Data Science to jedna z najbardziej perspektywicznych dziedzin. Biorąc pod uwagę bardzo szybki rozwój technologii informatycznych i rosnącą zależność biznesu od analiz typu Big Data, zapotrzebowanie na specjalistów z tej branży będzie tylko rosnąć.
W dzisiejszych czasach wszystko, co nas otacza, w pewnym sensie generuje dane – komputery, telefony, zegarki, wszelkiego rodzaju czujniki, a od jakiegoś czasu nawet lodówki i pralki. Według szacunków IBM 90% istniejących na świecie danych zostało wytworzonych w ciągu ostatnich 2 lat. Dane stanowią dziś klucz do sukcesu, także w biznesie. Skala wzrostu ich ilości, zmian a także sposobów ich analizowania i wykorzystania jeszcze nigdy nie była tak wielka.
Analityka finansowa coraz częściej wykorzystuje nieustrukturyzowane dane o charakterze niefinansowym, opiera się przy tym na innowacyjnym i kreatywnym podejściu do badania istniejących zbiorów danych i tworzy nowe modele uwzględniające niekonwencjonalne źródła. W związku z tym coraz większe znaczenie odgrywa Data Science – interdyscyplinarna nauka, która obejmuje systematyczne i profesjonalne podejście do badania zbiorów danych oraz aplikowanie i tworzenie narzędzi do ich analizy i wyciągania wniosków na podstawie specjalistycznej wiedzy o danej dziedzinie. Chociaż jest ściśle związana z Big Data, sztuczną inteligencją i uczeniem maszynowym (ang. machine learning), to nie powinna być ograniczana wyłącznie do tych obszarów. Specjaliści zajmujący się Data Science wykorzystują dziś przede wszystkim narzędzia analityczne, statystyczne, z zakresu ekonomii i nowoczesnych rozwiązań komputerowych.
– Znane są bardzo ciekawe przykłady ze świata Data Science, np. pewien analityk, który wziął pod lupę oszustwa związane z kartami kredytowymi, doszedł do wniosku, że ich schemat i struktura przypominają proces sekwencjonowania DNA. Wykorzystując analogie pomiędzy tymi pozornie odrębnymi zjawiskami, udało mu się stworzyć model, który znacząco ograniczył straty wynikające z oszustw kredytowych. To właśnie tego rodzaju myślenie jest jednym z głównych motorów napędowych w obszarze Data Science – wskazuje Krzysztof Czarnecki, Financial Controller i kierownik zespołu Financial Accounting and Controlling EMEA w UBS.
Tak więc Data Science to też jedna z najbardziej rozwojowych i perspektywicznych dziedzin. Zarówno zmieniające się możliwości techniczne, jak i nowoczesne formy organizacji pracy szybko znajdują w niej odzwierciedlenie. Biorąc pod uwagę bardzo szybki rozwój technologii informatycznych i rosnącą zależność biznesu od analiz typu Big Data, zapotrzebowanie na specjalistów z tej branży będzie tylko rosnąć.
– Większość firm ma dostęp do tzw. „data opportunity” – są to ogromne źródła danych obejmujące większość elementów działalności biznesowej oraz zróżnicowane powiązania między nimi. Kluczowe dla organizacji jest posiadanie zespołu ekspertów Data Science, którzy wyciągną trafne i wartościowe wnioski na podstawie tego obszernego i nieustrukturyzowanego źródła – mówi Krzysztof Czarnecki.
Uzasadnienie i wytłumaczenie wykorzystania machine learning i innych narzędzi programistycznych przed biznesem i audytem uznaje się za jedno z większych wyzwań w pracy na stanowisku Data Scientist.
– Rosnąca rola specjalistów z tego obszaru wiąże się z koniecznością umiejętnej komunikacji z osobami decyzyjnymi i senior managementem w organizacji. Data Scientist musi potrafić przetłumaczyć skomplikowany język analizy danych na ogólnie zrozumiały i atrakcyjny język biznesu, co pozwoli na stworzenie tzw. business case i osiągnięcie istotnego wpływu na decyzje podejmowane przez organizację – począwszy od decyzji związanych z rozwojem poszczególnych produktów, aż po decyzje związane ze strategią całej firmy – dodaje Krzysztof Czarnecki.
Data Science – to znaczy kto?
Od specjalistów związanych z obszarem Data Science oczekuje się, że będą posiadać przede wszystkim umiejętność analitycznego myślenia i rozwiązywania problemów. Bardzo istotna jest także zdolność do szybkiego opanowywania nowych narzędzi programistycznych i ich wykorzystania w kontekście skomplikowanych zbiorów danych, a także umiejętność wyciągania wniosków z analizy danych, ich prawidłowa interpretacja i prezentacja.
– W określonych rolach wiedza finansowa może być niezbędna. Natomiast w zespołach bliższych IT głównym wymogiem jest umiejętność myślenia programistycznego, co pozwala na szybkie opanowywanie nowych narzędzi – mówi Krzysztof Czarnecki. – Bardzo ważna jest także ciekawość – chęć dotarcia do samego źródła danego problemu, do czynników, które powodują dane regularności i korelacje w zbiorach danych – dodaje.
W zespołach związanych z Data Science pracują osoby o bardzo różnym wykształceniu, co dobrze odzwierciedla fakt, że jest to stosunkowo młoda dziedzina, w której przede wszystkim liczą się określone umiejętności i kompetencje, a nie rodzaj ukończonych studiów. Dołączyć do zespołu można właściwie na każdym etapie kariery – zarówno zaraz po studiach, czy nawet w ich trakcie (w roli stażysty), jak i po zdobyciu doświadczenia w innych dziedzinach finansów czy IT. Niezwykle cenione przez rekruterów są umiejętności tworzenia i aplikowania modeli statystycznych i matematycznych do zbiorów danych a także wcześniejsze doświadczenie w analizie finansowej i pracy projektowej.
Ścieżki kariery
Ścieżka rozwoju specjalistów związanych z obszarem Data Science zależy od ich indywidualnych zainteresowań i umiejętności. Data Science zarówno w finansach, jak i w IT wiąże się z bardzo szerokim spektrum możliwości. Jak wskazuje Krzysztof Czarnecki, w obszarze Data Science w UBS pracuje wiele zespołów, których codzienne zadania i zakres obowiązków są bardzo zróżnicowane. Mogą być one np. związane z modelowaniem statystycznym, wdrażaniem rozwiązań machine learningowych, programowaniem, analizą finansową albo merytoryczną walidacją modeli danych oraz ich późniejszą prezentacją przed stroną biznesową.
– W UBS pracownicy Data Science mogą specjalizować się w danym obszarze wiedzy w ramach ścieżki eksperckiej (tzw. Subject Matter Expert lub SME) lub przejmować role liderskie i managerskie w zespołach – mówi Krzysztof Czarnecki.
Ze względu na pracę w dynamicznej branży, pozostającej w nieustannym rozwoju, kluczowe znaczenie ma ciągłe dokształcanie się i śledzenie nowych trendów.
Komentarz:
Ile prawdy jest w powiedzeniu: „Data science is not a science – it’s an art”?
Krzysztof Czarnecki: Coś jest w tym powiedzeniu, biorąc pod uwagę fakt, że Data Science łączy bardzo ścisłe i naukowe podejście z tak zwanymi umiejętnościami miękkimi – takimi jak odpowiednia prezentacja danych i późniejsza ich komunikacja. Data Science to unikalne połączenie umiejętności rozszyfrowywania najbardziej skomplikowanych i nieustrukturyzowanych zbiorów danych z umiejętnościami analityka, sprawnego komunikatora i business partnera.
