Оглавление
- Предисловие
- Благодарности
- О книге
- Для кого эта книга
- Структура книги
- От издательства
- Об авторах
- Эмили Робинсон
- Жаклин Нолис
- Об обложке
- Часть 1. Data Science. С чего начать
- 1. Что такое Data Science?
- 1.1. Что такое Data Science?
- 1.1.1. Математика/статистика
- 1.1.2. Базы данных и программирование
- 1.1.3. Понимание бизнеса
- 1.2. Различные типы вакансий в Data Science
- 1.2.1. Аналитики
- 1.2.2. Машинное обучение
- 1.2.3. Теория принятия решений
- 1.2.4. Смежные специальности
- 1.3. Выбор пути
- 1.4. Интервью с Робертом Чангом, дата-сайентистом из Airbnb
- Итоги
- 2. Типы компаний в Data Science
- 2.1. КИТк: крупная информационно-технологическая компания
- 2.1.1. Команда: одна из многих в КИТк
- 2.1.2. Технология: продвинутая, но неупорядоченная
- 2.1.3. Плюсы и минусы КИТк
- 2.2. HandbagLOVE: устоявшийся ритейлер
- 2.2.1. Команда: небольшая группа, стремящаяся к росту
- 2.2.2. Технология: устаревшие методы, которые начинают меняться
- 2.2.3. Плюсы и минусы HandbagLOVE
- 2.3. Seg-Metra: стартап на ранней стадии
- 2.3.1. Команда (какая еще команда?)
- 2.3.2. Технология: передовые методы, собранные воедино
- Конец ознакомительного фрагмента
1.2.1. Аналитики
Аналитик берет данные и передает их нужным людям. После того как компания установит цели на год, их можно поместить на информационную панель, чтобы руководство могло отслеживать прогресс каждую неделю. Можно также встроить функции, которые позволят менеджерам легко разбивать значения по странам или типам продуктов. Эта работа включает в себя много очистки и подготовки данных и, как правило, меньше работы по их интерпретации. Специалист должен уметь находить и устранять проблемы с качеством данных, однако основные решение по ним принимает бизнес-партнер. Таким образом, задача аналитика – взять данные внутри компании, отформатировать, упорядочить и передать их другим специалистам.
Поскольку должность аналитика не связана со статистикой и машинным обучением, некоторые люди и компании считают, что она выходит за рамки Data Science. Однако для большей части работы вроде создания осмысленных визуализаций и принятия решений о конкретных преобразованиях требуются те же навыки, которые нужны и другим специалистам DS. Например, аналитика могут попросить cоздать автоматизированную информационную панель, которая показывает изменение количества подписчиков и позволяет фильтровать данные только по подписчикам определенных продуктов или в определенных географических регионах. Он должен будет найти соответствующие данные в компании, выяснить, как их преобразовать (например, изменив их с ежедневных на еженедельные новые подписки), а затем создать содержательный набор информационных панелей с удобным интерфейсом и ежедневным автоматическим обновлением без ошибок.
Короткое правило: аналитик создает информационные панели и отчеты на основе данных.