Что такое дата-сайентизм и как строить в нем карьеру? Интервью с Ольгой Чумаковой

Согласно совместному исследованию hh.ru и Академии больших данных MADE, в профессии дата-сайентист в России занято 81% мужчин в возрасте от 25 до 34 лет. Молодые девушки в этой сфере также работают, но, как показывает статистика, их процент сильно ниже. И поэтому в их выборе данной профессии особенно интересно разобраться.

Фото: Фото из личного архива Ольги Чумаковой

О том, что привлекает в этой области, как в ней строить карьеру и быть конкурентоспособным, мы пообщались с Ольгой Чумаковой, 25-летним дата-сайентистом и специалистом по искусственному интеллекту из международной консалтинговой компании.

— Почему ты решила строить карьеру в Data Science? Какие ключевые моменты повлияли на твой выбор?

— Во-первых, я ценю креативный подход в решении задач — это моя сильная сторона. Мне хотелось общаться с людьми и решать актуальные проблемы бизнеса. Я люблю создавать концепции, придумывать модели, которые помогут найти решение, выбирать нужные для этого данные. Нравится после описания проблематики и создания оригинальной концепции согласовывать с руководством будущую работу, обосновывать ее плюсы и результаты.

Во-вторых, это перспективная сфера, где можно расти. Data Science предоставляет огромные возможности для карьерного роста. Мне нравится, что это индустрия, где можно быть достаточно гибкой, строить карьеру, выбирая интересные тебе направления и не зацикливаться на чем-то одном. Не обязательно замыкаться и, например, только анализировать данные, строить дашборды или создавать модели машинного обучения. Мне — человеку, вышедшему из гуманитарной среды и овладевшему программированием, Data Science предоставляет очень хорошие возможности для профессионального роста в разных направлениях.

— Ты много времени посвятила музыке и лингвистике. Расскажи немного об этом.

— У меня довольно запутанный путь, я занималась многими вещами. Одиннадцать лет училась в музыкальной школе, пела в хоре, играла на скрипке. Потом поступила в математическую школу на факультет компьютерной лингвистики, углубленно занималась языками, фундаментальной лингвистикой и программированием. Потом начала изучать основы NLP, прошла более углубленные курсы по статистике и Data Science, когда училась по обмену в Финляндии, и по интеллектуальному анализу данных.

— Помогает ли тебе в работе симбиоз технических и гуманитарных навыков?

— Да, и это одна из причин, почему я пошла в консалтинг. Я искала что-то интересное на стыке двух направлений, потому что не хотела заниматься только математикой, но и углубляться во что-то сугубо гуманитарное тоже не хотелось. У меня был опыт в обеих сферах и не было узкой нишевой области. Поэтому, опираясь на прокачанные коммуникационные навыки, технические знания и опыт, я поняла, что могу стать полезной в сфере искусственного интеллекта и аналитики данных.

— Как тебе удалось попасть в крупную консалтинговую компанию пройдя все конкурсы и интервью? Почему они выбрали тебя, в чем основа этого успеха?

— Чтобы понять, наверное стоит немного проследить мой путь. Я росла в обычном районе в Москве, училась в общеобразовательной школе. Потом поступила в 9 класс 179 школы — одной из лучших в городе. Мы с другом прошли все этапы собеседований, и начали интенсивно учиться. Благодаря такой школе мне открылись спецкурсы, олимпиады, полезные контакты и в целом очень качественный нетворкинг. Я не сидела на месте и пробовала себя в разных сферах: выиграла Всероссийскую олимпиаду по английскому языку, стала призером по русскому и т. д. После поступления в Высшую Школу Экономику тоже не тратила времени зря и каждое лето проводила на стажировках: была в США, в Финляндии, работала стажером-аналитиком в российских компаниях. Потом было интервью в McKinsey & Company в Москве, куда меня тоже взяли сначала стажером, а потом уже и на полную занятость. Я по кусочкам собирала резюме, что, думаю, и привлекло HR именитой компании.

— Расскажи о своей самой запоминающейся стажировке. Что это было и чем запомнилось?

— Это была стажировка в штате Колорадо, в США. Кстати, благодаря ей, я заработала деньги на дальнейшее обучение в Финляндии, куда уезжала на четыре месяца. Я считаю ту стажировку (в США) одним из самых безумных опытов в своей жизни. Она предполагала ведение небольшого собственного бизнеса, успех которого зависит только от тебя. Я занималась прямыми продажами образовательных материалов для детей и школьников, в буквальном смысле бегая по городу и стуча в двери незнакомцев. Зато это очень сильно "прокачало” мои навыки общения. Но морально было тяжело, поскольку получаешь огромное количество отказов, а порой люди даже ругались, встречая меня. Да и физически трудно работать 6 дней в неделю с 8 утра до 9 вечера, а седьмой день учиться. Интеллектуально тоже непросто, поскольку приходилось постоянно продавать, создавать комфортную обстановку человеку, который тебя не знает, но пустил в свой дом и готов выслушать. Я научилась быстро "считывать" комнату и обстановку, в моменте понимать, что за человек передо мной, как построить sale speech, чтобы сделать продажу. Но стоит отметить, что хоть было и непросто — опыт получился бесценным.

— А участием в каких проектах ты больше всего гордишься, будучи уже в консалтинге?

— В прошлом году я помогла крупной иностранной телекоммуникационной компании оптимизировать расположение их физических магазинов и получить более глубокое понимание их бизнеса. Это привело к увеличению операционной прибыли на $90 млн. Теперь, когда я прохожу мимо их магазинов, то испытываю особую гордость, зная, что моя работа способствовала их появлению. Трудно представить более захватывающий и осязаемый результат работы дата-сайентиста!

В другом, уже банковском проекте, мы разработали систему раннего предупреждения для оптового кредитного портфеля. До нас кредитные специалисты вручную отслеживали новости, следили за сменой руководства компаний, динамикой бизнеса, анализировали их исторические транзакционные данные. Мой блок был основан на том, чтобы парсить новости из официальных источников, используя Google news API. С помощью тематического моделирования, определения тональности текстов и других предиктивных моделей мы оценивали credit score клиентов с учетом персонализированной информации. В результате наши модели проанализировали данные более 2 тыс. компаний в розничной торговле и здравоохранении, предсказывая возможные понижения кредитных рейтингов с большей точностью и высвобождая рабочее время персонала для выполнения более важных задач, чем рутинное исследование огромных массивов информации.

— Что ты можешь посоветовать ребятам и девушкам, которые учатся на дата-сайентистов?

— Не бойтесь пробовать. Я в свое время комплексовала, что не так хорошо подкована технически для того, чтобы рассчитывать на хорошую работу. В математической школе и университете со мной учились в основном парни. Они считали приоритетными технические знания и часто игнорировали такие навыки как умение формулировать задачи, планировать время, коммуницировать с начальством. Недооценка этих навыков мешает карьерному росту, а стажировки помогают их прокачать. Еще хочу развенчать миф о том, что достаточно пройти ряд онлайн-курсов для того, чтобы стать дата-сайентистом. Это не так. В нынешнюю эпоху стремительного развития искусственного интеллекта важно иметь высшее образование и уникальную экспертизу — нечто, что позволит вам выделяться среди большинства и оставаться конкурентоспособным.