Цитаты из книг автора «Кирилл Еременко»

Вместо того чтобы размышлять о холодных, бездушных аспектах вашего проекта, подумайте о том, как вы чувствовали себя эмоционально и что с вами происходило на каждом этапе процесса. Было ли вам интересно общаться с людьми? Вас что-нибудь удивило? Вы терпели неудачи? Как ваш прошлый опыт помог вам? Что значат для вас результаты? Рассказ о том, как вы добились прорыва, зацепит вашу аудиторию. Также помните, что, рассказывая о собственном опыте, вы не должны сосредоточиваться на положительных моментах. Люди с симпатией относятся к терпящим неудачу, потому что сами бывали в подобных ситуациях. Никто не захочет слушать историю о том, как богатый становится еще богаче. Поведайте о препятствиях, с которыми вы столкнулись, и о том, как их преодолели. Именно такое эмоциональное выступление запомнится аудитории.

многие реализованные проекты в области науки о данных, к сожалению, никуда не приводят: слишком много практиков считают, что данные будут говорить сами за себя. К сожалению, это не так. Нам надо научиться убеждать нашу аудиторию, а визуализация — это канал, по которому непременно должны пройти данные, иначе наши озарения рискуют навеки застрять в чистилище компании.

в некотором смысле ваш проект не касается ни данных, ни визуальных элементов. В конечном счете речь идет о людях. Нас привлекли к решению бизнес-вопроса, который повлияет на заинтересованных лиц, будь то клиенты или руководители. И если наша информация не будет представлена таким образом, чтобы ее поняли люди, которые могут санкционировать изменения, рекомендованные нашими данными, — тогда все наши усилия окажутся потрачены впустую.

подумайте о вождении автомобиля. Вам доводилось когда-нибудь разбирать машину? Вы можете отличить распределительные валы от коленчатых? Как на самом деле работает круиз-контроль машины? Большинству из нас неизвестно все, что касается технической эксплуатации наших автомобилей, и все же почти все мы ездим на них. Часто. В этом разница между математикой и интуицией. Математика разбивает алгоритм на части, чтобы понять, как именно он работает и почему. В этом нет ничего плохого, и бывают ситуации, когда требуется такой уровень детализации. Но по большей части в нем нет необходимости при работе в качестве аналитика данных. Так же как базовое умение пользоваться педалями и рулевым управлением автомобиля поможет вам добраться из пункта А в пункт В, так и интуиция, лежащая в основе аналитических моделей в науке о данных, окажется полезной для решения поставленной задачи.

Этот процесс известен как ETL (Extract — Transform — Load), и он поможет собрать данные подходящего формата в конечном источнике («хранилище»), к которому можно получить доступ и проанализировать данные на более поздних этапах процесса их обработки.

Но как тогда понять, что данные хорошо подготовлены? Легко, нужно лишь убедиться, что они подходят для нашей стадии анализа данных. Они должны: быть правильно отформатированы; не иметь ошибок; учитывать все пробелы и аномалии.

«Довольно часто возникает разрыв между числами, полученными из баз данных, и числами, взятыми из заключительных отчетов. Я обнаружил, что достигаю оптимальных результатов, когда провожу оба анализа, а затем объединяю их. Это позволяет понять, что происходит с итоговыми отчетами и какие факторы приводят к этим финансовым результатам. Таким образом, использование подходов “сверху вниз” и “снизу вверх” связывает данные с процессом и дает нам полную картину».

Мы не можем вгрызаться в цифры, а затем ворваться в кабинет директора, заявляя, что знаем, как решить проблему, размахивая бумажкой с данными, чтобы доказать это. Цифры, как вы узнаете из этой книги, всего лишь одна часть головоломки. Мы также должны понимать культуру компании, ее миссию и сотрудников.

у многих аналитиков данных все еще спрашивают: «У нас есть много данных, может быть, вы сформулируете какие-то идеи на их основе?» Подобные вопросы задаются очень часто, хотя они туманны, расплывчаты и ничему не способствуют в процессе решения проблемы компании

Процесс состоит из пяти этапов: Сформулируйте вопрос. Подготовьте данные. Проанализируйте данные. Визуализируйте выводы. Представьте выводы. Каждый из этапов добавляет к вашему массиву данных то, что мне нравится называть «слой интереса». Хотя к некоторым из этих этапов можно возвращаться в ходе процесса, прохождение их в линейном порядке уменьшит вероятность ошибки на более позднем этапе проекта и поможет определить, на каком шаге произошел сбой.