Побажання випускників

Кафедра підтримує щільні взаємозв’язки з випускниками. Багато з них уже кілька років поєднували роботу з навчанням, причому роботу, яка відповідає профілю отриманої освіти. Деякі з них відгукнулися на нашу пропозицію проаналізувати прогалини в отриманій освіті для того, щоб впевнено почувати себе в світі електронного бізнесу. Найбільш детальну інформацію надав випускник 2017 року М. Борис, який працює в маркетинговій компанії “MASMI UKRAINE”, посада “аналітик”, стаж роботи – 1,5 роки. Він пропонує.

«Перше і найголовніше в роботі аналітика даних - це трансформація і обробка інформації. Основні інструменти, які ми використовуємо в компанії це R, Excel, SPSS.

Чому R спитаєте Ви?

Він безкоштовний, що дуже важливо в реаліях українського ринку маркетингових досліджень.

Дуже швидкий і оптимізований для роботи з великими об’ємами даних (коли мова йде про датафрейм (таблицю) 5+ мільйонів рядків і 10 тисяч колонок, то в екселі навіть звичайна сума по колонці буде рахуватись декілька хвилин, R з такими об’ємами справляється за лічені секунди).

Можна знайти пакети для побудови практично всіх існуючих моделей і готові алгоритми розрахунків будь якої складності.

Широкі можливості для візуалізації даних.

Єдиним бар’єром може бути майже повна відсутність будь-якої інформації та літератури українською чи російською мовами. Тому англійська мінімум рівня Intermediate - must have.

Пакети, які, на мою думку, потрібно взяти до вивчення: dplyr, tidyr, keras, ggplot2, lubridate, shiny, stringr.

Перевірка даних на валідність. Говорячи зрозумілою мовою, при зборі даних інтерв'юер, який заповнює анкети респондентів, може просто намалювати анкети. Щоб перевірити чи в анкетах реальна інформація, а не вигадані дані робиться кластеризація по певній групі питань (зазвичай k-means або h-class) і по цим даним робиться лінійний дискримінантний аналіз, в результаті чого візуально можна побачити викиди, тобто анкети які випадають з загальної тенденції.

Проведення звичайних розрахунків по питанням, в принципі нічого складного, звичайні розрахунки середніх, сум, вирахування відсотків і інші елементарні математичні операції. На цьому етапі головне автоматизувати роботу так, щоб не рахувати кожне питання окремо, а робити обрахунки в автоматичному режимі при мінімуму налаштувань та витраченого часу. Тому той же R + макроси на VBA в екселі ніхто не відміняв.

Побудова моделей. Пакети для R якими можна побудувати практично будь-яку модель легко знайти в інтернеті. Основна задача заключається в тому, аби розібратись в алгоритмі побудови цієї моделі і трансформації даних до такого виду, який потрібний для моделі. З останнього, що я рахував, була PLS модель (Partial least squares regression).

Оскільки в нашій компанії відносно нещодавно (трохи більше року) з’явилась система для онлайн опитування, з’явилась задача створення онлайн опитувань. Тому HTML, CSS(bootstrap), JS(jquery, angular) довелось підтянути з рівня “знаю, для чого воно існує” до “можу написати нескладну функцію і заверстати сторінку”.

Зараз в вимогах до кандидатів, при подачі резюме, один з основних моментів - це досвід роботи з алгоритмами машинного навчання (Deep Learning, Distributed Random Forest, Gradient Boosting Machine та інші). Для R та багатьох інших мов програмування є бібліотека(фреймворк) від Google TensorFlow або H2O flow, якими можна це реалізувати та практикуватись в даній сфері. Ці бібліотеки є абсолютно безкоштовними. Також є чимало непоганих курсів на edX та Coursera де можна отримати багато теоретичної та практичної інформації».

  Побажання випускника 2015 року - Р. Кучера, співробітника фірми Данон, координатора відділу довгострокового прогнозування (стаж 2,5 роки):

«Статистика, статистичний аналіз, моделювання, оптимізаційні процеси, база хороша. але тільки теоретична. все це з нормальними практичними кейсами, які можна назбирати як і в інеті, так і на ютубі, так і від випустників. В статистичному аналізі  не тільки формули, а й висновки, так званна статистична інтерпритація, коли сухі числа переводяться в висновки для прийняття рішень.

Для викладачів треба організовувати додаткові навчальні сесії з практиками, та навчанням. Не можливо показувати і розказувати приклад, якщо ти його не до кінця розумієш !!! Це про нас викладачів.

 Обов’язковий розгляд статистичних пакетів аналізу та моделювання. 

 R - це добре. але є люди яким не потрібно вміти програмувати.

Того SAS або SPSS, Advance Excel.

Участь в онлайн змаганнях та олімпіадах з прогнозування. Це буде наповнювати навчання постійними практичними завданнями і великими бонусами. Якщо хтось виграє, що дасть можливу мотивацію для інших».

Рекомендації Д. Ющенко, випускниці 2017 року, співробітниці

фірми Neilsen, position data processor з 2016 (стаж 1,5 роки):

«Відповідаю на питання, що з вивченого в університеті знадобилося на роботі. Відповідь проста і неоднозначна - excel, проте, на жаль, ми не вивчали Visual Basic, а він би дуже став у пригоді. Допомагає в роботі і розуміння побудови і функціонування баз даних (SQL, Access, Power Point). Power Point,  доречі, дуже важливий, якщо ти маєш не тільки щось рахувати, а ще й показати свої результати графічно і правильно їх представити ( цього, на жаль, не дуже вмієм).  Також мало часу, ну дуже мало, виділили на програмування з R, це був курс простого знайомств, а не розуміння: що і для чого. 

Ну, якщо по забезпеченню програмному, то коротко це все, оскільки у нас є своя база розроблено під продукт, чого, в принципі, в жодному університеті вивчити і не можна».

Якщо підвести підсумки, то:

-         Статистика викладається формально, не на рівні вимог бізнесу, не навчаємо робити висновки, недостатньо надаємо апарат.

-         Потрібен досвід робот із алгоритмами машинного навчання (Deep Learning, Distributed Random Forest, Gradient Boosting Machine таінші).

-         R не формально, а на багатьох прикладах та з додаткамі: dplyr, tidyr, keras, ggplot2, lubridate, shiny, stringr.

-         Бажано би встановити ліцензійні SAS, SPSS, де для розв’язання використовуються стандартні алгоритми, та надати навики практичного використання (визначити коло задач).

Як викладачі так і студенти повинні зрозуміти, що в технологічному світі виживає той хто відкритий для нового та має фундаментальні знання. В цьому випадку Ви в змозі  освоїти методики які використовуються в фірмі, яка Вам сподобалась.