При приеме на работу специалистов по сбору и обработке данных нет ничего хуже, чем нанять не того человека. Печально известен тот факт, что спрос на них велик, угодить им нелегко, а их зарплаты зашкаливают, что делает цену ошибки еще выше.

Майкл Ли, УПРАВЛЕНИЕ ПЕРСОНАЛОМ, 25.08.2014, hbr-russia.ru

В Data Incubator мы общаемся с десятками людей, желающих нанять специалистов, которые прошли нашу программу обучения. К нам приходят представители разных компаний: от крупных корпораций вроде Pfizer и JPMorgan Chase до маленьких технологических стартапов, таких как Foursquare и Upstart. Те наниматели, что уже столкнулись с проблемами в этой области, не потрудились задать себе ключевой вопрос:

Будет ли плод труда специалиста, который нам нужен, использован компьютером или человеком?

Это различие имеет большое значение независимо от организации, отрасли и названия позиции (наши выпускники устраиваются на работы с разнообразными названиями: от простого «аналитика» до «специалиста по статистике»). К сожалению, большинство руководителей, отвечающих за найм, смешивают два типа дарования и темперамента, необходимые для выполнения этих ролей.

Хотя это и не единственное отличие одних специалистов по сбору и обработке данных от других, при приеме на работу именно оно — одно из самых важных. Вот какая между ними разница и вот почему она имеет столь принципиальное значение.

Аналитики, работающие для компьютеров

В этом случае потребителем анализа, а также тем, кто принимает окончательное решение, является машина. Примером может быть онлайн-реклама или целевой контент, биржевой робот или алгоритм рекомендации по выбору продукта.

Эти ученые-аналитики строят очень сложные модели, впитывающие в себя огромные пласты информации. Они пытаются извлечь из реальности малозаметные сигналы с помощью компьютерных знаний и сложнейших алгоритмов. Эти цифровые модели работают сами по себе, выбирая подходящую в данный момент рекламу, делая рекомендации пользователям или самостоятельно торгуя на бирже, причем часто в мгновение ока.

Специалисты по данным, производящие анализ для компьютеров, нуждаются в исключительных навыках в области математики, статистики и информатики, чтобы строить модели, способные делать быстрые и точные прогнозы. Они обычно оперируют данными (такими, как размер прибыли, число кликов или покупок) и умеют создавать огромное количество технических ухищрений для построения очень изощренных моделей, повышающих эффективность. Когда даже маленький прирост умножается на миллионы пользователей и триллионы событий, их усилия могут увенчаться огромной прибылью.

Аналитики, работающие для людей

Здесь окончательное решение остается не за машиной, а за другим человеком, именно он является потребителем информации. Анализ эффективности продукта, анализ роста количества пользователей и их преданности, производство отчетов для клиентов — вот всего несколько примеров работы, которую делают эти аналитики.

Вполне возможно, что они продираются через те же огромные пласты данных, что и их коллеги, готовящие «пищу» для машин, но результаты их моделей и прогнозов попадают на стол обладающему полномочиями человеку (часто это не специалист-аналитик), который на основании этих рекомендаций должен будет принять решение о будущем продукта или даже целого бизнеса.

Аналитики по сбору и обработке данных на службе у людей должны думать о том, как изложить то, что они извлекли из информационного материала. Поскольку они обязаны объяснить свои выводы другим людям (особенно тем, кто не настолько силен в науке о данных). Они, возможно, предпочтут работать с более простыми моделями вместо тех, которые дают более точный результат, но одновременно чрезмерно усложняют задачу. Они должны без проблем делать выводы более высокого порядка — отвечать на вопросы «как» и «почему». Эти заключения не так очевидно следуют из данных, как те точные выводы, которые выпадают на долю их коллег, обслуживающих машины.

Важно, чтобы для каждого вида работы был найден правильный человек. Мы обнаружили, что типичный профиль специалиста-аналитика для компьютера — это человек с естественно-научным, математическим или инженерным образованием (часто на уровне кандидата наук), с глубокими знаниями математики и информатики, достаточными для такой мощной работы. Без нужных технических навыков кандидаты или не справятся с огромным объемом данных, или будут применять слишком простые модели, не учитывающие всех нюансов.

Однако первый тип людей может не подойти для анализа данных, идущих на стол живому человеку. Собрать команду выпускников Массачусетского технологического института и дать им задание, в котором они будут ограничены простейшими моделями, доступными для понимания управленцев, не будет самым разумным использованием их талантов, особенно если они жаждут серьезных «машинных» вызовов. С другой стороны, специалисты в общественных или медицинских науках (опять-таки часто на уровне кандидатов наук) прекрасно подготовлены к пониманию «как» и «почему» и часто расцветают, выполняя этот тип интеллектуальных задач.

Эксперты-аналитики с багажом знаний в области точных наук традиционно получают много внимания со стороны деловой прессы. Частично это вызвано романтическим ореолом вокруг неизвестного — загадочные модели, которые чудодейственно торгуют на бирже или интуитивно понимают предпочтения пользователя, выглядят более убедительно, чем тяжелый труд обдумывания потерь, смещения выборки и других «как» и «почему» ваших данных. Но последний тип задач как раз и может оказаться тем, что вам нужно от вашего аналитика. Задав ключевые вопросы до начала процесса приема на работу, компании могут избежать увлечения стереотипами и найти правильного аналитика для своих конкретных нужд.