внимание при создании собственной аналитической команды».
1. Найдите людей, которые сосредоточены на решении проблем, а не просто на повышении производительности модели. Математические навыки безусловно важны, но смысл использования аналитики данных заключается в решении бизнес-задач. Это подразумевает решения к проблемам, которые действительно будут полезны в реальном мире. Это означает ответы на конкретные вопросы, которые будут полезны в конечном итоге. Например, ключевые вопросы будут включать в себя: Какое решение мы ищем для улучшения чего-либо? Как мы будем оценивать это улучшение? Как мы примем это решение сегодня? Каковы ограничения? И так далее. Это практические вопросы, которые ставятся ребром прежде чем дело доходит до данных и статистики.
Одним из примеров проблемы с большими данными, которая, особенно резонирует и помогает подчеркнуть всю важность этих вопросов, является потеря клиентов.
Большинство предприятий сосредоточено на удержании своих лучших клиентов. Помимо таких вопросов, как, что означает «лучший клиент», существуют и другие важные вопросы, такие как, насколько раньше потенциального «дезертирства» клиентов необходимо сделать прогноз? Другими словами, как построить всё таким образом, чтобы был промежуток времени между прогнозом, указывающим на риск потери клиентов, и выполнением какого-то действия, а также, чтобы у этого маневра было достаточно времени для того, чтобы он был эффективным? Это вопросы бизнес-контекста, на которые необходимо ответить задолго до того, как аналитик данных сможет быть эффективным.
2. Убедитесь, что кандидаты могут разговаривать с людьми, у которых нет докторской степени. Специалисты по анализу данных не просто хорошо решают проблемы; они также помогают определить проблемы, которые необходимо решить, и формулируют вопросы таким образом, чтобы получить на них содержательные ответы. Проблемы, решения которых имеют наибольшую ценность для организации, нелегко решить, и они часто требуют не математического мышления и подхода. Как мы можем изменить ситуацию к лучшему? С чего нужно начать?
Некоторые аналитики данных думают более абстрактно, а также они обладают академическими и техническими навыками. Однако, есть редкая «порода» — те, кто может мыслить, концептуализировать и общаться с бизнес-аудиторией. Учитывая некоторые из ключевых вопросов, приведенных выше, в идеале вам нужен человек, который достаточно хорошо разбирается в бизнесе и достаточно хорошо ориентируется в более широкой стратегии, чтобы он мог вести дискуссию с бизнес-партнером. Если бы вы могли выбрать только одного человека из множества, то такой сотрудник был бы идеальным, но таких людей очень трудно найти.
В контексте команды, найти компромисс между лучшими специалистами с техническими навыками и сильными коммуникаторами, которые могут помочь перевести высокотехническую и порою сложную информацию на язык, который бизнес-партнер может понять, является компромиссом, который стоит сделать. Кроме того, рассматривая пункт с обратной стороны, те же самые люди должны быть в состоянии перевести потребности и запросы бизнеса в аналитическое исследование.
В идеале, даже если аналитики офиса не будут разговаривать с клиентами, вы хотите, чтобы они хотели разговаривать с ними, потому что это говорит о том, что они думают о вещах с точки зрения клиента, а не только с точки зрения технологии. Есть аналитики данных, которые никогда не захотят выходить за рамки роли исследователей, и для них коммуникация может показаться менее важным — но опять же, разве вы не хотите, чтобы они могли обосновать свою работу, объяснить ее преимущества и написать официальные документы?
3. Уделите больше внимания навыкам и складу ума, чем степеням. Очевидно, что сильная подоплека числовой науки — это необходимость. Не все кандидаты должны быть докторами наук в области математики или исследований; они могут быть инженерами-электриками или социологами. Хорошие аналитики данных не только подкованы в техническом аспекте, что позволяет им уделять внимание деталям, но и любознательны и открыты; они подвергают сомнению все, что находят. Они задают вопросы о данных и в равной степени о правдивости выводов. Большие данные не гарантируют правильного ответа. Людям все равно нужно думать о том, чтобы получить правильный ответ.
Все чаще и чаще эффективные аналитики данных, должны уметь автоматизировать. Это означает, что они должны уметь писать сценарии и кода, чтобы сделать свою работу эффективной; смешивать и сопоставлять различные инструменты, а также обладать способностью усваивать новые техники.
С точки зрения долгосрочной карьеры, одно из больших преимуществ заключается в том, что наука о данных может вестись в любом направлении. Некоторые из них заканчиваются продажами, финансами или исполнительным менеджментом. Другие начинают работать на более традиционных корпоративных должностях и медленно склоняются к работе, которая в большей степени затрагивает прогностическую аналитику. Большой спектр навыков всегда пригодится, и в конечном итоге появится целый ряд возможностей для эффективного применения аналитического мышления. Любознательность — это долгий путь.
Для тех, кто хочет перейти к анализу данных, например, с финансового или экономического факультета, важно иметь базовые навыки программирования. Способность манипулировать данными и логически мыслить произведет впечатление на менеджеров по найму сотрудников. Скорее всего, они захотят увидеть то, как вы способны изучить язык программирования и связывать различные понятия с помощью кода. Очевидно, что существует потребность в людях, хорошо разбирающихся в больших структурах (frameworks) программирования данных, таких как Hadoop, и в языках статистического программирования, таких как R.
4. Используйте своих нынешних аналитиков, чтобы определить реальных аналитиков данных из претендентов на должность. По мере того, как все больше и больше кандидатов начинают идентифицировать себя как аналитиков данных, сортировка их всех становится все более сложной. При собеседовании с претендентом на аналитика данных, пусть хотя бы один из них (тот, кто уже работает в вашей компании) участвует в процессе. Это должен быть человек, который действительно знает, что делает. Это особенно важно для тех, кто нанимает менеджеров с традиционным деловым опытом, которые могут не знать правильных вопросов.
Некоторые кандидаты, конечно же, будут опираться на опыт прошлого. Они могут утверждать, что проводили полный аналитический процесс, но на самом деле принимали участие только в его части. Вы вероятно не хотите нанимать кого-то, кто говорит, что он — суперзвезда аналитики, но на самом деле специализируется лишь на очистке данных. Во всей этой шумихе аналитика стала широко и свободно используемым термином. Может быть, они и понимают примерное определение аналитики, но если они не знают, как устроен весь аналитический проект, то пробелы в знаниях могут быть слишком велики.
Небольшое предостережение. Лучшие аналитические команды будут использовать разнообразный опыт и навыки. Как и в любой другой ситуации с наймом, вы всегда должны быть осторожны, чтобы не нанимать людей, которые «выглядят точно так же, как люди, которые у вас уже есть».
Мы вступаем в новую эру аналитики. Это отличное время, чтобы быть специалистом по анализу данных, но трудное время, чтобы нанять такого специалиста. Каждый кандидат будет претендовать на ошеломляющие математические навыки – но ваша работа заключается в том, чтобы оценивать их и одновременно искать тех, кто будет решать бизнес-проблему, вести переговоры. Вам нужно обращать особое внимание на навыки, которые сделают ваших аналитиков данных более ценной частью всей вашей организации.