Роман Зыков - Роман с Data Science. Как монетизировать большие данные [litres]

Известно, что самый быстрый рост карьеры происходит при относительно частой смене работ. Раньше считалось, что оптимальный срок работы на одной позиции в одной компании – два года. Кроме того, на решение об уходе влияет тип амбиций сотрудника. Я для себя выделил два: первый – новаторы, люди, которые любят придумать и сделать что-то новое с нуля, но их не привлекает процесс «полировки» их решения разными оптимизациями. Второй тип – оптимизаторы, которые могут вдохнуть новую жизнь в существующее решение, но придумать и создать что-то с нуля им сложно. Как только новатор запускает процесс – он достиг результата, ему становится скучно и он ищет новых вызовов. Я точно знаю, что отношусь к первому типу новаторов – пришел, увидел, победил: создал аналитику с нуля, нанял персонал, выстроил процессы, пошел дальше. Для развития и понимания карьеры в аналитике данных (да и в других областях) неплохо было бы попробовать себя и в роли новатора, и в роли оптимизатора и понять, что больше нравится. Тогда станет намного легче принимать карьерные решения.

Вот что сказал Ричард Хэмминг о том, как строить карьеру [21]:

«Примерно каждые семь лет значительно, если не полностью, меняйте область своей работы. К примеру, я переключался с вычислительной математики на аппаратное обеспечение, оттуда на программное обеспечение, и так далее, потому что есть тенденция к расходованию своих идей…

Вы должны меняться. Вы со временем устаете; вы расходуете свою оригинальность в одной области. Вам надо найти что-то рядом. Я не говорю, чтобы вы переключались с музыки на теоретическую физику, а там на английскую литературу; я подразумеваю, что в своем поле вам следует переключаться между областями, чтобы не застаиваться».

Хэмминг говорил об исследовательских работах, но я бы применил их и к области анализа данных. Никто не мешает вам перемещаться между «доменами» от веб-аналитики в машинное обучение, от аналитики к программированию и наоборот.

Если вы уже давно чувствуете, что вам неинтересно и нечего делать на работе, поговорите со своим менеджером. Если во время или после разговора станет понятно, что ничего не изменится, то лучше уходить. Впоследствии вас не будет мучить совесть, что вы засиделись и потеряли драгоценное время. К сожалению, оно не бесконечно.

Однажды уже известному нам ученому Ричарду Хэммингу задали вопрос: «Сколько сил должно уходить на работу в библиотеке?» И вот что он ответил [21]:

«Это зависит от области. Я вот что скажу об этом. Был парень в Bell Labs. Очень-очень умный парень. Он всегда был в библиотеке, он читал все. Если вы хотели ссылок, вы шли к нему и он давал вам всякие разные ссылки. Но в процессе формирования этих теорий я сформулировал утверждение: его именем в долгосрочной перспективе не будет названо ни одного эффекта. Он уже ушел из Bell Labs и является адъюнкт-профессором. Он был очень ценен; это несомненно. Он написал некоторые очень хорошие статьи в Physical Review; но его именем не было названо ни одного эффекта, потому что он читал слишком много».

Все знать невозможно, чтение отнимает очень много времени. Я очень люблю читать, но на это у меня мало времени. Книга ждет своего часа, иногда десять лет, пока я не возьму ее с полки. Когда у меня стоит выбор между пассивными (теория) и активными (практика) действиями, я выбираю активное. В пассивное включаются чтение, просмотр видео с конференций, занятия на онлайн-курсах. При этом я не могу назвать себя неучем – у меня с десяток сертификатов Coursera. Под активным действием я подразумеваю решение какой-либо задачи, доведение какого-то проекта (пусть даже личного) до конца. Особенно меня интересуют рабочие задачи, а не учебные. Важно обладать эрудицией и знаниями, но гораздо важнее их умелое применение. А чтобы применить знание, не нужно разбираться в каком-то предмете на 100 %, бывает достаточно всего 20 % (правило Парето!). Помните, в главе про машинное обучение я ссылался на Шавье Аматриана, который предлагал просто прочитать введение книги по ML, открыть нужный алгоритм и закодировать его. Именно практика покажет, что важно, а что нет. Невозможно играть хорошую музыку, лишь зная ее теорию.

Какой сотрудник лучше: тот, кто прошел штук 20 разных курсов и сделал очень много учебных заданий, или тот, кто пару несложных проектов довел до конца, от идеи до реализации? В 95 % случаев я выберу второго. Моя личная практика показала, что есть люди-теоретики, а есть практики. Я нанимал теоретика на одну из наших задач, думая, что если человек хорошо разбирается в теории, то он разберется и в практике. Ничего хорошего из этого не получилось.