💪 Нужен ли ML аналитикам?

Перед тем как стать продуктовым аналитиком, я собирался стать дата-сайентистом и усиленно изучал машинное обучение. Потом вдруг оказалось, что код в ноутбуках особо не нужен, а нужны сложные работающие и поддерживаемые сервисы. А для этого нужны уже ML-инженеры. Но потом оказалось, что на самом деле компаниям нужны не супер крутые нейронки или бустинги, а получать прибыль и иметь для этого инструменты. И машинное обучение - лишь один из них.

Поэтому если вы сейчас аналитик, то я бы предложил относиться к ML как к классному и полезному в некоторых задачах инструменту. Это определенно не то, что стоит начать изучать сразу после базового питона и sql. Если посмотреть на развитие аналитики в разных компаниях, то к использованию ML приходят далеко не в самом начале. Главное в начале - иметь надежное хранилище данных, настроенную отчетность, платформу для А/Б-тестов и аналитиков, которые стабильно будут приносить продукту инсайты, которые помогут ему расти.

Тем не менее, в какой-то момент карьеры и зрелости компании можно задуматься о том, что ML все-таки полезно иметь в своем арсенале. Прогнознные модели финансовых показателей, сегментации, предсказание оттока, да даже продвинутые эксперименты (CUPAC и вот это все) и Casual Impact - это то, что определенно приносит пользу бизнесу. А для реализации не всегда нужен именно ML-инженер, вероятно Data Engineer вместе с аналитиком может настроить хорошие базовые пайплайны и поддержку моделей.

В некоторых компаниях в вакансиях продуктовых аналитиков уже сейчас в требования входит знание ML (но в основном это скорее желательно, а не обязательно). Мне лично нравится потенциальная эволюция продуктовых аналитиков в то, что в Meta называют Product Data Scientist - аналитик со знаниями ML и хорошо разбирающийся в экспериментах.

Так что кажется пока что ML все еще не необходимость, но полезный скилл, который выделит вас на фоне коллег и откроет вам больше возможностей. Ну и как же круто - вы можете немного побыть волшебником и попредсказывать будущее ✨

Чтобы начать, я бы посоветовал курсы на kaggle - там можно быстро понять основы и попробовать ML на практике. Вот курс с введением в ML.
А для чуть более глубокого понимания есть недавно переработанная специализация от Andrew Ng на Coursera, ставшая уже классикой.

А что вы думаете о необходимости знания ML аналитикам? Делитесь в комментариях!

#ml