"ဟုတ်တယ်၊ သူတို့ရှိတယ်!" ကာဇက်စတန်ရှိ Data Science ပါရဂူများသည် ဘာလုပ်ကြပြီး ၎င်းတို့သည် မည်မျှဝင်ငွေရသနည်း။

Dmitry KazakovKolesa Group မှ ဒေတာခွဲခြမ်းစိတ်ဖြာရေးအဖွဲ့ခေါင်းဆောင်၊ ဒေတာပညာရှင်များ၏ ပထမဆုံး ကာဇက်စတန်စစ်တမ်းမှ ထိုးထွင်းသိမြင်မှုများကို မျှဝေပါသည်။

ဓာတ်ပုံထဲမှာ Dmitry Kazakov

Big Data သည် ဆယ်ကျော်သက်လိင်နှင့် အလွန်တူသည့် ရေပန်းစားသော စကားစုကို သတိရပါ - လူတိုင်းက ၎င်းအကြောင်းကို ပြောဆိုနေကြသော်လည်း ၎င်းမှာ အမှန်တကယ်ရှိမရှိကို မည်သူမျှ မသိနိုင်ပါ။ ဒေတာအထူးကျွမ်းကျင်သူများ (ကာဇက်စတန်တွင်) စျေးကွက်အကြောင်းလည်း အလားတူပြောနိုင်သည် - ဖောင်းပွနေသည်၊ သို့သော် နောက်ကွယ်တွင် မည်သူရှိမည်နည်း (ထိုနေရာတွင် မည်သူတစ်ဦးတစ်ယောက်မျှ ရှိမရှိ) လုံးဝမရှင်းလင်းပါ - HR အတွက်ရော၊ မန်နေဂျာများရော ၊ အချက်အလက် သိပ္ပံပညာရှင်များ ကိုယ်တိုင်။

ငါတို့ လွန်တယ်။ လေ့လာ၎င်းတို့သည် ၎င်းတို့၏လစာများ၊ လုပ်ဆောင်ချက်များ၊ ကျွမ်းကျင်မှု၊ ကိရိယာများနှင့် အခြားအရာများအကြောင်း ကျွမ်းကျင်သူ 300 ကျော်ကို စစ်တမ်းကောက်ယူခဲ့သည်။

Spoiler- ဟုတ်တယ်၊ သူတို့က သေချာပေါက်ရှိတယ်၊ ဒါပေမယ့် အရာအားလုံးက ဒီလောက်မရိုးရှင်းပါဘူး။

ဥာဏ်ကောင်းတယ်။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့ မျှော်လင့်ထားသည်ထက် ဒေတာသိပ္ပံပညာရှင်များ ပိုများသည်။ အထူးသဖြင့် ကျေနပ်စရာကောင်းသော ကုန်ပစ္စည်း၊ စျေးကွက်ရှာဖွေရေးနှင့် BI ခွဲခြမ်းစိတ်ဖြာသူများသာမက ML နှင့် DWH အင်ဂျင်နီယာများပါ လူ 300 ကို ကျွန်ုပ်တို့ အင်တာဗျူးနိုင်ခဲ့ပါသည်။ အကြီးဆုံးအုပ်စုတွင် သူတို့ကိုယ်သူတို့ ဒေတာသိပ္ပံပညာရှင်များဟု ခေါ်ကြသူများ အပါအဝင် ဖြေဆိုသူများ၏ ၃၆% ရှိသည်။ စျေးကွက်ကိုယ်တိုင်က ဖွဲ့စည်းတည်ဆောက်နေတာကြောင့် ဒါက စျေးကွက်ရဲ့ ဝယ်လိုအားကို အကျုံးမဝင်ဘူးဆိုတာ ပြောဖို့ခက်ပါတယ်။

အလုပ်အဆင့်များ ခွဲဝေခြင်းသည် ရှုပ်ထွေးသည် - အဖွဲ့ခေါင်းဆောင်များနှင့် မန်နေဂျာများသည် အငယ်တန်းများကဲ့သို့ အများအပြားနီးပါး ရှိနေသည်။ ဤအတွက် အကြောင်းရင်းများစွာ ရှိနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ ခေါင်းဆောင်သည် အလယ်အလတ် သို့မဟုတ် အကြီးတန်းအဆင့် အထူးကျွမ်းကျင်သူဖြစ်နိုင်သည့် လူ 2-3 ဦးရှိသော အဖွဲ့ငယ်များစွာရှိသည်။

နောက်တချက်ကတော့ အခန်းကဏ္ဍများနှင့် လုပ်ဆောင်နိုင်စွမ်းများ ဖြန့်ဖြူးခြင်းဆိုင်ရာ စံချိန်စံညွှန်းများနှင့် ပတ်သက်၍ စျေးကွက်အတွင်း လက်ရှိ ပရမ်းပတာ ဖြစ်နေခြင်း ဖြစ်နိုင်သည်။ ကျွမ်းကျင်မှုနှင့် အသိပညာအဆင့်ကို ရည်ညွှန်းခြင်းမရှိဘဲ အခြားသူများထက် တစ်နှစ် သို့မဟုတ် နှစ်နှစ်ကြာအောင် လုပ်ဆောင်သူများကို တစ်ခါတစ်ရံတွင် အဖွဲ့ခေါင်းဆောင်များကို တာဝန်ပေးအပ်သည်။ ရာထူးအလိုက် လုပ်ငန်းဆောင်တာများ ခွဲဝေမှုတွင် ဤအရာကို ကျွန်ုပ်တို့မြင်ရသည် - မန်နေဂျာများနှင့် အဖွဲ့ခေါင်းဆောင်များ၏ 38% သည် ကြိုတင်လုပ်ဆောင်ခြင်းတွင် ပါဝင်နေပြီး အခြား 33% သည် အခြေခံစာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုတွင် ပါဝင်နေပါသည်။

ဤတွင် ကျွန်ုပ်တို့သည် ဖြေကြားသူများကို ၎င်းတို့၏ကုမ္ပဏီများရှိ ခွဲခြမ်းစိတ်ဖြာမှုအဆင့်ကို ပုဂ္ဂိုလ်ရေးအရ အကဲဖြတ်ရန် တောင်းဆိုခဲ့သည်။ အနီးကပ်ကြည့်လျှင် လူ 10-2 ဦး၏ ခွဲခြမ်းစိတ်ဖြာမှုဌာနများတွင် အလုပ်လုပ်သော ဖြေဆိုသူ 3% သည် ၎င်းတို့တွင် "အဆင့်မြင့်သောအဆင့်" ရှိသည်ဟု သင်မြင်နိုင်သည်။

"အဆင့်မြင့်သောအဆင့်" ဆိုသည်မှာ အဘယ်နည်း။ BI စနစ်သည် ကောင်းမွန်စွာ အလုပ်လုပ်ပါသည်။ DWH နှင့် Big Data ရှိသည်။ A/B စမ်းသပ်မှုများကို ပုံမှန်ပြုလုပ်သည်။ ထုတ်လုပ်မှုတွင် အလုပ်လုပ်သော ML နှင့် DS စနစ်များရှိသည်။ ဆုံးဖြတ်ချက်များသည် အချက်အလက်ပေါ်အခြေခံ၍သာ ပြုလုပ်သည်။ Data processing and data science department သည် ကုမ္ပဏီ၏ အဓိကကျသော လုပ်ငန်းတစ်ခုဖြစ်သည်။

လူ ၂-၃ ယောက်ရှိသော ဌာနတစ်ခုဖြင့် အထက်ဖော်ပြပါများအားလုံးကို အောင်မြင်ရန် မဖြစ်နိုင်သလောက်ပင်။ ဤစစ်တမ်းရလဒ်သည် အနည်းငယ် နာကျင်မှုဝေဒနာ တိုးလာသည်ဟု ကျွန်ုပ်ထင်သည် - ယောက်ျားများသည် ၎င်းတို့၏ အဆင့်ကို ပို၍ ဓမ္မဓိဋ္ဌာန်ကျကျ ဆုံးဖြတ်နိုင်ရန် ၎င်းတို့နှင့် နှိုင်းယှဉ်ရန် မည်သူမျှ မရှိကြသေးပါ။

မျှော်လင့်ထားသည့်အတိုင်း၊ ဒေတာသိပ္ပံပညာရှင်များသည် ၎င်းတို့၏အချိန်အများစုကို အလွန်ရှုပ်ထွေးသော သင်္ချာ သို့မဟုတ် အင်ဂျင်နီယာဘာသာရပ်တွင်မဟုတ်ဘဲ ကြိုတင်လုပ်ဆောင်ခြင်း၊ ဒေါင်းလုဒ်လုပ်ခြင်းနှင့် ဒေတာရှင်းလင်းခြင်းအတွက် အချိန်ဖြုန်းကြသည်။ အထူးပြုမှုတိုင်းတွင် ထိပ်ဆုံး 3 ခုတွင် ကြိုတင်လုပ်ဆောင်ခြင်းကို ကျွန်ုပ်တို့တွေ့မြင်ရသည်။ သို့သော် ML နှင့် DWH အင်ဂျင်နီယာများကြားတွင်သာ ထိပ်တန်း 3 ခုတွင် Big Data နှင့် လုပ်ဆောင်ခြင်းကဲ့သို့သော ရှုပ်ထွေးသောအရာများကို ကျွန်ုပ်တို့ တွေ့ရခဲပါသည်။

ဝမ်းနည်းစရာ အသိအမြင် နှစ်ခုလည်း ရှိတယ်။ ကျွမ်းကျင်သူများသည် ၎င်းတို့၏ လုပ်ငန်းတာဝန်များ၏ ၄၀ ရာခိုင်နှုန်းကို ၎င်းတို့ကိုယ်တိုင် သတ်မှတ်ပေးသည်။ ကာဇက်စတန်တွင်၊ ယခုအချိန်အထိ ထိပ်တန်း unicorn ကုမ္ပဏီများသာ ဒေတာကြီးကြီးမားမားဖြင့် လုပ်ဆောင်ခြင်း၏ အကျိုးကျေးဇူးများကို ကြိုးစားပြီး ကျွမ်းကျင်စွာ လုပ်ဆောင်နိုင်ပုံကို သင်ယူခဲ့သည်။ Big Data နှင့် Machine Learning သည် အေးမြသည်ဟု စျေးကွက်သို့ ထုတ်လွှင့်ပြီး ဒုတိယ echelon သည် နောက်တွင် လိုက်နေသော်လည်း data နှင့် အလုပ်လုပ်ပုံအား အမြဲတမ်း နားမလည်ပါ။ ထို့ကြောင့်၊ ကျွမ်းကျင်သူများသည် ၎င်းတို့အတွက် အလုပ်များကို သတ်မှတ်ပေးသည်ကို ကျွန်ုပ်တို့မြင်ရပြီး စီးပွားရေးလုပ်ငန်းများသည် ၎င်းတို့လိုချင်သောအရာကို အမြဲမသိနိုင်ပါ။

ကျွမ်းကျင်သူတွေရဲ့ 20% က သူတို့ရဲ့ ကုမ္ပဏီမှာ Data Warehouse ရှိမရှိတောင် မသိတဲ့အတွက် အံ့သြမိပါတယ်။ ဟုတ်တယ်၊ ဒေတာဘေ့စ်စီမံခန့်ခွဲမှုစနစ်တွေနဲ့ဆိုရင် အရာအားလုံးက သိပ်ကောင်းမှာမဟုတ်ဘူး - 41% က MySQL ကိုသုံးပြီးတော့ 34% က PostgreSQL ကိုသုံးတယ်။ ဒါက ဘာကိုဆိုလိုတာလဲ။ ၎င်းတို့သည် သေးငယ်သောဒေတာဖြင့် အလုပ်လုပ်သည်။

သိုလှောင်မှုစနစ်များအကြောင်း မေးခွန်းတွင်၊ MySQL နှင့် (!) Excel ကိုပင် ကျွန်ုပ်တို့ ထပ်မံတွေ့မြင်ရပြန်သည်။ သို့သော် ဥပမာအားဖြင့် ကုမ္ပဏီအများစုသည် ဒေတာကြီးကြီးမားမားဖြင့် လုပ်ဆောင်ရန် တောင်းဆိုမှုမရှိသေးကြောင်း ယင်းက ညွှန်ပြပေမည်။

ဤတွင် အရာအားလုံးသည် ရှုပ်ထွေးနေပြန်သည်။ ယေဘူယျအားဖြင့် လစာသည် ကျွန်တော်မျှော်မှန်းထားသည်ထက် အနည်းငယ်နိမ့်ကျသည်။

ကိုယ်တိုင်ကိုယ်ကျ၊ 200 tenge ဖြင့်အလုပ်လုပ်ရန်အဆင်သင့်ဖြစ်နေသော ML အင်ဂျင်နီယာတစ်ဦးကိုစိတ်ကူးကြည့်ရန်ခက်ခဲသည် - သူသည်အလုပ်သင်ဖြစ်နိုင်သည်။ ထိုသို့သော အထူးကျွမ်းကျင်သူများ၏ အရည်အချင်းများသည် အလွန်အားနည်းနေသော်လည်း Data Science ၏အလုပ်ကို လုံလောက်စွာ အကဲဖြတ်ရန် ကုမ္ပဏီများအတွက် ခက်ခဲနေသေးသည်။ သို့သော် ယင်းက ဈေးကွက်သည် ၎င်း၏ရင့်ကျက်မှု၏အစတွင် ရှိနေဆဲဖြစ်ကြောင်း ညွှန်ပြနေပါသည်။ အချိန်ကြာလာသည်နှင့်အမျှ လစာအဆင့်ကို ပိုမိုလုံလောက်သောအဆင့်တွင် ထူထောင်နိုင်မည်ဖြစ်သည်။

source: www.habr.com