«В профессии дата-сайентиста никогда нельзя останавливаться»

Вопрос, что посмотреть, для пользователей платформы Okko сводится к идеальной подборке рекомендаций и точному поиску. Слаженной работой поиска руководит выпускник Вышки, Senior Data Scientist Шухрат Халилбеков. В интервью «Конструктору успеха» он рассказал, как выбирал магистратуру, учился и работал по 16 часов в день и что делают Senior Data Scientists в крупных компаниях.

Как вы перебрались из Санкт-Петербурга в Москву?

Я принял решение переехать и начать учиться в магистратуре, потому что еще не чувствовал себя уверенно на рынке труда. Магистратуру выбирал таким образом, чтобы у программы был баланс между прикладными предметами и возможностью попробовать себя в академическом направлении. У меня возникла мысль стать преподавателем, пойти в науку.

Я мог бы поехать учиться за рубеж, но не успел подать документы. А в России выбирал из двух вариантов – либо «Прикладная экономика» РЭШ, либо «Финансовая экономика» МИЭФ Вышки. Мне показалось, что РЭШ – слишком про академию и больше подходит для карьеры в науке. А МИЭФ дал мне искомый баланс, когда можно общаться с практиками из индустрии, изучать прикладные предметы и при этом иметь возможность готовиться к PhD. Я остановил свой выбор на МИЭФ.

С точки зрения сильных дисциплин, экспертов из индустрии, крутого состава преподавателей ВШЭ – лучший вуз. Вышка даже работу помогает найти: после защиты магистерского диплома мне позвонил преподаватель, он был членом экзаменационной комиссии, и предложил поработать в его стартапе с очень хорошими условиями, но я отказался. К моменту выпуска у меня было два года опыта в data-science-аналитике, а предложение было на стартовую позицию – просто по итогам удачной защиты преподаватель подумал, что я хороший кандидат для его проекта.

Чем вас заинтересовало направление Data Science?

Это произошло в бакалавриате. На 2-м курсе начался майнор по Data Science, который ребята отлично презентовали: рассказывали про анализ игры Dota 2, взаимосвязь между продажей предметов и ее монетизацией. Меня это очень заинтересовало, и я взял этот майнор. Меня затянуло, хотя мы программировали не на Python, а на R и делали все на верхнем уровне, потому что еще не было такого хайпа вокруг Data Science. Из двух лет курса я проучился только один год по причине отъезда по обмену в Швецию. Так что знания, которые я получил, были довольно поверхностными и общими. Когда я вернулся, то понял, что очень хочу развиваться профессионально в Data Science, но знаний мне не хватало.

До этого я хотел идти в консалтинг либо попробовать себя в IB, но, уже заинтересовавшись Data Science, я захотел инкорпорировать техническое начало в экономическое образование. В тот момент все компании большой тройки начали создавать отдельные направления продвинутой аналитики на стыке обычного консалтинга и Data Science. Поэтому я сфокусировался на том, чтобы подготовить себя к работе в таком технологическом консалтинге, и обратил внимание на то, какие там требования, а также кого хотят видеть в больших IT-компаниях.

Какие возможности программа МИЭФ дала для развития в области Data Science?

На тот момент только второй год в МИЭФ шел новый курс по большим данным Фабиана Слонимчика. Семинары читал Степан Зимин, старший аналитик из McKinsey Advanced Analytics. В целом это очень полезный и сильный курс в дополнение к фундаментальным дисциплинам программы. Для меня он стал одним из способов структурировать все, что я знал и узнавал о Data Science. Многое из курса я знал как самоучка, чему-то учился уже на работе, и курс помог мне собрать единую картину и позволил менторить менее опытных ребят по материалам курса. Тогда я уже работал в дата-аналитике. Новичка этот курс может довести до оффера на позицию стажера или джуниора в IT-компании. Конечно, базой здесь служат математика и эконометрика, которые составляют суть программ МИЭФ и ФКН. Для начала вступления в профессию это очень важно.

Получалось ли совмещать работу и учебу в магистратуре? И надо ли это делать?

Совмещать можно, хотя в действительности мало студентов, которые справляются в таком режиме. Тут важно иметь достаточную мотивацию и амбиции, потому что придется много работать и мало спать. Нужно быть готовым в течение этих полутора лет, когда идут курсы, уделять работе и учебе по 15–16 часов в день и при этом держать себя в тонусе. Мне кажется, что сфокусироваться только на учебе в отрыве от того, что происходит в индустрии, будет не так эффективно для развития студента.

Например, технические навыки, такие как кодинг, я подтягивал именно на работе. МИЭФ помог с финансовой и экономической точки зрения, потому что сейчас на рынке очень ценны дата-сайентисты, которые могут не только разработать модель, но также через аналитику найти решение поставленной бизнес-задачи и при этом оценить экономический эффект. Это было эффективным сочетанием разных видов деятельности: на работе я самостоятельно развивался в технической части, а параллельно получал знания по тому, что происходит в финансах и экономике, развивал business sense. Это довольно сильно помогает и делает тебя таким универсальным бойцом, который может заниматься и финансовыми, и экономическими вопросами и в то же время разработать модель.

Что делает дата-сайентист в консалтинге? Что вообще такое — технологический консалтинг?

В Oliver Wyman был свой внутренний стартап – банковская платформа, где я начинал свой путь на позиции джуниора в маленькой команде из продакт-оунера и еще одного дата-сайентиста (впоследствии наши ряды пополнили еще несколько крутых ребят). Мы занимались тем, что разрабатывали модели по оценке кредитного риска юридических лиц на открытых данных и продавали банкам эту услугу по подписке. В итоге банк просто мог зайти на наш сайт, ввести ИНН любой организации в России и на выходе получить вероятность того, надежен заемщик или нет, а также подробную аналитику, почему модель так посчитала, и все в рамках МСФО-9. Мы делали подробную аналитику и формулировали выводы, которые влияли на принятие решения, стоит выдавать кредит или нет. В итоге через нашу платформу было выдано несколько десятков миллиардов рублей.

Консалтинговая сторона была в том, что мы взаимодействовали с клиентом, а потом доказывали на цифрах и портфеле банка, сколько ему можно сэкономить, как хорошо отработала наша модель на его данных и почему стоит покупать наше решение.

В EY я больше занимался проектами ценообразования, что скорее близко к классическому консалтинговому проекту, и немного NLP (Natural Language Processing). Консалтинг начинается там, где вы с клиентом обсуждаете вашу методологию решения проблемы, его ожидания и дальше переносите это на цифровой язык (метрики оценки пользы для бизнеса), чтобы дать зеленый свет проекту и измерять эффективность по завершении. Технологическая сторона – это про то, какими инструментами и с какой эффективностью можно решить проблему. Как показывает практика, не всегда нужна мощная модель, чтобы принести пользу бизнесу, и поэтому стоит принимать это во внимание. Здесь дата-сайентист должен выступить как человек, который сможет продумать и сформировать инфраструктуру того, где и как это техническое решение будет поддерживаться.

Может ли дата-сайентист из финансовой или консалтинговой структуры перейти в сугубо технологическую?

Да, это вполне возможно и будет зависеть от роли. Если брать позицию аналитика, то специалист по данным с финансовым бэкграундом в IT больше востребован, чем в других направлениях.

В консалтинге и финансовых структурах дата-сайентист умеет четко интерпретировать то, какую ценность несет определенное решение и как оно предсказывается. Здесь очень важным оказывается вопрос интерпретации, а навыки понимания взаимосвязи между метриками нарабатываются, как правило, на практике. В целом в IT-компаниях такие специалисты всегда очень нужны.

Тут работает такая штука, как структурное мышление. Его можно развить на работе, но лучше это делать, пока человек еще учится, проходит процесс становления. Со временем трудно переквалифицироваться, изменить свое мышление. А вот техническим навыкам всегда можно быстро научиться, тем более когда много образовательных программ.

Как и где учиться структурному мышлению?

Это как раз смесь университета и работы. В Вышке голову ставит на место большое количество матанализа, а также обучение на основе кейсов. В МИЭФ было много того и другого, благодаря чему я научился правильно думать. Большой плюс МИЭФ в том, что он учит стойко переносить все сложности академической и прикладной нагрузки. Эти направления сильно развивают тебя в процессе учебы. На работе же, если ты идешь на начальные позиции в топовые компании, где крутые специалисты, многие качества нарабатывается с помощью их менторства и твоих собственных наблюдений.

Как сложилось, что вы начали работать в компании Okko?

Работа в Oliver Wyman была больше про финансы и банки. По сути, я научился там всему, что было можно узнать в пределах моих задач и требуемых компетенций. Дальше нужно было идти вверх или по горизонтали, но все в той же сфере. В EY я занимался металлургией и NLP, где слишком длинные проекты, и стало довольно скучно топтаться на месте.

После был «Ситимобил», там я являлся универсальным аналитиком, который занимался всем и помогал разным продуктовым командам делать проекты. Но, к сожалению, они решили закрыться, и я был вынужден искать варианты, хотя хотел остаться в «Ситимобил», поскольку там были интересные задачи и крутая команда. Сначала я начал думать о том, чтобы уехать за границу, но это совпало с тем, что случился большой поток кандидатов из России. Работодатели начали демпинговать зарплатные вилки, и для меня это уже не было выгодно.

В России я рассматривал крупные компании, такие как Okko и «Авито». В обеих я получил оффер. Вышло так, что часть моей команды из «Ситимобил» тоже получила оффер в Okko, и этот фактор сыграл в пользу данной компании.

В целом задачи в Okko для меня новые, поскольку я еще не работал с такой стриминговой платформой, онлайн-кинотеатром. Я занимаюсь анализом и настройкой рекомендаций. Делать это интересно как с точки зрения пользователя, так и с точки зрения технической сложности. Глобально там два основных направления по ML. Рекомендации – это предлагать персонализированный контент каждому пользователю. И поиск – выдавать самые релевантные ответы по запросу. Я возглавляю направление поиска, и это новый вызов.

Какие градации в развитии дата-сайентиста есть в компании?

Как и везде: стажер, джуниор, мидл, мидл плюс, сеньор. Сеньор берет на себя максимум ответственности в принятии решений, ставит задачи для своей команды, как улучшить точность рекомендации/поиска. Дальше уже задача сеньора – предлагать идеи, начинать делать это самому либо с командой, делегировать, контролировать и анализировать работу.

Чем вообще интересна компания Okko?

Бизнес компании сам по себе интересен, я сам пользуюсь этой платформой, отчего вдвойне вдохновляешься что-то делать: видеть свои изменения на экране, знать, что многие люди сейчас оценивают твое влияние на работу Okko. В компании очень хороший коллектив. Это амбициозные, открытые люди, отличные специалисты, в целом компания заботится о своих сотрудниках, и есть много разных плюшек.

Какое будущее у Senior Data Scientist?

В профессии дата-сайентиста никогда нельзя останавливаться. Да, в обучении в университете и на работе есть неизменный фундамент. Но возникает и повсеместно применяется много других алгоритмов, подходов, технических возможностей, которые постоянно обновляются. Приходится тоже постоянно обновляться, проходить курсы, и это интересно. Я сейчас учусь параллельно на двух курсах, дальше перейду на другие. В Data Science происходит много всего. Необходимо держать руку на пульсе, если заинтересован в том, чтобы построить успешную карьеру. При этом хотелось бы быть сильным универсальным бойцом в Data Science и браться за разные задачи и направления.

Мне хотелось бы в дальнейшем делать такие проекты, которые оказывают наибольшее положительное влияние на общество, иметь возможность применить знания и при этом сделать жизнь людей лучше. Такие задачи чаще всего можно решать в больших компаниях. А чтобы работать в больших компаниях, нужно быть сильным и развиваться.