У меня интересное (как мне кажется) образование и достойная история о том, как я пришел в науку о данных. Я получил степень бакалавра медицины, думая, что пойду в медицинскую школу. Однако, по воле судьбы, этого так и не произошло, и я никогда не был так благодарен за поворот событий, как этот. Я изучил науку о данных с помощью различных открытых ресурсов, таких как бесплатные МООК, предлагаемые в надежных местах, таких как Coursera, FreeCodeCamp, FastAI и edX, чтобы расширить свои знания в этой области и добиться определенного уровня успеха. Однако по мере того, как я продвигался в своей профессиональной карьере, я нашел пристанище для своих навыков в области науки о данных в неочевидном отделе продаж, в частности, в отделе продаж / разработки решений. Это очень полезная роль для меня, и я намерен объяснить, почему это так, на случай, если кто-то захочет изучить эту возможность.
Что такое разработка решений (продаж)?
Инжиниринг решений (продаж) (SE, как я буду называть его в дальнейшем для экономии времени) существует почти в каждой технологической компании практически любого размера. Если есть продукт для продажи, будет SE или группа SE. SE будет работать с клиентом, чтобы разработать возможные решения его проблемы, а затем (в большинстве случаев) создать для него демонстрацию и дать рекомендации по реализации.
Что делает SE?
SE обычно участвует в предпродажном цикле бизнеса. Как правило, SE
- Работайте с менеджером по работе с клиентами / исполнительным директором (продавцом), чтобы встретиться с потенциальными клиентами.
- На этом этапе вы будете заниматься чем-то, называемым обнаружением, где вы будете взаимодействовать с потенциальным клиентом и задавать ему вопросы, чтобы найти его бизнес-проблему.
- Как только вы увидите бизнес-проблему, вы попытаетесь выяснить у клиента, каковы его текущие рабочие процессы (если они есть) и как идеальное решение будет работать для них.
- Затем вы предложите потенциальную архитектуру решения на основе вашего продукта.
- Вы бы продемонстрировали решение для них. Эта демонстрация не обязательно должна быть полным решением, просто что-то, что показывает, что есть жизнеспособный путь вперед.
Если демонстрация прошла успешно, вы, как правило, на этом закончите, и команда по продажам возьмет на себя расчет стоимости решения и решение вопросов по оплате бизнеса. Они могут попросить некоторую базовую поддержку в оценке цены, но по большей части вы закончили. Если у вас есть повторяемое решение (решения), вы будете следовать описанному выше процессу каждый раз, чтобы помочь заключать сделки.
Как наука о данных соотносится с SE?
Навыки, полученные в области науки о данных (обработка данных, исследование, создание сценариев, построение моделей, понимание данных и областей, таких как машинное обучение), легко переносятся и могут дать вам преимущество, когда вы начинаете этот путь.
Когда я говорю о науке о данных, я явно придаю ее значение областям машинного обучения, искусственного интеллекта и т. д. Поскольку технический сектор обширен и разнообразен, это не означает, что вы можете быть SE в каждом подсекторе. Скажем, вы самоучка или обученный Data Scientist, но ничего не знаете о кибербезопасности; возможно, вы не сможете почивать на лаврах Data Science и стать SE в области кибербезопасности. В этом случае вам может потребоваться изучить специфику решений для кибербезопасности, прежде чем вы сможете перейти в эту область в качестве инженера по решениям.
Я работаю в компании, которая предлагает возможность создавать модели ИИ с небольшим объемом данных или использовать готовые модели через API. В моей роли SE я все еще могу использовать большую часть, если не все, свои навыки Data Science. Я по-прежнему пишу сценарии, исследую данные, создаю модели и представляю результаты с намерением убедить аудиторию или коллег в том, что то, что я сделал, решает какую-то проблему.
Основное отличие от классической рутины Data Science заключается в том, что вы, возможно, не имеете дело с таким большим количеством данных, и у вас уже есть работающий продукт (надеюсь). Хорошая команда SE/продавцов также сможет работать с клиентом на этапе обнаружения, чтобы настроить демонстрацию или рекомендации POC (Proof of Concept), которые подчеркивают сильные стороны продукта, чтобы дать вам преимущество. После обучения навыкам продаж и открытий вы сможете заложить основу для своего успеха.
Подводя итог, можно сказать, что наука о данных является постоянной частью моего рабочего процесса при работе с потенциальными клиентами. Масштаб и срочность могут отличаться от того, что ожидается от вас как от Data Scientist. Тем не менее, ваши навыки могут дать вам большее преимущество, чем может показаться, чтобы стать очень эффективным SE.
Чем не является проектирование решений (продаж).
Команды SE не ориентированы на исследования; от вас редко потребуется быть знакомым с текущими или передовыми исследованиями, если этого не требует клиент.
Это также не то место, где вы должны быть в курсе передовых технологий в этой области. Вы узнали бы о них, работая в поле, но вам не нужно было бы овладевать ими, как если бы от этого зависела ваша работа. Это также относится к любым всплывающим подходящим библиотекам или технологиям. Хотя вам надлежит быть в курсе всех инструментов, используемых в вашей области, вы можете выбрать, чему вы хотите посвятить свое время, чтобы учиться и продвигаться по карьерной лестнице.
Это не означает, что вы отказываетесь от технической стороны своих навыков. Я, например, все еще слежу за большинством достижений в области машинного обучения, искусственного интеллекта и Python, связанных с наукой о данных, но я свободен от необходимости осваивать каждую новую библиотеку, с которой сталкиваюсь в дикой природе. Эти знания позволяют мне выбирать вещи, которыми я хочу овладеть, и посвящать им больше времени.
Стоит ли разработка решений для специалиста по данным?
Это очень субъективный вопрос, но я могу поделиться своим пониманием этого вопроса, проделав эту работу почти два с половиной года назад.
Я работал фрилансером на традиционных работах в области Data Science, и мне нравился этот аспект. Гоняясь за этими работами и постоянно повышая уровень, я чувствовал себя очень довольным. Если бы вы спросили меня три года назад, рассматриваю ли я возможность работы в отделе продаж компании, я бы твердо сказал «нет». Однако, когда мне пришлось выполнять работу SE и получить наставничество в общем цикле продаж, я нашел это очень поучительным и полезным.
Я, например, наслаждаюсь аспектом работы с клиентами, от выявления проблем в бизнесе до развертывания решения. Я знаю, что это не то, что всегда волнует всех специалистов по данным, но это дает возможность разрабатывать решения, за которые люди будут платить за свой бизнес. Нет смысла создавать самый производительный, самый оптимизированный алгоритм машинного обучения, который не решает реальных проблем. За последние два с половиной года я видел, как компании проигрывали крупные сделки, потому что их решения не отвечали потребностям клиентов и создавались в вакууме.
Если вы Data Scientist, который любит работать вместе с людьми, желает изучать управление циклом продаж и любит развивать хорошие профессиональные отношения, я думаю, вам следует изучить разработку решений как способ применить свои навыки.
Учитывая характер продаж, денежные выгоды заставят вас чувствовать себя счастливым от этого прыжка.
