Знаете, что общего между плотностью металла и алгоритмами машинного обучения? Еще несколько лет назад я бы и сам не нашел ответа. Но именно любопытство, помноженное на желание видеть за цифрами реальные процессы, привело меня в удивительный мир Data Science. Меня несколько раз спрашивали, как экономист становится Data Scientist’ом, и каждый раз я отвечаю: “Это не самый прямой путь, но точно один из самых интересных!”. В этот раз я расскажу свою историю – о взлетах и падениях, о заводе и консалтинге, о том, как я учился превращать данные в решения. Надеюсь, мой опыт будет полезен тем, кто задумывается о смене профессии, и покажет, что никогда не поздно найти свое призвание.
Моя история началась с экономики. После школы я, можно сказать, случайно попал на “Мировую экономику” – хотел на “Экономику предприятия”, но в последний момент увидел новую специальность и рискнул. Рискнул, потому что подавал документы только в один ВУЗ, а вступительный экзамен по немецкому был для меня настоящим испытанием (школьный язык давался с трудом). Но я справился!
Учеба в университете была непростой. Я пытался совмещать ее с подработками, и в какой-то момент чуть не вылетел – пришлось сделать выбор в пользу образования. К счастью, я вовремя одумался, и к концу обучения у меня уже был готов дипломный проект (писал его параллельно с последней курсовой). Благодаря этому, еще до защиты диплома, я получил предложение работать экономистом на заводе.
Это был уникальный опыт! Экономики на предприятии не было лет десять: ни актуальных норм расходов, ни систем учета. Но был огромный багаж знаний у начальника производства, и это стало отправной точкой. Я с головой погрузился в изучение технологических процессов, штудировал техническую литературу, консультировался с преподавателями, специалистами. Вместе с начальником производства и специалистом по мотивации мы, по сути, создали с нуля систему управления: внедрили зачатки управленческого учета, разработали систему мотивации для ремонтного цеха и, самое главное, построили систему калькуляции себестоимости, которая учитывала все – от плотности металлов до амортизации оборудования. За время работы нам удалось не просто построить управленческий учет, но и получить реальные эффекты: снизить издержки и повысить производительность. Если получится найду записи, то добавлю сюда конкретные цифры.
Я почувствовал драйв. Завод находился очень далеко от моего дома. Я вставал в 5 утра, и на первой электричке ехал на работу, когда читал, а когда спал в дороге, но я получал удовольствие. Я продолжил работать в реальном секторе, занимался постановкой бюджетирования и управленческого учета на разных предприятиях. Были и взлеты, когда вместе с командой удавалось вывести компании из кризиса, внедрив системы отчетности (даже делали прототипы дашбордов!). Были и падения, когда сталкивался с сопротивлением менеджмента или собственников, не желающих менять привычный уклад. Были случаи, когда из правильно построенных отчетов раскрывали схемы хищений, когда воровали фурами.
Со временем я дорос до финансового директора. Настольной книгой в то время был Лев Слуцкий и его “Прогнозирование”. Но меня не покидало ощущение, что многие решения принимаются “на ощупь”, без глубокого анализа причин и динамики. Хотелось большего – не просто видеть цифры, но и понимать, что за ними стоит, прогнозировать, влиять на будущее. А главное донести до владельцев и руководителей необходимость перемен.
Именно это желание привело меня в консалтинг. Меня пригласили руководителем проекта в компанию, которая занималась автоматизацией управленческого учета и бюджетирования на базе собственной разработки. Это был совершенно новый уровень! Я занимался всем: от построения аналитики и разработки систем управления до оргпроектирования и систем мониторинга. Каждый проект был уникальным, каждый требовал полного погружения и нестандартных решений. Помню, как мы с командой “вытащили” из кризиса оптовую компанию, внедрив систему мониторинга ключевых показателей и оптимизировав логистику, только на основании простых отчетов!!!
Но жизнь вносит свои коррективы. Рождение дочери, один экономический кризис, другой… В консалтинге, где все держится на проектах, стало сложнее. К тому же, меня стало тяготить отсутствие контроля над внедрением. Ты разрабатываешь стратегию, вкладываешь душу, но не всегда можешь повлиять на команду, которая реализует проект на стороне заказчика. Не видишь конечного результата, не можешь довести дело до конца. Это было похоже на то, как если бы ты растил ребенка, но не мог его видеть. И я решил вернуться в реальный сектор.
Сначала вернулся на позицию финансового директора, а затем получил предложение от знакомых, которые запускали новый бизнес, перейти к ним финансовым аналитиком. Задачи были очень интересными, команда – потрясающая, и я согласился. Здесь я впервые столкнулся с продуктовой аналитикой, погрузился в мир Unit-экономики и MVP. Пришлось снова учиться – осваивать Python, чтобы повысить качество прогнозов и моделей, учесть ассортиментную загрузку производства, отгрузки и розничные продажи. Мы запустили производство во второй половине 2019 года, а в 2020-м грянул кризис… Инвесторы прекратили финансирование, начались сокращения, и в итоге проект закрыли. Это был тяжелый удар.
Но, как говорится, нет худа без добра. После этой истории я попал в команду, где аналитика была поставлена на принципиально иной уровень. Здесь модели использовались для принятия управленческих решений, а за обедом руководители обсуждали математический аппарат кластеризации. Я понял, что это уже не просто аналитика, что-то новое. Так я открыл мир Data Science, с целым арсеналом инструментов и методов, о которых я раньше только слышал.
Пришлось снова учиться – осваивать Python, SQL на более глубоком уровне: библиотеки pandas, scikit-learn, погружаться в теорию машинного обучения. Я начал работать с алгоритмами классификации и регрессии, строить прогнозные модели, анализировать большие объемы данных. Сейчас в моем стеке: Python, SQL, scikit-learn, Catboost, Pytorch и др.. Среди моих недавних проектов – разработка модели прогнозирования рентабельности работы по новым клиентам, на рынке B2B.
Заключение:
Так, шаг за шагом, я прошел путь от экономиста до Data Scientist’а. И это не конечная точка – я продолжаю учиться и развиваться, ведь мир данных постоянно меняется.
Какие цели я ставлю перед собой сейчас?
- Углубить знания в области Deep Learning и применять обучение с подкреплением для решения более сложных задач.
- Развивать навыки MLOps, чтобы создавать production-ready решения и автоматизировать процессы машинного обучения.
А какой у вас был путь в профессию? Сталкивались ли вы с подобными вызовами? Давайте обсудим!