датасайнс (Data Science)
Датасайнс, или Data Science, объединяет работу с данными, статистические методы и построение моделей для поиска закономерностей и поддержки решений. В бизнесе он встречается там, где компании нужно пройти путь от извлечения сырых данных до предиктивных моделей. В этом процессе роль CDO, Chief Data Officer, связана с тем, чтобы данные были пригодны для управления, а не просто лежали в красивом хранилище.
Практический разбор
Под датасайнсом обычно понимают набор подходов, который помогает собирать, очищать, исследовать и моделировать данные. На практике это работа на стыке аналитики, программирования, статистики и понимания предметной области.
Само наличие больших данных не превращает компанию в управляемую систему. Объем может расти, а качество, связность и понятность источников останутся прежними. Иногда бизнес получает сложную модель там, где сначала требовалось исправить справочник товаров или договориться о смысле показателей. В таком случае датасайнс становится дорогим способом обнаружить старую управленческую небрежность.
Собственнику стоит проверить происхождение данных, правила их обновления, доступность признаков для будущего прогноза и способ проверки модели на реальной работе. Нужно заранее определить, какое решение будет принято по результатам расчета и кто отвечает за его применение. Модель может хорошо описывать прошлое и плохо работать после изменения рынка, ассортимента или поведения клиентов.
Датасайнс часто путают с бизнес-аналитикой, машинным обучением и обычной отчетностью. Отчет показывает, что произошло, аналитика помогает искать причины и варианты действий, машинное обучение является одним из инструментов построения моделей, а датасайнс охватывает более широкий процесс работы с данными. Границы терминов в компаниях используют по-разному, поэтому название роли само по себе не говорит о составе работ.
Позиция Андрея
Андрей Волков обращает внимание на практическую сторону датасайнса. В контексте больших данных разговор часто начинается с технологий, хотя собственнику сначала нужно понять, какое управленческое решение должно стать лучше.
Если путь от сырых данных до прогноза не связан с конкретным решением, компания получает не управляемость, а еще один сложный отчет.
По мнению Андрея Волкова, роль CDO имеет смысл рассматривать через ответственность за качество и использование данных. Иначе должность легко превращается в витрину для проектов, которые никто не применяет в операционной работе.
Пример из бизнеса
Компания хочет прогнозировать спрос и поручает команде построить модель. В процессе выясняется, что продажи, возвраты и остатки учитываются в разных системах, а одинаковые товары имеют разные обозначения. Модель все же можно запустить, но ее прогноз будет зависеть от качества исходных данных. Руководству сначала придется согласовать правила учета и способ проверки результата, а затем решать, где прогноз используется в закупках или планировании.
Мини-FAQ
Связанные термины в исходных данных не указаны.
