Data Science

О дефиците специалистов по данным (data scientist) известно всем, и именно этот фактор зачастую встает на пути компаний, пытающихся заняться темой Больших Данных. Кто все эти люди, где и как их искать? Как их можно развивать и мотивировать? Этим вопросам было посвящено выступление Алексея Натекина, основателя компании Data Mining Labs, на конференции «Технологии Больших Данных», организованной издательством «Открытые системы».

Наука или искусство?

По мнению Натекина, термин Data Science лучше не переводить и по своей сути он является зонтичным. Если объединить различные определения, встречающиеся в разных источниках, то большинство из них говорят о недавно возникшей области знаний, которая служит «зонтиком» для многих сопряженных инженерных, технических и математических наук. В Data Science входят такие области, как машинное обучение, статистика, Большие Данные с точки зрения инженерных технологий. Помимо этого, можно включить визуализацию данных и теорию оптимизации. Бывают и красивые определения, относящие Data Science к искусству преобразования данных в решения.

«Когда человек называет себя data scientist, то бывает трудно понять, какой частью этого широкого круга задач он занимается. Узнать, на чем именно он специализируется, получится только при личном общении», – говорит Натекин.

Тем не менее, согласно общепринятому мнению, data scientist – это специалист, работающий на пересечении компьютерных наук и программирования, математики и статистики, а также имеющий знания в предметной области и умеющий применить свои знания в той сфере, где работает. Шуточное определение, говорящее о том, что это человек, который знает статистику лучше программиста и программирует лучше, чем статистик, на самом деле очень близко к истине.

Однако по спискам вакансий очень сложно понять, кто же именно нужен компаниям. Вакансии исследователей данных перемешаны с вакансиями аналитиков, инженеров, экспертов по машинному обучению и запросами по еще нескольким категориям специалистов. В различных социальных группах идет множество обсуждений, касающихся специалистов по данным, – «правильных» и не очень.

В одной из групп собрали статистическую сводку о своих участниках, в результате удалось выделить четыре типовые роли. Первая – исследователь, по большей части занимающийся статистикой, немного разбирающийся в программировании и не очень – в бизнес-вопросах. Вторая категория – разработчики, много программирующие, не очень хорошо знающие статистику и больше занимающиеся проблемами, связанными с данными. Третья роль – «креативщики», свободные художники, способные заниматься всем. Они получают задачу и сами ищут пути ее решения. Наконец, существует и предпринимательский образ специалиста, где больше бизнеса и меньше всего остального.

Если же говорить о квалификации специалистов, то их градация совпадает с традиционной шкалой «junior – middle – senior», принятой среди программистов, однако этапы развития несколько другие. Разница между их уровнями заключается не столько в знаниях и опыте, сколько в уровнях ответственности и способности самостоятельно решать задачи в том виде, в каком они поступают от бизнеса, – старшему или ведущему специалисту можно отдать задачу целиком на откуп. В этом случае взаимодействие будет идти в следующем формате: руководитель направления обращается к специалисту, жалуется на проблему (например, в компании снижается средний чек) и интересуется, что можно с этим сделать. Ведущий data scientist через неделю возвращается к нему с решением и предлагает варианты действий.

Специалист среднего уровня – тот, кто к такому взаимодействию с бизнесом пока только стремится. За ним периодически надо присматривать, но он все же может брать некоторые задачи в бизнес-формате и решать их. Специалисты низшего уровня готового бизнес-решения точно не дадут. Скорее всего, результатом их работы будет готовая к работе модель, способная предсказывать, но еще не имеющая бизнес-ценности. Весь анализ, каким бы хитроумным он ни был, в конечном счете требуется привязать к какому-то решению – сократить производственные линии, закупить дополнительный трафик для увеличения продаж и т. п.

Сотрудники двигаются по карьерной лестнице не потому, что они получили ученую степень и теперь их ценность резко возросла. Их рост обеспечивается общим количеством реализованных проектов и накопленным опытом, и крайне желательно, чтобы этот опыт был тесно связан с бизнесом, с пониманием того, как проводимый анализ помогает работе компании.

Личные связи решают всё

Проблема, как и во многих других областях, заключается в том, что высококлассных специалистов мало. Как особенность можно выделить то, что с ними очень легко проводить собеседование – речь пойдет о портфолио и реализованных проектах. «Навешать лапши на уши» обеим сторонам при этом сложно.

Младших специалистов и тех, кто хочет ими стать, напротив, очень много, в том числе людей, прослушавших пару курсов и требующих зарплату почти как в Кремниевой долине. И как раз сложнее всего нанимать именно таких сотрудников. Ведь в перспективе мы хотим, чтобы они росли, становились все более самостоятельными и лучше разбирались в области.

Алексей Натекин, основатель компании Data Mining Labs: «Самое важное в интервьюировании тех, кто называет себя data scientist, – как можно больше говорить с ними об их практическом опыте и реализованных проектах»

«Можно нанять 10 человек с красными дипломами Физтеха, однако невозможно угадать, кто из них окажется достаточно одаренным, чтобы самостоятельно “затащить” какой-либо проект. Это сложные психологические нюансы, которые приходится выявлять в процессе общения с человеком», – отмечает Натекин.

Специалистов средней руки также достаточно много, их можно найти за разумное количество встреч с кандидатами, отсеивая переоценивающих себя начинающих. А вот высококлассных экспертов обычным поиском не найти.

«Если разместить такую вакансию на каком-либо рекрутинговом сайте, откликнется много неадекватных личностей, ни одного из которых вы не захотите пригласить к себе в офис для беседы», – полагает Натекин. Нужных специалистов приходится искать либо с помощью профессиональных хедхантеров, либо через личные связи и сообщества. Остальных вполне можно найти в открытых источниках и даже через академические связи и мероприятия. Впрочем, это касается многих категорий специалистов.

Самый эффективный вариант поиска специалистов высшего уровня – спросить рекомендацию у их коллег. Особенно им нравится, когда они могут напрямую пообщаться с людьми из команды потенциального работодателя. Это помогает и заранее познакомиться, и оценить свои перспективы. Таким образом, личные связи – самый быстрый и эффективный способ найма нужных людей.

«Самое важное в интервьюировании тех, кто называет себя data scientist, – как можно больше говорить об их практическом опыте и реализованных проектах, интересуясь причинами выбора тех или иных подходов и альтернативными вариантами решения задачи», – рекомендует Натекин. Есть большое количество «коварных» вопросов для собеседований, верные ответы на которые можно просто выучить. Интересующую компании теорию тоже можно зазубрить в процессе хождения по компаниям. А вот портфолио сфабриковать крайне сложно, если проекты есть – они видны. Причем в качестве своего багажа проделанной работы можно показывать не только коммерческие проекты, которые вы делали для компании. Вполне подойдут работы с хакатонов и конкурсов, и даже домашние проекты. Все это – явный признак наличия за плечами определенного опыта.

С правом на ошибку

Область data science очень динамична, и совершенно неудивительно, что среднее «время жизни» специалиста в компании невелико. Кроме того, создаваемые аналитические подразделения часто «не взлетают», и люди, не видя радужных перспектив, находят себе новое место работы еще до завершения испытательного срока.

Что может пойти не так и что можно сделать, чтобы специалисты задерживались в компании дольше?

Первое, что надо знать при открытии практики data science, – как можно лучше представлять себе, для чего она открывается. Как правило, речь идет о внутренней поддержке каких-либо аналитических процессов или продуктов. Основные проблемы связаны именно с непониманием своих потребностей: часто в компании есть масса данных, которые хочется хоть как-то использовать.

Первое, что надо знать при открытии практики data science, – как можно лучше представлять себе, для чего она открывается

«Само подразделение не начнет зарабатывать деньги и не станет конвейером ценных знаний. Нужно понимать, кого и зачем вы нанимаете», – говорит Натекин. Кроме того, не стоит смешивать вакансии – для каждой из них необходим свой набор навыков. Специалист по машинному обучению должен строить модели, а не заниматься конвейером данных.

Как нетрудно догадаться, далеко не все проекты оказываются успешными, поэтому неплохо, если частью культуры станет право на ошибку. Вероятность ошибиться есть всегда, и бояться этого не надо. Главное – уметь объяснить, где и почему была сделана ошибка. Это тоже ценный результат, он поможет сэкономить время в будущем.

Наконец, необходимо концентрироваться на быстрых, прототипных решениях. Надо быть готовым к тому, что большинство результатов будут отрицательными. Требуется как можно быстрее выделять те, которые оказались удачными, поэтому не стоит увлекаться длительными масштабными работами.

«Если вы хотите, чтобы кандидаты не врали на собеседованиях, не врите в вакансиях. Например, очистка данных является рутинной, но необходимой процедурой любого проекта. Об этом следует честно сказать в вакансии, не ограничиваясь лишь привлекательными творческими обязанностями», – уверен Натекин.

При выборе инструментов надо ориентироваться на открытые платформы. Они чрезвычайно популярны в среде разработчиков, и не стоит верить заказным исследованиям Gartner, называющим в числе лидеров известные коммерческие продукты. Выбор специалистов не случаен: разработка на свободных продуктах удобна и не менее качественна, чем на проприетарных решениях. И ни в коем случае не надо объяснять специалисту, как ему следует работать, особенно если сам далек от этой области.

Аналитики McKinsey еще в 2012 году предсказали громадный дефицит специалистов по данным, который только в США к 2018 году должен был составить от 140 до 190 тыс. человек. Этот прогноз часто цитировался, но никто не обратил внимания на следующий абзац того же отчета, говорящий о том, что будет не хватать 1,5 млн менеджеров, способных задавать аналитикам правильные вопросы.

Машинное обучение стало очередной модой в бизнес-технологиях, но о специфике его применения нередко забывают.

«Основная проблема заключается в том, что наука о данных, как ни крути, является наукой, а бизнес не очень-то хорошо приспособлен использовать научные методы при принятии решений», – считает Евгения Завалишина, генеральный директор компании Yandex Data Factory, которая специализируется на машинном обучении и анализу данных.

Этот проект родился в недрах технологической компании «Яндекс» — оператора крупнейшего в России поисковика. В декабре 2014 года в «Яндексе» решили развивать направление наук о данных (Data Science), поддерживавшее их флагманский продукт, и приступили к разработке сервисов машинного обучения для отраслевых приложений.

Новая компания выделилась из «Яндекса» в конце 2014 года. Сервисы машинного обучения и иссдедования данных используются в YDF для создания прогнозных моделей при организации целевых рекламных кампаний, расчете оптимальных складских запасов для магазинов и т.д.

«Поручая своим сотрудникам какую-то работу, вы обычно рассчитываете получить ожидаемый результат, – отметила Завалишина. – Но с исследователями данных работа строится по-другому, потому что в науке о данных нельзя ожидать гарантированных результатов».

Отрицательный результат может оказаться вполне нормальным итогом любого проекта в области исследования данных, и бизнес-менеджерам необходимо это учитывать.

Логика выше интуиции

Работа с исследователями данных требует особого подхода к бизнесу, в котором логика ставится выше интуиции. Другими словами, все зависит от фактов и логических заключений из них.

Ставить исследователям данных задачи, которые они искренне считают бессмысленными, фактически бесполезно.

«Они воспринимают такие задачи как деление на ноль, не имеющее смысла, – поясняет Завалишина. – И вы просто не в состоянии заставить их делать это, не можете мотивировать людей делить на ноль. Им начинает казаться, что вы идиот, а это не отнюдь не способствует укреплению производственных отношений».

Нужно, чтобы исследователи поверили в то, что его реализация имеет смысл. При попытке улучшить систему с помощью машинного обучения им нужно иметь достаточный объем данных для получения осмысленных результатов.

«Многие решения в бизнесе принимаются интуитивно, поэтому в обычной ситуации измерять все нет необходимости, – добавил исполнительный директор YDF Александр Хайтин. – Но когда речь идет о проекте, в который вовлечены исследователи данных, нельзя просто указать им: 'Делайте так-то и так-то, у меня есть ощущение, что это должно получиться'. Подобный подход не работает».

Правильная постановка вопроса

Модели в предсказательной аналитике строятся на гораздо более сложных по сравнению с традиционными статистическими системами алгоритмах. Порой их сложно объяснить.

В розничной торговле наука о данных зачастую используется для улучшения прогнозирования пополнения запасов при еженедельном оформлении заказов. Результаты могут оказаться просто удивительными, но здесь надо учитывать так много факторов, что сам процесс становится трудноуправляемым.

«Объяснить все это тому, кто не в состоянии оценить сложность данных, просто невозможно, – заметила Завалишина. – А не объяснив, исходя из одного лишь здравого смысла, вы не сможете понять, насколько это хорошо. Нужно четко знать, что именно вы хотите улучшить и как будут оцениваться результаты. Здесь нет места 'свободному творчеству'. Вы должны быть уверены, что точно знаете, что вы хотите улучшить, и как вы измеряете результаты. Такой подход напоминает разговор с математиками: вы получаете ответ в точном соответствии со сформулированным вами вопросом».

Если вопрос был задан неверно, ждать правильного ответа не стоит. И в этом заключается общая проблема, ведь компании зачастую не уделяют достаточного внимания планированию своих целей и оценке их достижения.

«Мы работали с одной крупной розничной компанией, и нас попросили построить модель, которая прогнозировала бы продажи каждого конкретного товара на предстоящую неделю, – вспоминает Завалишина. – Мы попытались проделать это с одним товаром, однако заказчик быстро понял, что использовать результаты такого прогнозирования на практике невозможно».

Модель была точной, но дело в том, что компания заказывала товар в упаковках по шесть единиц, а не по одной. И если на следующей неделе прогнозировалась продажа семи единиц, возникал вопрос: заказывать одну упаковку или две? Может показаться, что разница невелика, но тут начинали появляться ошибки. Модель стала совершенно иной, потому что параметры оптимизации оказались сдвинутыми.

Наука о данных требует тщательного планирования. Компания получила правильный ответ, но ей изначально следовало задать совсем другой вопрос.

Неудачи на пути к успеху

Модель оптимизации складских запасов, предложенная другому розничному продавцу, касалась экзотических и дорогостоящих товаров, которые продавались довольно редко, и с этой точки зрения заказывать их на склад смысла не было вообще. Но абсолютно логичное в математическом отношении решение не всегда годится для бизнеса. Ведь эти позиции играли решающую роль в формировании имиджа магазина и его клиентской базы.

«В процессе реализации вашего первого проекта, связанного с исследованием данных или машинным обучением, вам почти наверняка придется возвращаться назад и переосмысливать основные цели и ключевые параметры», – подчеркнула Завалишина.

Обычно YDF рекомендует своим клиентам начинать с коротких специализированных проектов, чтобы избежать долгосрочных инвестиций в проект, который в конечном итоге может дать результаты, которыми не удастся воспользоваться на практике. Такой подход помогает двигаться вперед поэтапно, постепенно внося необходимые улучшения.

Еще у одной компании имелась собственная система, выявлявшая, каким клиентам направлять те или иные предложения. В YDF посоветовали воспользоваться статистической рекомендательной моделью, в которой алгоритм машинного обучения применялся к случайному срезу клиентской базы. Оставшаяся группа клиентов по-прежнему обрабатывалась с помощью прежней системы, а затем компания сравнивала результаты, рассчитывая уровень конверсии предложений в продажи.

Однако на практиве была выявлена нестыковка, которая заключалась в том, что предложения контрольной группе рассылались в пятницу, а экспериментальной группе – в выходные. А разные шаблоны поведения в разное время делали любое сравнение бессмысленным.

Руководители часто обращаются к YDF с просьбой организовать на их предприятиях курсы машинного обучения и ознакомления с наукой о данных, позволяющие понять, какую выгоду организация может извлечь из этих технологий.

«Обычно мы отказываем в таких запросах, потому что не видим смысла в подобном обучении, – призналась Завалишина. – Подготовить собственных исследователей данных все равно не удастся, и курсы клиентам тут не помогут. Если вы хотите применять соответствующие технологии в своей работе, нужно изучать научные методы и использовать их. Для того чтобы технология приносила результаты, бизнесу необходимо прививать более научный подход».

Поправка на неопределенность

Бизнесу следует впитывать в себя научную культуру. Отрицательные результаты еще не означают, что работа провалена — они лишь свидетельствуют о том, что оптимизация не завершена.

Еще один важный момент связан с зонами ответственности в корпоративной культуре. Однажды в YDF обратился клиент, желающий оптимизировать свои рекламные расходы. Разработанный по его заказу алгоритм обещал тот же уровень отклика при сокращении затрат на 20%.

Однако полученные итоги породили больше вопросов, чем достижений. Дело в том, что бонусы персоналу, отвечавшему за проект, выплачивались за составление планов и принятие решений, обеспечивавших оптимизацию результатов.

«Теперь же у них появилась модель, выдававшая рекомендации и математически доказывавшая, что выполнение этих рекомендаций повлечет за собой улучшение результатов, но проблема заключалась в том, что все это непосредственно входило в их зону ответственности», – пояснила Завалишина.

Проекты, связанные с наукой о данных, предполагают иное распределение сфер ответственности и иные приоритеты по сравнению с теми, что были приняты в бизнесе до сих пор. В нашем случае участникам команды предлагалось внедрить модель, которая привела бы к сокращению их бонусов.

«Использование научного подхода более рационально, но может провоцировать конфликтные ситуации, – отметил Хайтин. – Как минимум, нарушается обычный порядок принятия решений. Эксперт, к примеру, заявляет, что у него появилась идея, и он интуитивно чувствует, что она сработает. У нас же в руках имеется определенный инструмент, который позволяет точно вычислить результат. Это совершенно иная ситуация, и тут нет места интуиции».

Вот еще один пример. Специалисты YDF совместно с крупным сталелитейным предприятием работать над оптимизацией соотношения материалов, используемых в производственном цикле. Увеличение доли определенной добавки улучшало качество, но одновременно приводило к удорожанию конечной продукции.

Опираясь на статистические данные для построения точной модели наилучшего сбалансирования качества и стоимости, в YDF остановились на составе, предлагавшемся алгоритмом машинного обучения.

«Но часто такие рецепты не имеют смысла, – призналась Завалишина. – Взглянув на них, представитель заказчика утверждает, что они неприемлемы. Выбирается другой вариант. С одной стороны, вы проводите оптимизацию, а с другой — вам приходится считаться с предпочтениями экспертов. Они же, как правило, отвергают 80% ваших рекомендаций. Мы разработали другое решение, которое анализировало вероятность принятия заказчиком предложенного состава. Дальнейшая работа делала его чуть менее оптимальным с математической точки зрения, но повышала вероятность его принятия человеком».

Нас все чаще пугают тем, что искусственный интеллект вполне способен уничтожить человечество, однако пока именно союз человека и инструментов машинного обучения составляет основу того, что называют наукой о данных.

- Tom Macaulay. How to use data scientists and machine learning in the enterprise. Computerworld UK. MAR 23, 2017 

Посмотрите, кто входит в число топ-менеджеров любой современной крупной компании, и вы наверняка увидите должности, которых еще несколько лет назад здесь не было: директор по данным (chief data officer), главный специалист по данным (chief data scientist), директор по аналитике (chief analytics officer) и т. д.

Данные присутствуют сегодня повсеместно и оказывают влияние не только на деятельность руководства компаний.

Вечная гонка в мире бизнеса заставляет компании собирать как можно больше данных как можно быстрее. При этом вопрос, как превратить эти огромные объемы в практическую ценность, оставляется на потом. Но сегодня это «потом» уже наступило, а в организациях ощущается острая нехватка специалистов по данным. К тому же планы по «выращиванию» таких специалистов имеются лишь в очень немногих компаниях.

Фактически на любом уровне организации сотрудники вынуждены иметь дело с растущими объемами данных, из которых необходимо извлекать полезную информацию. И сегодня требования к кандидатам на замещение любой вакантной должности серьезно изменились.

«Современные работники должны хорошо ориентироваться в данных, – указал профессор бизнес-анализа Университета Цинциннати Джеффри Камм. – Быть ученым по данным требуется не от каждого, но каждый должен учиться использовать данные для принятия более обоснованных решений».

Легко сказать, однако реализовать такое на деле весьма непросто. Разрабочики корпоративного программного обеспечения уже начали внедрять в свои продукты новые, более простые инструменты, но в большинстве случаев задачи адаптации рабочей силы к меняющимся требованиям все равно ложатся на плечи компаний и вузов.

«Насколько я вижу, на практике сотрудников сегодня нужно готовить к двум основным ролям – аналитика данных и потребителя данных, – отметил Камм. – Уже сейчас предлагается более 100 программ подготовки аналитиков и исследователей данных с выдачей диплома магистра – гораздо больше, чем было всего несколько лет назад. Университеты прислушиваются к пожеланиям отрасли и разрабатывают очень хорошие программы в области анализа. Более сложной задачей мне представляется поиск наилучшего способа обучения оставшейся части персонала, начиная от администраторов торговых залов и операторов контакт-центров и заканчивая представителями высшего руководства. Независимо от их роли фундаментальный вопрос заключается в следующем: какими навыками анализа данных должен обладать человек для более качественного выполнения своей работы?»

К примеру, Университет Цинциннати предлагает различные курсы профессиональной подготовки в области обработки и анализа данных: «Современные методы добычи данных», «Анализ в Excel», «Предписывающий анализ: постановка и решение задач оптимизации» и целый ряд других.

Однако подобные программы пока остаются редкостью. «В целом университеты традиционно не преуспевают в обучении будущих менеджеров математическим и статистическим методам, – указал Том Дэвенпорт, профессор Колледжа Бэбсона, один из авторов курса количественного анализа. – Студенты не особо любят количественный анализ. А дополнительная неделя, выделяемая на эту дисциплину, посвящена скорее факторному анализу, чем количественному анализу в целом. И это большая проблема».

Ее решением занялся стартап DataCamp. Компания, основанная полтора года назад, предлагает студентам и профессионалам в области информационной экономики доступные интерактивные интернет-курсы, посвященные анализу данных.

В программе курсов рассматриваются темы визуализации данных, динамических отчетов, программирования на языке R и Больших Данных. Однако ее авторы не придерживаются традиционных академических форматов. При изучении материала используются короткие видеоуроки и интерактивные задачи по программированию. Доступ к ним осуществляется через браузер. Некоторые занятия проводятся бесплатно, а желающие получать материалы в полном объеме могут оформить подписку стоимостью 25 долл. в месяц или 250 долл. в год. Стандартных дипломов DataCamp не выдает, но студенты получают значки и сертификаты о прохождении определенных курсов обучения.

«В течение первого года у нас прошли обучение 100 тыс. человек, – сообщил один из основателей и генеральный директор DataCamp Джонатан Корнелиссен. – Это показывает, что в мире существует реальная потребность в изучении анализа данных. Мы же видим свою миссию в поиске новых подходов к обучению по соответствующей тематике. Около 70% студентов DataCamp являются профессионалами, работающими в мире бизнеса. В своей деятельности им приходится постоянно сталкиваться с данными, которые требуют визуализации и понимания».

Будущие планы интернет-школы предусматривают создание курсов по очистке данных, манипулированию ими и моделированию.

Образовательные программы – лишь один из подходов, помогающий сотрудникам воспринимать данные по-новому, но далеко не единственный. Некоторые организации отдают предпочтение другим – гораздо более необычным направлениям.

Центр эпигеномики Медицинского университета им. Альберта Эйнштейна в Нью-Йорке поддерживает контакты с художником Дэниелом Коном, который помогает по-новому взглянуть на генетические данные.

«Мне интересен сам процесс создания смысловой нагрузки, – заметил Кон, проработавший в течение десяти лет художником в Институте Броуда, где занимаются расшифровкой генома. – Люди полагают, что все, что мы видим, существует на самом деле, и нам всего лишь нужно это усвоить».

Родившийся в Индии и выросший во Франции, Кон впитал в себя множество различных культур, а художественное образование помогает ему придерживаться необычных подходов. «Согласно общепринятому мнению, любую ситуацию можно рассматривать с разных точек зрения, – говорит он. – На полотне мы изображаем предмет не таким, какой он есть на самом деле, мы рисуем его с учетом определенных традиций».

Аналогичным образом, при взгляде на научные данные очень важно иметь точное представление о научных традициях, положенных в основу избранного подхода, а также понимать, что традиции эти являются не единственным возможным вариантом.

На любом уровне организации сотрудники вынуждены иметь дело с растущими объемами данных, из которых необходимо извлекать полезную информацию

Распространено мнение, что для оперирования Большими Данными нужны лишь более мощные машины и улучшенные алгоритмы. «На мой же взгляд, для понимания окружающей нас реальности нужны новые метафоры, – считает Кон. – Истории, закладывающие новый смысл. Для мира, который меняется вокруг нас, нужны новые, соответствующие ему правила».

«Подход Кона может быть полезен, – признал директор Центра эпигеномики Джон Грейли. – Его сила заключается в его наивности и оторванности от темы. После показов он задает вопросы. Почему эта диаграмма представлена в синих и красных тонах? Что, если после щелчка по точке откроется новое измерение? У него отличное визуальное восприятие, и это заставляет нас искать что-то новое. Есть надежда, что, побуждая ученых выходить за рамки традиционного для них мышления, он зародит искры понимания, имеющие самые неожиданные источники».

«Многие открытия совершались благодаря счастливому случаю, – указал Кон. – Ученые испытывали озарение, не имеющее рационального объяснения».

«Таким образом, нам нужны новые инструменты визуализации, позволяющие выносить интуитивные суждения о данных и не требующие полного представления о функционировании систем, – сделал вывод Грейли. – Партнерство наше продолжается всего полтора года, и оценивать все его преимущества еще слишком рано. Пока же можно сказать, что выбираемые нами сейчас формы визуального представления сложнее, чем традиционно используемые стандартные температурные карты и диаграммы разброса».

«Аналитики принимали косвенное участие в принятии бизнес-решений в прошлом, но сегодня в этом процессе им отводится фактически центральная роль», – заметил Кирк Борн, ученый по данным и профессор Университета Джорджа Мейсона.

А это, в свою очередь, требует новых подходов, основанных на множестве различных дисциплин. Компаниям же нужен достаточно широкий круг сотрудников, обладающих навыками анализа данных.

Оркестр, все музыканты которого владеют инструментом одного типа, не добьется больших успехов. Команда должна состоять из исследователей данных, которые дополняют друг друга и способны вместе выдать отличную музыку.

– Katherine Noyes. Companies must teach employees how to swim in new oceans of data.IDG News Service. 05/01/2015