Александр Вайншток

Всем привет. Меня зовут Александр Вайншток, и я хотел бы поделиться своим опытом повышения квалификации. Я занимаюсь аналитикой — это непростая специальность, в которой, как говорила героиня Льюиса Кэрролла, «нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее».

Немного предыстории

К аналитике я пришёл не сразу. Получил образование биохимика и востоковеда в Нью-Йоркском университете (эти две программы я оканчивал параллельно), потом — MBA по специальности «финансы и банки» в Высшей школе экономики. Когда нам читали курс по управлению рисками, меня заинтересовали математические модели, которые кредитные организации используют для оценки своих клиентов. Нам рассказали о практическом применении регрессии и деревьях решений. Было даже немного информации о нейронных сетях. Я понял, что больше всего в широкой сфере экономики меня интересует прогнозирование и математическое моделирование — возможность через цифры влиять на бизнес-решения.

Несколько лет назад я устроился аналитиком цепи поставок в молодую производственную компанию. Я был там первым аналитиком. Всё началось с простой аналитики продаж: мы с руководством разработали и запустили систему отчётности и оценки, подбирали метрики, собирали информацию.

Накопленные данные использовали для прогнозирования продаж будущих периодов. Со временем к моим прямым обязанностям добавилась ещё и аналитика производства и логистики. Здесь требовалось планировать оптимальный объём и время заказа сырья, рассчитывать запасы с учётом производственного цикла. Кроме того, нужно было точно определять, когда отправлять заказ на производство той или иной продукции. Всё это должно работать в связке с продажами, чтобы не допустить переизбытка товара на складе.

Фактически мы внедряли ряд элементов системы Kaizen и Lean manufacturing. Не на таком уровне, как, например, у Toyota, но для нашего производства и этого было вполне достаточно.

Повышение уровня

В 2017 году я понял, что традиционных инструментов мне не хватает. Основным был Excel, и его возможностей было уже мало — требовались более гибкие и мощные. К слову, подходы Data Science тогда уже были у всех на слуху и считались «серебряной пулей». Сейчас хайп немного поутих.

Три года назад я начал искать в интернете доступную информацию по теме больших данных и Data Science. Хотелось понять, как всё это можно использовать в моей работе.

В сети попалась реклама GeekBrains, факультета Python-разработки. Я связался с менеджером, и тот ответил мне, что на этом факультете готовят разработчиков. Я же планировал оставаться аналитиком, поэтому тогда отказался от идеи поступить на курсы. Но через год мне перезвонили и рассказали, что открылось новое направление — факультет искусственного интеллекта.

Я решил начать учебу. Прекрасно понимал, что современный бизнес не сможет существовать без эффективных методов планирования и прогнозирования, настроенных рекомендательных систем, автоматизации всех возможных процессов. Хороший пример — Amazon. Эта компания начала автоматизировать свою логистику с 2009 года. И не только она: например, компания Linde проектирует комплексные решения по автоматизации складской работы.

Ну а чтобы всё это правильно настроить и связать воедино все производственные и логистические процессы, нужна уже помощь ИИ-технологий — включая компьютерное зрение.

Смена работы

Незадолго до поступления на курсы я поменял работу, с учёбой эти изменения связаны не были. Устроился в новую компанию, тоже аналитиком, и, обучаясь, стал применять полученный опыт и знания на практике. Компания занимается организацией акций лояльности в сетевой рознице.

Нам постоянно требуется прогнозирование. Для него используем анализ временных рядов. К слову, на нынешнем месте работы есть полноценный отдел Data Science, и мне удалось принять участие в тестировании написанных ранее моделей.

Интересно, что кроме технических скилов и знания ИИ-технологий, в этой работе важно умение общаться с людьми. Нередко приходится встречаться с клиентами, объяснять суть процессов. Например, почему мы приняли те или иные решения. Всё это позволяет не превратиться в стереотипного «айтишника» из анекдотов. Расчёты могут быть идеальными, но если не донести до коллег или клиента их смысл, то нет гарантий, что они пойдут в работу.

Могу сказать, что мой новый опыт и знания дают возможность работать там, где ни один проект не похож на предыдущий. Здесь в каждой новой программе своя изюминка. Как аналитик я занимаюсь расчётами, моделированием и многим другим.

Кстати, работаю я в Москве и как-то заинтересовался, сколько есть вакансий по специальности «аналитик данных» здесь и в Нью-Йорке. Оказалось примерно поровну. На мой взгляд, Москва не уступает другим крупнейшим городам мира в вопросе информационных технологий. Для анализа я использовал данные порталов hh.ru и monster.com.

Советы коллегам

В ходе обучения я прочитал много интересных книг. Считаю максимально полезными вот эти:

Взгляд на развитие технологий анализа данных и ИИ

Расскажу, как вижу тенденции развития технологий анализа данных и искусственного интеллекта. Я замечаю ряд параллелей с первой волной информатизации в конце 80-х — начале 90-х годов прошлого века. Тогда умение работать с ПК считалось чем-то вроде тайного знания, чуть ли не каждая фирма считала своим долгом иметь в штате программиста, а сами компьютеры считались чем-то вроде философского камня.

То же происходило с ИИ и анализом данных. Технологии из этой сферы позиционировались как волшебная таблетка для компаний. Сегодня этот флёр таинственности и романтики начинает спадать — и это на пользу индустрии в целом. При этом сама сфера анализа данных никуда не делась. Системы, которые можно в широком смысле назвать искусственным интеллектом, находят всё более широкое применение. А если учесть, что ИИ был практически открыто назначен одним из приоритетов развития российской экономики, то можно быть уверенными: эта область будет только расширяться.

Так или иначе бизнесу всегда будут нужны специалисты, умеющие извлекать из неструктурированных данных закономерности, которые имеют прямое отношение к финансовым результатам компании. Стоит ещё учитывать, что в XXI веке технологии развиваются с невообразимой скоростью. И если сегодня вам хватает для работы условных ARIMA/SARIMA, то завтра рынку может потребоваться что-то другое. Так что учиться надо постоянно. Это относится не только к ИИ или даже IT в целом, а вообще к любой современной профессиональной нише. Мир меняется всё быстрее, так что нужно соответствовать новым реалиям.