superhero

AI for Business Leaders - Введение

Для кого этот документ? Для всех, у кого есть управленческий опыт и неотвеченные вопросы о “data science” и анализе данных.

Возможные цели читателей:

Вхождение в data science, как сделать первый проект внутри компании
Узнать про “чужие грабли”, составить представление о типах проектов и как ими управлять
Найти подтверждение своим бизнес-наблюдениям, проверить интуицию

Как пользоваться документом:

Какие посмотреть ролики и ссылки - для начала?

Наши три топовые рекомендации.

1. Данные - модели - бизнес-процессы (2019)

Даже если вы прогнозируете что-то со 100% точностью, сам прогноз не зарабатывает никаких денег.

Константин Короткий, сооснователь Data Nerds

https://youtu.be/BujPXw6U84o?t=2819

Очень точно говорит о роли моделей в работе компании: основные проблемы не на стороне какие модели придумать, а где взять нужные данные и даже если 100% прогноз сделан - что на стороне бизнеса нужно делать дальше, это чаще всего не ясно. “Великая” и очень правильная идея. Если посмотреть что-то одно из
списка - рекомендую это, это прям короткая и точная реплика.

2. Machine Learning, или Трансформация данных в деньги (2017)

Александр Хайтин, исполнительный директор Yandex Data Factory

https://www.youtube.com/watch?v=7aVZejD9DdU

Дается обзор работы с данными и получения ценности, с примерами в банках, ритейле, нефтехиме. Мне кажется, самый адекватный и одновременно верхнеуровневый доклад.

Среди тем:

дефицит естественного, а не искуственного интеллекта
много ли мы говорим об элеткромотре для лифта (скорее бы тема ИИ наскучила и стала просто инструментом)
работа с данными - метафора тазика и драги на золоторудном месторождении

3. Как подготовить бизнес для Data Science (2019)

Алексей Чернобровов, консультант по работе с данными

https://www.youtube.com/watch?v=DOAOkldg6SM

Идеи в презентации:

к качеству работы с данными в компании применить критерии (перечисляются)
пилотные проекты по работе с данными направлены на обучение внутри организации, после пилотов становится ясно, что и как дальше внедрять
надо уметь правильно считать ROE (отдачу от проекта), но не рубить пилоты
выбор между in-house командой и привлечением консалтинга

Что не сказано:

часто ROE проектов становится отрицательным, если не менять ничего на стороне бизнеса, “офлайновых” процессов

Интересные вопросы начинаются здесь

Последний вопрос, про три сферы навыков

Важно для специалиста по работе с данными: (1) computer science, (2) математика, (3) понимание бизнеса (доменная область).
Становится более важным для менеджеров проектов сейчас: (1) культура работы с данными, (2) понимание бизнеса, (3) программирование.

Дополнительные материалы

Что понимаешь про карьеру в Data Science после десяти лет работы – Виктор Кантор - взгляд на обучение data science со стороны студентов (все учатся понемногу чему-нибудь и где-нибудь, успех студента - скорее личная заслуга, чем одного конкретного преподавателя).
Зачем нужна дата-стратегия - советуем полистать слайды.

Темы для занятий - что может быть полезным руководителям?

Содержание работ - 1:

Можно ли с помощью Data Science модернизировать критические процессы в компании?
Отличие между аналитическими (advanced analytics) и производственными (production) моделями. Пример - пересмотр названий профессий в Lyft
Почему раньше Data Science не было? (build vs buy, созревание открытых библиотек, что-то еще)
Что в компании происходит с управлением данными, что не подходит для Data Science

Содержание работ - 2:

История работы с данными / офисной автомтизации (Excel)
История развития отдельных отраслей машинного и глубинного обучения (речь, компьютерное зрение)
Что на самом деле используют на практике (обзор библиотек, хотя бы по группам, что к чему относится).

Содержание работ - 3:

стадии проекта, управление отдельным проектом, требования
чем “тяп-ляп и в production” отличается от хорошего проекта

Управление

цели проектов работы с данными, измерение отдачи от них, важность пилотных проектов и обучения внутри организации
привычка к линейным (waterfall) проектам и ее применимость к работе с данными
люди, их роли, мотивации

Пример проекта:

поставим цель, разобъем на задачи
оценим бюджет и выигрыши
подгоним под ROI > 0
найдем/наймем людей
проконтролируем выполнение
по ходу что-то скорректируем
отчитаемся
ничего вокруг проекта менять не будем

С чего начать - первый проект в органиазции

назревший проект, который не решается другими способами (идем от usecase’а)
управленческая отчетность и отражение понимания бизнеса собственника и руководителя в цифровых отчетах. Руководитель говорит “я хочу знать то-то”, дальше смотрим как это обычно делают руками и как долго (идем от BI)
инициатива людей снизу (которую надо фильтровать)

Принципиальные ограничения

некоторые процессы в принципе плохо поддаются цифровизации
как только показатель начинают таргетировать, он перестает быть хорошей метрикой
в ручных процессах бывает много смысла и логики, неправильный подход может их нарушить
вставки “кусочных улучшений” имеют свой предел, после которого надо либо сильно менять бизнес-процессы, структуру
хорошо работают простые вещи

Конфликты и мнения в коллективе, динамика организации

вроде как-то работает, зачем менять
сейчас поговорим много слов и от нас отстанут
стойте, вы же хотите меня уволить
нам невыгодно быть слишком цифровыми в этой идиотской среде
смотрите ваша шутковина не работает
это все невыгодно, где ROI? без этого не на шаг!
у нас и так много ИТ, все работает хорошо, мы тратим на это кучу денег
1001 способ просаботировать выполнение цифрового проекта
1001 способ симитировать выполнение проекты
данные мои и никто их не получит
я все запутаю, только чтобы остаться незаменимым
это все только увеличвает награзуку на меня, стало больше отчетности

Рынок

Описание типовых проектов по секторам и испольнителям
Data Science как зонтичный бренд для разных видов работ как по содержанию, так и по квалификации
Хайп, инфляция стоимости разработчиков, половинчатые навыки
Откуда берутся спецалиалисты по DS, их подготовка, что умеют, что не умеют
Как может специалист по data-scienсе навредить компании

Ход мысли от стратегии

В каком мы бизнесе и на чем мы зарабтываем
Будет ли этот рынок у нас через 5 лет. Кто может предложить продукт или услугу лучше?
Что мы на самом деле мы продаем, в чем наша услуга, почему ее покупают
Что нужно, чтобы сделать продукт лучше или дать новый продукт заказчику?
Какие данные нужны для того, чтобы был новый продукт

Типы бизнеса

high load / низкочастотные данные
есть вообще цифровая составляющая в продукте и его обороте?
build vs buy vs “buy и допилить”
“вообще-то у нас 1С стоит”, “мы переходим на SAP” И т.д.
“главное затащить к нам клиента, дальше разберемся”

Техническая культура

CLI vs GUI культура
цепочки данных

BI / data service

от сырых данных до презентации на столе начальника - сколько часов и ручных операций
как быстро умеем менять отчетность
что понимают под данными и их представлением (откуда “презенташка” на столе)
кто пилит отчеты в компании и зачем этот человек нужен
внутренние сервисы по предоставлению данных - продукты на основе данных
пример: сколько человек должны знать SQL в органиазции

Общая картина компании

видим ли клиента, на кого по факту нацелена работа в компании
как организована подготвка текущей отчетности, что знаем про бизнес “в моменте”
оценка положения на рынке (только одни мы такие, догонем кого-то, гонятся за нами и т.д.)

Что делать / что не делать

надо обязательно купить какую-то (дорогую) программулину
надо скопировать, как у других
надо позвать консультантов
надо (…)

Big data

Хорошее:

состыковать кривые данные из разных источников
высокочастотные данные (изображения, видео, звук, речь)
возможность вернутся к вопросу, какие собственные данные есть у нас

Плохое:

n = all не защищает от плохих моделей
прикрытие для того, чтобы своровать персональные данные о клиентах

ИИ

Взгляд 1: внутри спрятан джин и переиграл кого-то в шашки
Взгляд 2: непонятная модель с миллионом необъясненных коэффициентов
Взгляд 3: такой же инструмент как Excel или (сложный) калькулятор

Отдельные темы

Специфический юмор внутри DS (логит-регрессия, grep, csvшки)
Как загубить data science проект - roads to disaster
Thought leaders, “евангелисты”, influencers и отчеты Gartner

Программа “AI for Business Leaders” (проект)

Целевая аудитория:

руководители и ключевые менеджеры среднего бизнеса
задумываются о том, как могут улучшить работу своего бизнеса, используя анализ данных, моделирование и автоматизацию
ощущают переизбыток рекламной информации

Особенности:

“у нас небольшое предприятие”: не интересны “космические корабли” и как там работает Гуггл
часто стартовая точка в бизнесе - довольно низкий уровень дата-культуры
хотим четкий словарь и набор понятий, а не “нейронка там все сделает”

Об этом документе

История вопроса

Коллеги нас спросили, какие видео посмотреть, чтобы лучше понимать, как бизнес смотрит на data science.
Мы составили список из трех видео и прокомментировали их. Это первая часть документа.
Мы составили список вопросов, важных при орагниазации работы с данными и автоматизации. Это вторая часть документа.

Кто авторы

Евгений Погребняк
Степан Зимин

Откуда мы сами знаем про data science

опыт внедрения DS проектов в индустрии
компетенции в работе с данными, экономическом моделировании, программировании
open source проекты
преподавание и участие в подготовке студентов