Data science i analitika: najtraženije veštine današnjice

U današnjem poslovnom svetu mesta nagađanju i predrasudama nema – sve važne odluke donose se na osnovu analize velikih količina podataka. Upravo zato su data science i analitika u samom vrhu traženih i dobro plaćenih zanimanja.

Naime: od malih startapova do globalnih korporacija svi traže stručnjake koji znaju kako da iz podataka izvuku prave odgovore.

Čak 80% poslovnih lidera smatra da su podaci ključni za odlučivanje, dok 73% smatra da im podaci pomažu da smanje neizvesnost i donesu preciznije odluke – rezultat je istraživanja koje je sproveo Salesforce.

Otuda su data science i analitika među najperspektivnijim oblastima IT-ja sa predviđenim rastom od 36% u periodu od 2023. do 2033. godine.

Podaci kao podaci ne znače puno bez interpretacije. A tu na scenu stupa data science. Reč je o interdisciplinarnoj oblasti koja koristi naučne metode, algoritme i sisteme kako bi se došlo do znanja i uvida iz strukturisanih i nestrukturisanih podataka:

• Drugim rečima, u moru podataka, data stručnjaci tragaju za informacijom, odnosno korisnim uvidom koji će kompanijama unaprediti poslovanje.

Zahvaljujući oblasti data science, kompanije su danas u stanju da:

1. Predviđaju tržišne trendove

Uspešni biznisi ne čekaju da se stvari dogode kako bi reagovali, već predviđaju promene i diktiraju trendove.

Upravo data science procedure omogućavaju analizu važnih podataka kao što su, na primer, ponašanje potrošača, na osnovu čega je moguće predvideti promenu u njihovim navikama. Tako se mnogi modni brendovi služe analitikom da bi otkrili koji će modeli biti traženi naredne sezone, e-commerce platforme predviđaju rast potražnje u određenim periodima i prilagođavaju zalihe, dok investicione firme otkrivaju obrasce koji ukazuju na buduća kretanja tržišta.

Jednostavno rečeno, data science omogućava biznisima da uvek budu nekoliko koraka ispred.

2. Optimizuju poslovne procese

Analiza podataka potencijalno može da unapredi sve segmente poslovanja. Tako pomoću analitike kompanije dobijaju jasnu sliku o tome gde troše svoje resurse i na koji način mogu da smanje izdatke. Neke logističke firme pomoću algoritama planiraju rute isporuke i na taj način smanjuju troškove goriva. Kompanije koje se bave proizvodnjom predviđaju servisne intervale svojih mašina, čime sprečavaju zastoje usled kvarova. Mnoge banke pažljivo analiziraju procese kreditiranja radi njihovog ubrzanja i smanjenja rizika.

3. Bolje razumeju potrebe svojih klijenata

Jedna od najvažnijih stvari u današnjem poslovanju jeste poznavanje svojih klijenata. U odnosu na to koje su njihove želje, potrebe i afiniteti, kompanije mogu da ponude personalizovana iskustva. A jedan od načina da to urade je analiza ponašanja korisnika pomoću data sciencea.

Tako, platforme za striming pomoću algoritama preporučuju sadržaj koji će vam se najverovatnije dopasti, e-trgovine predlažu proizvode koji će biti u skladu sa vašim ranijim pretragama i kupovinama, banke pripremaju ponude koje su u skladu sa vašim finansijskim navikama.

Jednostavno, pomoću podataka i analitike kompanije čine da se svaki kupac oseća posebno.

4. Donose brže i preciznije odluke

Iako u poslovnom svetu ne postoje garancije, činjenica je da se rizik značajno smanjuje kada se odluke donose na osnovu podataka i analize:

• Kompanije u kojima se odlučuje na osnovu podataka prosečno ostvaruju 20% veće prihode, 15% manje operativne troškove i 10% veće zadovoljstvo klijenata.

To je zbog toga što menadžeri više ne moraju da slepo nagađaju, već imaju na raspolaganju sređene i vizuelno predstavljene podatke na osnovu kojih mogu da planiraju. Zbog toga se ovakve kompanije brže prilagođavaju promenama na tržištu, bolje planiraju budžete i donose pouzdanije strateške odluke.

Ukratko, u poslovnom svetu big data analiza omogućava da se podaci pretvore u konkretnu akciju koja će doneti profit. Zbog toga data science danas čini temelj svakog uspešnog biznisa.

Postoje brojne metode analize podataka, od deskriptivne, dijagnostičke i prediktivne, preko preskriptivne, statističke i machine learning analize, pa sve do tekstualne, vizuelne i vremenske.

U zavisnosti od sektora poslovanja, ovakve analize se koriste na različite načine i u posebne svrhe.

Evo kako to izgleda u nekim od najvećih poslovnih oblasti današnjice.

Finansije i bankarstvo

Kada je reč o novcu, sprečavanje prevara i procena rizika su top prioriteti. Recimo, banke pomoću analize podataka otkrivaju sumnjive transakcije u trenutku dok se odigravaju. Tako se, na primer, Mastercard oslanja na algoritme koji analiziraju obrasce trošenja korisnika i u stanju su da automatski blokiraju transakcije koje odstupaju od takvog ponašanja. Na ovaj način, kompanija je uspela da broj lažno pozitivnih blokada smanji za 80% i u isto vreme značajno poveća sigurnost korisnika.

E-commerce

Online prodavnice koriste data analitiku da bolje shvate navike kupaca i samim tim unaprede prodaju.

Poznata platforma Amazon se, na primer, oslanja na modele prediktivne analitike koji analiziraju istoriju kupovine, pretrage i vreme provedeno na stranici. Na osnovu takvih podataka kupcima se preporučuju proizvodi koji bi im se mogli svideti. A upravo, preporučeni proizvodi čine oko 35% ukupnog prihoda Amazona.

Transport i logistika

Kao što smo već pomenuli, logističke kompanije koriste analitiku kako bi planirali rute, ali i pratili pakete u realnom vremenu. Na ovaj način, jedna od najvećih logističkih kompanija, DHL, smanjila je potrošnju goriva i broj pređenih kilometara.

Zdravstvo

U zdravstvenom sektoru podaci se koriste za predviđanje bolesti i optimizaciju tretmana.

IBM Watson Health pomaže u dijagnostici i tretmanu tako što analizira medicinske podatke i istoriju pacijenata. Na ovaj način se smanjuje rizik od pogrešnih dijagnoza i postiže tačnost preporuka veća od 90%.

Zabava i mediji

Platforme za striming serija i filmova spadaju među omiljene vidove zabave. A da bi uživanje bilo veće, Netflix koristi data science kako bi analizirao navike gledalaca među koje spadaju serije koje se najčešće pauziraju, mesta na kojima publika prestaje da gleda i još mnoge druge. Na osnovu ovih podataka Netflix donosi odluku o produkciji novih serija, ali i personalizuje preporuke. Ova striming kompanija smatra da zahvaljujući analitici štedi čak oko milijardu dolara godišnje kroz smanjenje broja otkazanih pretplata.

Da biste iz prve ruke saznali šta zaista radi jedan analitičar podataka, najbolje je da se lično uverite kako izgleda njegov tipični radni dan.

Upoznajte jednu Anu koja zna da i brojevi pričaju svoje priče, samo treba znati kako da ih čitate.

Ana nije oduvek analizirala podatke. Nekada je radila u marketingu, kreirala kampanje, pisala promotivne tekstove i susretala se posredno sa analitikom. Međutim, uvek ju je kopkalo da sazna priču koju brojevi pričaju.

Isprva je oklevala da započne sa usvajanjem znanja jer je mislila da je data science rezervisan samo za programere. Međutim, njena radoznalost je pobedila. Upisala je online program koji joj je omogućio da uči Python nakon posla i tako za svega devet meseci stekla znanja koja su joj pomogla da napravi novi korak u karijeri.

Danas Ana radi kao data scientist u jednoj IT kompaniji koja pomaže online prodavnicama da bolje razumeju šta njihovi kupci žele. Evo kako izgleda jedan dan na njenom poslu.

09:00
Produženi sa mlekom i malo brojeva odozgo

Dok pije svoj prvi jutarnji espreso, Ana na laptopu otvara Slack i prisustvuje kratkom sastanku. Kolega je upoznaje sa novim podacima o korisnicima. Menadžer marketinga želi da zna da li se na osnovu njih može predvideti koji kupci će najverovatnije ponoviti kupovine.

Na ovo pitanje Ana će pokušati da pronađe odgovor do kraja dana.

09:30
„Čistoća je pola zdravlja”

Jedna od najbitnijih stvari kod analitike je čišćenje podataka, odnosno njihovo sređivanje.

Ana u Pythonu otvara CSV fajlove, proverava duplikate, prazne ćelije i netačne vrednosti.

Kao i svako čišćenje, ni data cleaning nije glamurozan, ali bez njega nema rezultata, a kako Ana za sebe u šali kaže – „ova devojka se ne boji da uprlja ruke”.

Reč je o važnom poslu koji zahteva strpljenje, pažnju, ali i intuiciju neophodnu za razlikovanje važnih podataka od nevažnih.

11:30
„And now the fun part”

Najzanimljiviji deo Aninog posla jeste izrada modela koji će na osnovu prediktivne analitike moći da predviđa buduće kupovine. Za trening modela Ana koristi Python i biblioteku scikit-learn.

Nakon nekoliko testova i podešavanja, model pokazuje tačnost od 87%. Ana je zadovoljna postignutim, dokumentuje rezultate i priprema se za njihovu prezentaciju timu.

13:00
Za ručak protein i salata, a za desert „ideje”

U menzi Ana ima priliku da ruča sa kolegama iz drugih timova sa kojima razgovara o najnovijim trendovima u AI sektoru, novim alatima i načinima obrade podataka.

Kada volite svoj posao kao Ana, pauza nije samo odmor nego i dragocena prilika za širenje perspektive i usvajanje novih ideja.

14:00
Priču brojeva najbolje je preneti kroz slike

Došao je trenutak da Ana prezentuje ostatku tima šta je uradila. Analitički podaci se najbolje usvajaju vizuelnim putem, zato ona pomoću Power BI-ja kreira grafikon koji pokazuje koji kupci i u kom procentu imaju veću šansu za ponovljenu kupovinu.

Potom podatke prevodi u informaciju. Odnosno objašnjava šta to znači i koje akcije treba preduzeti. U ovom slučaju zaključak je da slanje personalizovanog mejla konkretnim korisnicima može dovesti do povećanja prodaje bez dodatnih troškova.

16:00
Završni dogovori

Menadžer zahvaljuje Ani i potvrđuje da će se kampanja, na osnovu njenih uvida, pokrenuti sledeće nedelje. Ana utvrđuje rezultate koji će se pratiti, planira fina podešavanja modela i završava dan sa osećanjem da njen rad ima konkretnu primenu i rezultate.

17:00
Ana voli svoj posao

Pre nego što krene kući, Ana još jednom sumira svoj dan. Kancelariju napušta sa osećanjem da voli svoj posao zato što joj omogućava da napreduje u stvarima koje joj idu od ruke – analizi, kreativnom rešavanju problema i ostvarivanju konkretnih rezultata.

Ukoliko vam se dopao Anin dan, treba da znate da i vi možete postati stručnjak za podatke. Sve što je potrebno je da usvojite određena znanja i veštine.

Pretvoriti brojke u akciju – to je ukratko posao analitičara podataka. A evo koje veštine vam to i omogućavaju:

1. Statistička analiza i matematika

Statistika je u osnovi svega onoga što data scientist radi.

Kao što fabula od reči čini priču, tako statistika to radi od brojeva: pomoću nje uočavaju se trendovi i obrasci i formulišu predviđanja.

Razlikovanje slučajne promene od one koja je znak nekog trenda ili odlučujućih faktora koji utiču na ponašanje kupaca moguće je upravo kroz primenu statistike.

2. Programiranje

Kvalitetan analitičar podataka treba da zna kako da napiše efikasan kod, automatizuje rutinske zadatke i objedini različite informacije u jedinstvenu sliku, a za to koristi neke od sledećih jezika:

3. AI & mašinsko učenje

AI i ML alati imaju veliku ulogu u građenju prediktivnih modela. Reč je o algoritmima koji mogu sami da prepoznaju obrasce i donose zaključke nezavisno od ljudskog rada.

Pomoću ove tehnologije data analitičar postaje neko ko pravi pametne sisteme koji se koriste u najrazličitijim sferama poslovanja.

4. Vizualizacija podataka

Kao što ste videli na Aninom primeru, podatke je potrebno prezentovati celom timu. A najbolji način za to jeste vizualizacija. Svaki analitičar podataka treba da kreira vizuelne elemente poput grafikona, mapa i dashbordova kako bi svi podaci mogli da se jasno sagledaju.

5. Kritičko i poslovno razmišljanje

Data analitičar nije samo štreber koji je zagnjuren u brojeve. On mora da pronađe odgovore na konkretne poslovne probleme. Povezati podatke sa objektivnim poslovnim ciljevima poput povećavanja prodaje, smanjenja troškova i zadovoljnijih korisnika neophodno je za ovaj profil stručnjaka.

Da biste postali stručnjak za podatke, morate da budete i programer i analitičar, ali i da razmišljate kao preduzetnik. Možda zvuči kao mnogo, ali zapravo danas je sve ove veštine moguće usvojiti za svega 9 meseci posvećenog učenja, čak i ako ste potpuni početnik.

Internet je pun dobrih tutorijala i online zajednica koji vam već danas mogu pomoći da usvojite neka osnovna znanja za data scientista.

Na YouTubeu, kao i platformama za online učenje, dostupni su video-sadržaji različitog kvaliteta, a zajednice poput Reddita, GitHuba i Stack Overflowa mogu vam doneti vredna znanja. Međutim, samostalno učenje oduzima dosta vremena, a početnici nemaju sposobnost da brzo pronađu kvalitetan sadržaj.

Zbog toga je naš program AI&Python Development veoma efikasan način za usvajanje svih neophodnih znanja za data analitičara. Kroz minimum teorije i maksimum prakse, uz vođstvo posvećenih stručnjaka i brojne druge resurse za usvajanje tehničkih, ali i mekih veština, polaznici za devet meseci stiču dobru bazu za započinjanje ove unosne i tražene karijere.

Za sve one koji žele posao koji spaja logičko razmišljanje, naprednu tehnologiju, kreativnost i komunikativnost, kao i one koji žele da im radni dan izgleda kao Anin, data science je dobar izbor.

Prijavite se da na najbrži način pređete put od početnika do stručnjaka.