О рынке Data Science и машинного обучения +3


AliExpress RU&CIS

image

Волею судьбы мне посчастливилось последние 1,5 — 2 месяца заниматься анализом рынка Data Science и Machine Learning. И появилось желание об этом написать хотя бы несколько строк. Так что скорее всего получится небольшая заметка, а не основательная статья.

Подразделения маркетинга в крупных компаниях


Data Science здесь востребован для анализа продаж, рынков, сегментации клиентов и исследования их поведения. Скорее всего в данном случае работа аналитика в большой степени сводится к агрегированию данных, построению дашбордов и настройке маркетинговых кампаний. Последняя задача — это задача оптимизации, внутри которой строятся модели предсказывающие реакцию клиента на рекламу, всевозможные акции и скидки при распродаже.

Управление рисками в Банках и страховых компаниях


Риск-менеджмент фактически представляет собой отдельную отрасль, а количественная аналитика является инструментом контроля и управления рисками. Самая распространенная тема здесь — управление кредитным риском, оценка кредитоспособности заемщиков и продвинутые методы расчета регуляторного и экономического капитала и резервов, создаваемых под ожидаемые потери от невозврата кредитов.

R&D — лаборатории


R&D — Research and Development. В рамках работы таких лабораторий часто проводятся фундаментальные исследования с разработкой новых алгоритмов и архитектур машинного обучения. Специалисты, которые требуются в таких областях, намного в большей степени специализируются и глубже «копают», чем классические дата-сайентисты. Профессионалы в R&D часто называют себя инженерами машинного или глубокого обучения или просто математиками.

Вот несколько примеров задач: разработка обучаемых агентов в компьютерных играх, управление роботизированной техникой, беспилотные летательные аппараты, автономное вождение.

Продуктовые стартапы


Эпоха стартапов пока еще не закончилась. По прежнему остается популярной тема запуска стартапов и венчурного инвестирования. Главная особенность данной сферы — ориентация на цельный продукт. Машинное обучение, если и используется, то главный фактор его полезности это повышение usability продукта и user experience (UX).

Например, мобильное приложение дополненной реальности для детей. Популярность такого приложения может в большей степени зависеть не от «бездушной» метрики качества, а от яркости и зрелищности картинки. Еще один пример: чат-бот для обучения английскому языку или просто для «фана». Метрики качества совсем не очевидны. Чат-бот может высказаться и не в тему, а это будет звучать «прикольно» и наберет просмотры, клики и лайки. Нетрудно догадаться к чему я здесь веду. Заработать такого рода приложения или сайты могут как минимум на рекламе.

Интеграторы, IT-консалтинг


Компании-интеграторы и консалтинговые услуги востребованы, поскольку агрегируют опыт и знания. Их главная ценность заключается в человеческом капитале. Для запуска любого проекта с автоматизацией и машинным обучением требуется знание сразу множества профессионалов из совершенно разных сфер. Ни один человек не в состоянии совместить в себе одновременно экспертизу в лучших отраслевых практиках (банкинг, ритейл, реклама, социальные медиа) и знание всего технологического стека. Яркий пример, практика MLOps (подмножество практик DevOps в применении к машинному обучению) предлагаемая компанией Неософт. Альтернативный вариант перевода бизнеса на новый уровень заключается в найме целой команды, а это делается на за «два щелчка пальцами».

Вендоры и разработчики ПО


Автоматизация и модернизация бизнеса строится с одной стороны на готовых решениях, а с другой стороны не может обойтись без кастомизации. Задача кастомизации под конкретную инфраструктуру и модель бизнеса конечно же может решаться и интеграторами на уровне настроек покупного готового ПО. Но часто для того, чтобы получить конкурентное преимущество компания должна доносить до рынка какое-то свое уникальное сервисное или продуктовое предложение. К примеру, сторонних разработчиков вроде EPAM привлекают даже такие компании, как Google или Facebook.

Технологические IT-компании гиганты и платформы


Среди технологических гигантов ну кончено же можно назвать «поисковики» (Google, Yandex), онлайн-торговлю (Amazon, Alibaba), социальные сети (Facebook, Instagram, WeChat). Эти ребята, если им что-то нужно, частенько покупают стартапы и компании целиком и делают из них свои внутренние структурные подразделения.

Устойчивая тенденция в последние годы связана с переходом всего и вся на облачные платформы. В связи с чем строятся целые экосистемы сервисов-партнеров на базе таких платформ как Azure, AWS или Google Cloud. В частности данные сервисы предлагают кастомизированный доступ к возможностям machine learning и data mining.

Итог


Для того, чтобы выжить в существующем разнообразии предложений на рынке, любая компания должна четко отдавать себе отчет, в каких сферах автоматизации бизнеса, машинного обучения и аналитики данных она специализируется. А также очень важно знать лучшие отраслевые практики и тенденции своего клиента, ну и конечно же своих конкурентов. Но самое главное, чтобы клиент знал и узнавал Вас.




Комментарии (5):

  1. vnkama
    /#22770784

    Можете соориентировать по количеству вакансий на каждом направлении? Ориентировочно конечно.

  2. EvanMarkoff
    /#22770786

    Приветствую!
    Такое количественное исследование не проводил.
    А то бы с удовольствием поделился )

    • vnkama
      /#22770976

      Тогда переформулирую вопрос ))
      Планирую переквалифицироваться из WEB как раз в Data Science или Machine Learning. В каком из описанных вами направлений лучше двигаться? Мне импонирует R&D, но думаю туда устроится как раз сложнее.

      • toxic_cleaner
        /#22775654

        Вообще интересный вопрос и давно детально описанный. Наибольший «выхлоп» будет там, где наибольший личный интерес (не денежный). Поэтому это вопросы не к аналитикам, а к себе самому. Лично мне нравится NLP.

  3. EvanMarkoff
    /#22771728

    Поищите варианты применения data science в веб-аналитике, интернет-маркетинге, скоринге на основе данных соц. сетей. Банки могут захотеть экономическое или банковское образование. Но попробовать тоже можно. Для начала почти все равно куда.