در این گفتگوی ۹۰ دقیقه‌ای احسان امیرزاده، تحلیلگر داده در شرکت ادین آمستردام، درباره جنبه‌های مختلف نقش تحلیلگر داده در سازمان، ساختارهای تیمی، مهارت‌های ضروری و چشم‌انداز آتی این حوزه صحبت کرده و تجربیاتش در شرکت‌های دیوار و کاتاویکی و ادین گفته است.

احسان در حال حاضر داده‌های حوزه فناوری مالی [1] را در شرکت ادین تحلیل می‌کند. این شرکت با ارائه زیرساخت‌های فناوری به کسب‌وکارها در سراسر جهان این امکان را می‌دهد تا از طریق درگاه‌های پرداخت متنوع و بعضاً محلی، فرایند پرداخت را از صفر تا صد برای مشتریان خود انجام دهند. این درگاه‌ها می‌توانند شامل پرداخت‌های آنلاین در وب‌سایت‌ها، اپلیکیشن‌ها یا حتی دستگاه‌های کارت‌خوان حضوری باشند (کم‌وبیش شبیه به شاپرک در ایران). احسان در این گفتگو توضیح می‌دهد که چرا در چنین کسب‌وکارهایی داده یک دارایی اساسی است و همه چیز حول آن شکل می‌گیرد.

ساختار و معماری تیم‌های داده در سازمان‌ها چگونه است؟

عمدتاً دو ساختار اصلی برای تیم‌های داده وجود دارد:

تیم مرکزی (Centralized Model)

در این مدل، یک تیم داده مرکزی وجود دارد که درخواست‌ها از بخش‌های مختلف شرکت را مدیریت می‌کند و باید قابلیت این را داشته باشد که هر نوع درخواست و فعالیت مربوط به داده را در کسب‌وکار یا سازمان انجام بدهد. احسان معتقد است مدل مرکزی برای شرکت‌های در مراحل اولیه یا کوچک‌تر که تازه با داده سروکار پیدا می‌کنند و هنوز بلوغ سازمانی نرسیده‌اند، مناسب‌تر است. چرا که به تحلیلگران داده اجازه می‌دهد تا نیازهای داده‌ای کل شرکت را بیاموزند و زیرساخت‌های داده مانند pipelineها و ابزارهای اولیه را بسازند و جریان داده را در سازمان برقرار کنند.

مدل جاسازی‌شده (Squad Model / Embedded)

با بلوغ شرکت نیازهای تحلیلی پیچیده‌تر می‌شود و درنتیجه مدل متمرکز دیگر کارایی ندارد. در این مرحله، تحلیلگران روی حوزه‌های مختلف کسب‌وکار متمرکز می‌شوند و با تخصص‌پیدا کردن در آن‌ها به تیم‌های مختلف مانند تیم توسعه‌دهندگان، تیم محصول و تیم طراحان تجربه کاربری، تیم بازاریابی و فروش، تیم عملیات و … ملحق می‌شوند. این مدل سرعت پیشرفت کارها را افزایش می‌دهد زیرا افراد متخصص در یک حوزه خاص، پیچیدگی‌های کسب‌وکار را بهتر درک می‌کنند و می‌توانند ارزش‌آفرینی بیشتری داشته باشند. ریسک این مدل، دشواری در جایگزینی افراد متخصص در صورت ترک سازمان است. البته یک چالش بزرگ در اینجا سخت‌تر شدن انتقال دانش بین بخش‌های مختلف و هماهنگی بین آن‌هاست. مثلا ممکن است نتایج تحلیل یک تیم در آینده برای تیم دیگری مفید باشد. در این حالت به دلیل عدم انتقال دانش بین تیم‌ها، دوباره‌کاری‌های فراوانی پیش خواهد آمد. مدیران ارشد تیم‌های داده باید بتوانند در این حالت هماهنگی و انتقال دانش را تسهیل کنند و راهکارهایی مانند جلسات مستر برای آن داشته باشند.

به عنوان نمونه در ادین، با حدود ۲۰ تا ۳۰ تیم داده‌ای مجزا، شاهد رویکردی ترکیبی اما با تمایل به تیم‌های تخصصی و جداگانه هستیم. این تیم‌ها ممکن است با انگیزه‌های متفاوتی تشکیل شده باشند؛ برخی بر رفتار کاربران در پنل مدیریتی تمرکز دارند، برخی بر فرایند احراز هویت مشتری ([2]KYC) و پذیرش کسب‌وکارها[3]، و برخی دیگر بر حوزه‌هایی مانند ضد پولشویی (Anti-Money Laundering). جالب است که برخی از این تیم‌ها بر اساس تفاوت‌های منطقه‌ای و قوانین و مقررات محلی شکل می‌گیرند؛ به عنوان مثال، ادین دارای تیم‌های داده‌ای جداگانه برای فعالیت‌های خود در آمریکا، اروپا، ژاپن و هند است که هر یک بر نیازها و بلوغ بازار خاص خود تمرکز دارند. این ساختار به ادین امکان انعطاف‌پذیری بالا را می‌دهد و تیم‌ها می‌توانند به سرعت بر اساس اولویت‌های کسب‌وکار و قوانین محلی پرداخت بازسازی شوند.

بازارها رفتارها و ویژگی‌های گوناگونی دارند و بخشی از کار تحلیلگر داده شناخت عمیق همین ویژگی‌ها و رفتارهاست. مشابه این تقسیم‌بندی را می‌توان در شرکت‌هایی مثل دیوار نیز دید که برای تحلیل داده‌های مربوط به خودرو، ملک و … تیم‌ها و افراد جداگانه وجود دارد.

چه مهارت‌های سخت و نرمی برای تحلیلگر داده ضروری هستند؟

نقش تحلیلگر داده در سال‌های اخیر دستخوش تحولات چشمگیری شده است. در گذشته، تمرکز اولیه بر مهارت‌های فنی یا “سخت” بود، دانش اولیه و مهارت‌های فنی که یادگرفتن آن‌ها در کلاس‌های دانشگاه یا دوره‌های آنلاین ممکن است و تحلیلگر را به ابزارهای ضروری مجهز می‌کند. اگر در گذشته مهارت‌های نرم برای تحلیلگران داده دست کم گرفته می‌شد، امروز بیش از گذشته به مهارت‌های نرم مانند مهارت‌های ارتباطی توجه می‌شود و به بخشی اساسی در کار تحلیل داده تبدیل شده است.

مهارت‌های سخت

• زبان‌های برنامه‌نویسی کار با داده: تسلط بر زبان‌هایی مانند پایتون و R ضروری است. به عنوان نمونه در ادین، استفاده از PySpark برای کارهای روزمره رایج است که نسخه‌ای از اسپارک برای پردازش داده‌های توزیع شده در محیط پایتون است.
• کار با پایگاه‌های داده: آشنایی با SQL تقریباً در هر سازمانی الزامی است.
• ابزارهای orchestration : ابزارهایی مانند Airflow که برای خودکارسازی جریان داده و مدیریت پایپ‌لاین‌های داده (فرایند [4]ETL – استخراج، تبدیل، بارگذاری) استفاده می‌شوند، از اهمیت بالایی برخوردارند. یعنی فرایندی که در آن داده  از جایی باید استخراج شود، سپس خوانده شود و عملیاتی روی آن انجام شود و در نهایت بارگذاری شود و قابلیت استفاده داشته باشد. به عنوان نمونه شاید لازم باشد هر روز صبح داده‌ی مورد نیاز جهت بررسی بارگذاری شده برای بخش‌های مختلف آماده باشد. لذا توالی این فرایندها باید بارها و بارها انجام شود. ابزارهای orchestration و مدیریت جریان داده قرار است این توالی را مدیریت کند.
• ابزارهای هوش تجاری (BI): آشنایی با ابزارهای BI مانند Looker، Tableau یا Power BI که به کاربران کسب‌وکار امکان می‌دهد خودشان داشبورد بسازند، مهم است.

 مهارت‌های نرم

 این مهارت‌ها هستند که تفاوت بین یک تحلیلگر داده خوب و یک تحلیلگر متوسط را ایجاد می‌کنند و در اکثر مصاحبه‌ها تمرکز بر شناخت تحلیلگر، به مهارت‌های نرم او نیز به صورت ویژه توجه می‌شود. حتی گاهی اوقات شرکت‌ها می‌پذیرند که شما مهارت سخت را می‌توانید بعدا فرا بگیرید ولی مهارت‌های نرم دست کم در فرصت کوتاه غیرقابل تغییر تلقی می‌شوند.

• درک کسب‌وکار (Business Understanding): مهمترین مهارت نرم، فهم عمیق از اهداف، اولویت‌ها، وضعیت فعلی و پیچیدگی‌های کسب‌وکار است. یعنی شما باید بتوانید در مدت زمان نسبتاً کوتاهی بفهمید که کسب‌وکار دقیقا چه‌کار می‌کند و چه الزاماتی دارد. در این حالت است که با در دست داشتن تصویر بزرگ از کسب‌وکار می‌توانید برای سازمان ارزش خلق کنید. وگرنه ممکن است مساله‌ای را حل کنید که آورده‌ای برای کسب‌وکار ندارد. یکی از راه‌های تقویت این مهارت، صراحت در پرسش‌گری از مدیران مختلف مانند مدیران محصول است که برای شما نیازهای کسب‌وکار را واضح و روشن توضیح دهند. یا حضور فعال در جلسات مربوط به کسب‌وکار که حتی ربطی به تحلیل داده ندارد، می‌تواند کمک کند که تصویر کاملی از کسب‌وکار داشته باشید و ریزه‌کاری‌های آن را از ذی‌نفعان، مدیران و صاحبان محصول مطالبه کنید.
• تفکر نقادانه (Critical Thinking) و ذهن تحلیلی: توانایی طرح سوالات اساسی مانند «چرا این کار را انجام می‌دهیم؟» و «چه مشکلی را با این تحلیل حل می‌کنیم؟» بسیار مهم است. این پرسشگری نه تنها به تحلیلگر کمک می‌کند تا هدفمندتر کار کند، بلکه دیگران را نیز وادار به تفکر عمیق‌تر می‌کند. ضمن اینکه باید بدانید این تحلیل علاوه بر کارکرد خودش در تیم، چه معنایی برای مدیران تیم یا حتی مدیران C-level دارد و آنجا چگونه تفسیر می‌شود و چه کمکی به کسب‌وکار می‌کند. تحلیلگر داده باید بتواند این ملاحظات را در تحلیلش بگنجاند.
• مدیریت زمان و اولویت‌بندی: بر خلاف یک برنامه‌نویس و توسعه‌دهنده نرم‎‌افزار که شاید در یک بازه زمانی، تنها یک وظیفه مشخص به او واگذار شود، کار تحلیلگر داده، نسبت به او، غیرمتمرکز است. در نتیجه، تحلیلگر داده باید از بین چندین وظیفه مختلفی که ممکن است تعریف شده، اولویت‌بندی کند که کدام برای کسب‌وکار فایده و اولویت بیشتری دارد و تعداد محدودی از آن‌ها در زمان محدود انجام دهد.

مسیرهای شغلی داده چه چشم‌اندازی دارند؟ هوش مصنوعی چه تاثیری بر آن‌ها خواهد داشت؟

احسان امیرزاده معتقد است  مسیر شغلی تحلیل‌داده در حال پوست‌اندازی است و در آینده، تمرکز بیشتر بر حوزه‌هایی مانند مهندسی داده  Data Engineering و مهندسی تحلیل داده Analytics engineering است و احتمالا نقش تحلیلگر داده مانند آنچنان که در سال‌های گذشته وجود داشته و اکنون نیز وجود دارد، در آینده چندان جدی نخواهد بود. مهندسین داده مسئول استخراج داده از پایگاه‌های داده عملیاتی و مهندسین تحلیل داده مسئول انتقال آن‌ها به محیط‌های تحلیلی هستند و نقشی محوری در تبدیل داده‌های خام به داده‌های باکیفیت و قابل استفاده برای تحلیل‌های مختلف در کسب‌وکار دارند.

امروزه مثل گذشته موضوع داده و اهمیت آن برای نقش‌های شغلی در بسیاری کسب‌وکارها موضوع عجیب و غریب و ناآشنایی نیست. بنابراین تمرکز کار تحلیلگران داده آینده باید کمتر بر ساخت داشبوردها و بیشتر بر فراهم آوردن زیرساخت‌های داده‌ای قابل اعتماد و با کیفیت برای دیگران باشد، تا بتوانند خودشان از طریق ابزارهای self service BI به بینش‌های مورد نیاز دست یابند. این رویکرد اولاً به دلیل مقیاس‌پذیری موردنظر شرکت‌ها است. چرا که نمی‌توان برای نیازهای متعدد و متفاوت تعداد تحلیلگران را افزایش داد و متناسب با هر نیاز یک تحلیلگر استخدام کرد. بنابراین هر نقش شغلی باید بتواند حداقل تحلیل داده مربوط به شغل خود را انجام دهد. دوماً با به کارگیری هوش مصنوعی برای تحلیل داده  در هر شغلی از جمله تحلیل داده تنها زمانی قابل انجام است که داده‌ها باکیفیت و قابل اعتماد باشد وگرنه مدل‌های هوش مصنوعی خروجی مناسبی نخواهند داشت. این پدیده نیز نقش مهندسی را در تحلیل داده پررنگ‌تر می‌کند.

A/B Testing چیست و چرا همچنان مهم است؟

آزمایش A/B یا A/B Testing یک رویکرد مبتنی‌ بر داده ضروری در سازمان‌ها و کسب‌وکارها است که به آن‌ها اجازه می‌دهد تأثیر عوامل و تصمیم‌های مختلف در محصولات خود را با روش‌های آماری به دقت اندازه اندازه‌گیری کنند. این روش به جای تصمیم‌گیری بر اساس حدس و گمان، شواهدی مبتنی بر داده ارائه می‌دهد. در واقع در مواجهه با مشکلات و چالش‌هایی که راه حل علمی از پیش تعیین شده ندارند، باید به تصمیم‌گیری مبتنی بر داده رو بیاوریم. مثلا فرض کنید در زمینه توسعه محصول برای نتفلیکس سوال می‌شود که تغییر رنگ یا اندازه یا دکمه‌ها در رابط کاربری، منجر به بهبود تجربه کاربری می‌شود یا خیر؟ اگر از پیش بخواهیم با رویکرد علمی به این سوال پاسخ بدهیم،‌ جواب مشخصی پیدا نخواهیم نکرد. در نتیجه چاره‌ای نداریم که از شواهد و رویکرد‌های مبتنی بر داده برای تصمیم‌گیری استفاده کنیم تا اینکه با حدس و گمان و  تکیه بر شم خود جلو برویم.

 در A/B Testing، دو یا چند نسخه متفاوت از یک محصول (مثلاً یک وب‌سایت یا اپلیکیشن) به گروه‌های مختلف کاربران نمایش داده می‌شود و سپس نتایج و رفتارهای آن‌ها به صورت آماری مقایسه می‌گردد. هدف نهایی، ارزیابی این است که آیا تغییرات اعمال شده (مثلاً تغییر رنگ یک دکمه یا نحوه نمایش پیش‌نمایش ویدئوها) به شاخص‌های کلیدی کسب‌وکار کمک کرده‌اند یا خیر. شرکت‌های بزرگی مانند نتفلیکس و Booking.com سالانه هزاران یا حتی صدها هزار تست A/B انجام می‌دهند. این آزمایش‌ها به صورت مداوم و بدون اطلاع کاربر صورت می‌گیرد و تصمیم‌گیری‌های آتی را هدایت می‌کند.

برخی شرکت‌ها سرویس‌های تست A/B را از شرکت‌های تخصصی (مانند Optimizely) خریداری می‌کنند، در حالی که برخی دیگر (مانند Booking.com و ادین) پلتفرم‌های اختصاصی خود را توسعه می‌دهند. این پلتفرم‌ها مسئول مدیریت گروه‌بندی کاربران و جلوگیری از تداخل بین تست‌ها هستند. اگرچه این پلتفرم‌ها و هوش مصنوعی در حال پیشرفت هستند ولی هم‌چنان تمرکز آن‌ها بر روی فرایند اجرایی تست‌ها است. طراحی ‌‌آزمایش‌ها، نظریه‌پردازی و تفسیر نتایج آماری، هنوز نیاز به تحلیل‌ تخصصی آمار و داده دارد که نیاز به متخصصان این زمینه را دارد و هنوز با هوش مصنوعی به طور کامل قابل انجام نیست.

یک نمونه واقعی

رویکرد داده‌محور و تحلیل داده چه کمکی به یک کسب‌وکار می‌کند؟

ادین در بازار آمریکا با چالش‌هایی در فرایند پذیرش مشتریان جدید مواجه بود. مشکل این بود که این شرکت نه شاخصی برای اندازه‌گیری موفقیت پذیرش داشت و نه می‌دانست مشکل دقیق در کجای فرایند است. کسب‌وکارهای آمریکایی از فرایند‌های اولیه ثبت و KYC ناراضی بودند و از دشواری فرایند گلایه داشتند. تیم داده ابتدا یک شاخص دقیق برای سنجش موفقیت پذیرش تعریف کرد که شامل معیارهای مهم کسب‌وکار بود. سپس با تحلیل پارامترهای مؤثر بر این شاخص، نقاط ضعف کلیدی شناسایی شد. این نقاط شامل فرایندهای دستی، کیفیت محصول پذیرش (سایت/API)، و زمان‌بر بودن فرایند بود. تحلیل‌ها نشان داد که محصول پذیرش برای کاربران، پیچیده و غیرقابل فهم است و کاربران در مراحل مختلف گیر می‌کردند یا فرایند را رها می‌کردند. با استفاده از این بینش‌های مبتنی بر داده، ادین توانست شاخص موفقیت پذیرش خود را در بازار آمریکا از حدود ۶۰٪ به ۸۰٪ در مدت چهار ماه افزایش دهد. این افزایش ۲۰ درصدی، یک جهش بسیار بزرگ و ارزشمند برای کسب‌وکار بود که مستقیماً به افزایش درآمد و رضایت مشتری ترجمه شد که البته بخشی از این موفقیت سریع به دلیل عدم بلوغ اولیه محصول بود.

چگونه می‌توان وارد بازار کار تحلیل داده شد؟

ورود به این حوزه و پیشرفت در آن ترکیبی از مهارت‌‌آموزی، شبکه‌سازی و شانس است:

• سرمایه اجتماعی و ارتباطات: ایجاد ارتباط موثر و شبکه‌سازی با افراد فعال در حوزه داده بسیار مهم است. بودن در این شبکه‌ها شانس شما برای موقعیت مناسب را بالا می‌برد.
• تجربه کاری: داشتن حداقل یک تا دو سال سابقه کار قابل قبول در یک شرکت خوب، می‌تواند به فرد اعتماد به نفس و مهارت‌های لازم برای کار با ابزارهای پیشرفته (مانند کلاسترها و Airflow) را بدهد.
• اهمیت دانش و مهارت به جای مدرک: در دنیای کسب‌وکار، دانش و مهارت بیش از مدرک تحصیلی (حتی تحصیلات دانشگاهی) ارزش دارد. افراد با زمینه‌های تحصیلی متنوع (مانند علوم انسانی، فیزیک، علوم سیاسی) نیز در صورت داشتن ذهنیت تحلیلی و تفکر نقادانه و تمایل به یادگیری مهارت‌های فنی، می‌توانند وارد این حوزه شوند.

درخواست کار در حوزه داده، به راحتی از طریق برنامه‌های کاریابی مانند لینکدین، قابل انجام است. فرایند درخواست کار و مصاحبه کمی زمان‌بر است و نیاز به آزمون و خطا برای آشنایی دارد. پس از ارسال درخواست‌های کار متعدد و گذراندن چند مصاحبه،‌ به خوبی با چم و خم مسیر آشنا خواهید شد.

در حال حاضر، بازار کار جهانی، از جمله در حوزه داده، با چالش‌هایی مواجه است. نقش‌های تحلیلگر داده گاهی به عنوان یک نقش  “لوکس” و غیرضروری تلقی می‌شوند و ممکن است در زمان بحران‌های اقتصادی، جزء اولین بخش‌هایی باشند که دچار تعدیل نیرو می‌شوند.

* * *

در آینده همان‌طور که گفته شد نقش‌هایی که به مهندسی (مانند مهندس داده و مهندس تحلیل داده) نزدیک‌تر هستند، آینده قوی‌تری خواهند داشت. هوش مصنوعی قادر به خودکارسازی بخش قابل توجهی از مهارت‌های سخت تحلیلگران داده، به ویژه در کدنویسی و رفع‌ باگ‌ها است. این امر باعث می‌شود که تحلیلگران بتوانند روی روش تحلیل و شیوه فکر کردن خود تمرکز کنند و کارها را سریع‌تر و کارآمد انجام دهند. با این حال، هوش مصنوعی نباید جایگزین تفکر و تصمیم‌گیری استراتژیک انسان شود. تعیین مسئله، طراحی راه‌حل‌ها و استدلال پشت کدنویسی باید توسط تحلیلگر انجام گیرد. هوش مصنوعی ابزاری قدرتمند برای انجام اصطلاحاً «کارهای گل» یا کارهای تکراری است و ارزش یادگیری کمی دارند. با افزایش توانایی هوش مصنوعی در تحلیل، سرمایه‌گذاری شرکت‌ها بر داده قابل اعتماد و دردسترس افزایش می‌یابد.

 ———————————————–

 پانویس‌ها

[1] Financial technology (FinTech)

[2] Know your customer/client

[3] Onboarding

[4] Extract, Transfer , Load