О рынке Data Science и машинного обучения

    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.

    Средняя зарплата в IT

    120 000 ₽/мес.
    Средняя зарплата по всем IT-специализациям на основании 6 322 анкет, за 1-ое пол. 2021 года Узнать свою зарплату
    Реклама
    AdBlock похитил этот баннер, но баннеры не зубы — отрастут

    Подробнее

    Комментарии 5

      0
      Можете соориентировать по количеству вакансий на каждом направлении? Ориентировочно конечно.
        0
        Приветствую!
        Такое количественное исследование не проводил.
        А то бы с удовольствием поделился )
          0
          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.
            0
            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.
          0

          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.

          Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

          Самое читаемое