چطور از یک مسیر متفاوت وارد دنیای داده شدم (و شما هم می‌توانید)

بیش از یک دهه پیش، تیتر یک هاروارد بیزینس ریویو این بود: «دانشمند داده، سکسی‌ترین (جذاب‌ترین) شغل قرن ۲۱» (لینک). از آن روز تا حالا خیلی‌ها خواسته‌اند مسیر شغلی‌شان را هر طوری شده به مسیر داده تغییر دهند. ولی حالا نزدیک به ۱۳ سال از آن تیتر گذشته؛ آیا همچنان می‌توان با اطمینان گفت که مسیر کاری در داده آینده خوبی دارد؟ و اگر کسی بخواهد مسیر شغلی فعلی خودش را به آن تغییر دهد، چه باید بکند؟

من، حوالی سال ۱۳۹۳، قبل از آنکه طور متمرکز وارد حوزه داده شوم، مدیر مارکتینگ یک شرکت چاپ عکس آنلاین (عکس‌پرینت) بودم. آنجا بود که کنجکاوی‌ام نسبت به اینکه "چرا بعضی تصمیم‌ها جواب می‌دهند و بعضی نه؟" باعث شد کم‌کم پایم به دنیای دیتا باز شود و خیلی زود فهمیدم:

«توان و دانش تحلیل داده‌محور رفتار مصرف‌کننده‌ها» می‌تواند یک مزیت رقابتی دست‌نیافتنی برای من در مسیر کاری باشد.

پس بعد از ۳ سال از کارم استعفا دادم و دوره گذار من به تحلیل داده از حوالی سال ۱۳۹۶ شروع شد. درست همزمان و همراه با جذابیت شغل تحلیل داده در ایران و جهان.

ولی برای کسی که الان بخواهد چنین تصمیمی بگیرد آیا دیگر دیر شده است؟ آیا علم داده همچنان سکسی‌ترین شغل در دنیای فناوری است؟ آیا بازار اشباع نشده است؟ آیا با وجود توسعه چشمگیر genAI همچنان به کسی که بتواند با داده‌ها کار کند نیازی هست؟ هوش مصنوعی جای آن را نخواهد گرفت؟ 

من پاسخ صریحی به پرسش‌های فوق ندارم. نگران مسیر شغلی خودم هم هستم ولی فعلا تصمیمی به ترک آن ندارم و بنابراین همچنان می‌توانم با اطمینان بالایی این مسیر شغلی را به کسانی که توانمندی‌های مرتبط با آن را دارند، توصیه کنم. فکر می‌کنم در هر سناریوی محتملی از آینده کسی که بلد باشد با داده کار کند و آن را بفهمد همیشه دست بالا را دارد.

هدف من از نوشتن این پست ارائه یک نقشه‌راه برای ورود به دنیای داده نیست. اینکه چه چیزی را باید با چه ترتیبی یاد بگیرد نیازی به نوشتن ندارد. هر کسی می‌تواند با کمترین جستجو در گوگل یا پرس‌وجو در چت‌جی‌پی‌تی به این نقشه راه دست پیدا کند. 

این پست را نوشته‌ام تا راهنمایی باشد برای کسانی که می‌خواهند مسیر شغلی خود را از یک حوزه دیگر به حوزه داده تغییر دهند. این نوشته بر اساس تجربیاتی است که خودم از این تغییر مسیر شغلی داشتم و در این سال‌ها به افراد دیگری کمک کرده‌ام مسیر شغلی خودشان را به حوزه داده تغییر دهند.

۱. اول بفهمید دنیای دیتا دقیقاً چیست

و بهترین راه برای فهمیدن آن، کار کردن با داده است.

این اولین و مهم‌ترین توصیه من است. هر جا هستید و تا هر چقدر که داده دارید و بلدید با آنها کار کنید، تعلل نکنید. آستین‌ها را بالا بزنید و به عمق داده‌ها شیرجه بزنید. آن وقت کم‌کم دست‌تان می‌آید که حجم انبوه اعداد مرتب(numerical data) و نوشته‌های نامرتب (unstructured data) دقیقا چه چیزی هستند.

داده یعنی فهم کمّی از جهان کیفی و کنش کیفی (تصمیم‌گیری) بر اساس استنتاج‌های کمّی. 

دقیقا مشابه کاری که شرلوک‌ هولمز می‌کرد! اگر به داستان‌های او علاقه‌مندید دنیای داده شما را مسحور خود خواهد کرد.

اما بسته به اینکه کجای این جهان بایستید، معنی آن فرق می‌کند. همین اول مسیر بهتر است در مورد سه مسیر اصلی حوزه داده خوب تحقیق کنید:

• تحلیل داده (Data Analysis): کشف الگوها و پاسخ دادن به سؤال‌های واقعی کسب‌وکار.

• علم داده (Data Science): مدل‌سازی، پیش‌بینی و استفاده از آمار و یادگیری ماشین.

• مهندسی داده (Data Engineering): ساخت زیرساخت‌هایی که بقیه بتوانند داده‌ها را استفاده کنند.

۱۰ سال پیش این سه مسیر خیلی از هم جدا نبودند ولی حالا این طور نیست. با وجود هم‌پوشانی زیاد در مهارت‌های عمومی، هر سه حوزه نیازمندی‌های متفاوتی دارند. و هیچ ارجحیتی بین‌شان نیست جز علاقه و توانمندی‌های شما. من از مسیر تحلیل داده شروع کردم. چون مسئله‌ام نه خود داده که تصمیم‌گیری بر اساس داده بود. 

۲. مهارت‌های قبلی‌تان طلا هستند، نه نقطه ضعف

مهارت کار کردن با داده در یک چیز خلاصه می‌شود: مهارت حل مسئله با رویکرد داده‌محور.

دنیای داده بیش از هر چیز نیاز به درک بستر واقعی مسئله دارد. کسی که می‌فهمد داده پشت هر رفتار یا عدد چه معنی‌ای دارد، از هر الگوریتمی ارزشمندتر است. بنابراین در هر شغلی که هستید، از عملیات و مارکتینگ گرفته تا توسعه و زیرساخت و پشتیبانی، مهارت‌های حل مسئله شما در مسیر شغلی داده‌ هم به کار خواهند آمد. با تصور اینکه باید همه چیز را از صفر شروع کنید، اشتباهی را که من کردم مرتکب نشوید.

داده از بستر مسئله‌هایش جدا نیست. شما پله صفر نیستید و بخشی از راه را قبلا پیموده‌اید.

همانطور که گفتم من از دنیای مارکتینگ آمده بودم. اولش فکر می‌کردم هر چه در مارکتینگ اندوختم بیهوده بود ولی خیلی زود وقتی با پروژه‌های واقعی دست و پنجه نرم کردم فهمیدم آنچه از مارکتینگ بلد بودم در فهم و ارائه راه‌حل‌های داده‌محور برای مسئله‌های واقعی کسب‌وکارها بسیار به کار می‌آید. فهم من از رفتار مصرف‌کننده، مفاهیم مرتبط با فعالیت‌های مارکتینگی و توسعه کسب‌وکار، مدیریت تیم، بهینه‌سازی کمپین‌ها، مذاکره با ذینفعان مختلف داخلی و خارجی سازمان و برنامه‌ریزی راهبردی برای رسیدن به اهداف کسب‌وکار همه و همه مهارت‌هایی بودند که مرا در مسیر شغلی داده‌ای پشتیبانی کردند. 

۳. ابزارها را هدفمند یاد بگیرید

ابزارها برنده نمی‌شوند ولی مایکل شوماخر هم بدون خودرواش نمی‌توانست رقابتی را ببرد.

اگر وارد حوزه داده می‌شوید باید آمادگی دست به آچار شدن را داشته باشید. تنوع و پراکندگی منابع داده، فرمت‌ها، ابزارهای تحلیل و تصمیم‌سازی آنقدر زیاد است که نمی‌‌شود گفت شما نیاز دارید به ابزارهایی مسلط باشید بلکه باید گفت:

مهارت اصلی شما این است که بتوانید سریع و به صورت موثر با ابزارهای مختلف سازگار شوید. 

تحلیل داده فقط پاور‌بی‌آی یا گوگل‌لوکراستدیو نیست. شما باید با انواع دیتابیس‌ها آشنا باشید. یکی دو تا زبان برنامه‌نویسی را برای پایین و بالا کردن داده‌ها بیاموزید. با کتابخانه‌های مختلف کار با داده ور رفته باشید. از سرویس‌های مختلفی مثل گوگل‌آنالیتکز سر دربیارید. ابزارهای کار با داده‌ها آنقدر زیادند که خود داده‌ها متنوع و پراکنده‌اند.

به‌نظرم برای شروع، این چهار ابزار پایه‌اند:

• Excel یا Google Sheets

• SQL

• Python (یا R): کار با Pandas, Matplotlib و کتابخانه‌های مهم مرتبط با پردازش‌های هوش‌مصنوعی و یادگیری ماشین.

• Power BI یا Tableau

من از دانشگاه برنامه‌نویسی بلد بودم ولی پایتون را از صفر یاد گرفتم. پایگاه‌داده‌ها را می‌شناختم ولی باید دانش SQLم را بازیابی می‌کردم. از اکسل فراری بودم ولی ناچار عاشقش شدم. اولین داشبوردهایم را با Tableau و به کمک چند ویدیو آموزشی با لهجه هندی ساختم. بعدها پاور‌بی‌آی را نصب کردم و آن را هم یاد گرفتم. گوگل‌آنالیتکز و سرویس‌های تحلیلی را به فراخور پروژه‌هایی که می‌گرفتم سریع باید می‌آموختم. همه این‌ها را یاد می‌گرفتم نه برای اینکه «حتماً باید بلد باشم»، بلکه چون به من اجازه می‌داد کارهایی انجام دهم که با ابزارهای ساده‌تر ممکن نبود. و این یادگیری تمام نشده است. در کافه‌بازار و دیوار با متابیس کار کردم. بعد باید می‌توانستم PySpark کد بزنم و بعد در اسنپ‌مارکت دو سرور در اختیار تیمم بود و برای کارهایمان یک زیرساخت کامل تحلیل داده، نصب و راه‌اندازی کردیم و یاد گرفتم چطور روی یک زیرساخت فنی، یک اتوماسیون از جاب‌های داده‌ای پیاده‌سازی کرده و آنها را در عملیات تیم مارکتینگ بگنجانم.

و این مسیر تمام نشده است. حالا خوب می‌دانم که باید ابزارهای مبتنی بر genAI را خوب یاد بگیرم و بتوانم از آنها در کارهایم استفاده کنم. جز این کم‌کم از صحنه کاری حذف خواهم شد. 

۴. مفاهیم یارانش دانش مهمی که کسی درباره آن حرف نمی‌زند!

اگر رشته دانشگاهی‌تان در حوزه کامپیوتر بوده باشد، این مفاهیم را یاد گرفته‌اید.

ولی اکثر کسانی که می‌خواهند از یک حوزه دیگر وارد حوزه داده شوند این چیزها را هیچ وقت خوب یاد نمی‌گیرند. در حالی که درک مفاهیم پایه‌ای یارانش (محاسبات) برای هر تحلیل‌گر و دانشمند داده‌ای ضروری است. 

مهم‌ترین این مفاهیم عبارتند از:

• ۱- طراحی الگوریتم

• ۲- مبانی پایگاه‌داده

• ۳- ساختمان داده

• ۴- آمار و احتمالات

• ۵- ریاضیات گسسته

نیاز نیست همه این‌ها را  مثل یک دانشجوی مهندسی کامپیوتر بخوانید ولی حتما باید مفاهیم اولیه‌شان را بلد باشید و حتما توصیه می‌کنم:

برای ورود به دنیای مفاهیم مرتبط با رایانش حتما و حتما از کتاب‌های مرجع بخوانید.

ویدیو و وبلاگ و چت‌جی‌پی‌تی گیج‌تان می‌کنند. برای هر کدام هم چندین کتاب خوب در سطح مبانی و ابتدایی وجود دارد.

۵. پروژه، مهم‌تر از مدرک است

واقعیت این است که هیچ‌کس فقط با دیدن یک گواهی دوره آموزشی یا مدرک دانشگاه قانع نمی‌شود شما را استخدام کند.

و داده‌هایش را که به گمانش بزرگ‌ترین سرمایه‌اش است در اختیارتان قرار دهد. اما وقتی پروژه‌ای دارید که می‌شود دید، لمس کرد، و با آن حرف زد، آن‌وقت داستان فرق می‌کند. 

قبل از آنکه اولین کار داده‌تان را بگیرید تا می‌توانید پروژه‌های داوطلبانه انجام دهید و آنها را در قالب پست وبلاگ یا پروژه‌های روی گیت منتشر کنید و با افتخار همه جا درباره‌شان حرف بزنید. قول می‌دهم کارساز باشد.

پیدا کردن پروژه ساده‌ترین کار است. اینترنت پر است از مجموعه داده‌های عمومی و رایگان. دانلودشان کنید. تحلیل‌شان کنید. برای‌شان یک قصه بسازید و منتشر کنید. 

در Kaggle اکانت بسازید و در چالش‌های آنلاین شرکت کنید. هر از چندگاهی برخی شرکت‌های با انتشار داده‌ها چالش‌های عمومی برگزار می‌کنند. گوش‌تان تیز باشد و هیچ کدام را از دست ندهید. در datacamp، google colab حضور داشته باشید و زندگی کاری‌تان را با گیت‌ پیوند بزنید و پروفایل‌تان را روز به روز غنی‌تر کنید.

من اولین پروژه‌هایم را با داده‌های عمومی شروع کردم. بعد کافه‌بازار چالشی برگزار کرد. در آن شرکت کردم و داده‌هایش را تحلیل و گزارشش را منتشر کردم. مدتی بعد شرکت پوشه چالشی برگزار کرد. داده‌هایش را دانلود و گزارشش را به صورت عمومی منتشر کردم. با گزارش سال آپارات هم چنین کردیم. چندین پست وبلاگ با داده‌های عمومی نوشتم و منتشر کردم و کم‌کم پروفایل حرفه‌ای خودم را در این حوزه ساختم. با اطمینان می‌گویم که همه موقعیت‌های شغلی‌ام را از این طریق به دست آورده‌ام. حضور فعالانه و صادقانه در رسانه‌ها و شبکه‌های حرفه‌ای مسیر شغلی شما را تضمین می‌کند.

۶. اولین تجربه‌های واقعی را کجا پیدا کنم؟

تجربه واقعی چیز ارزشمندی است. یک مسئله واقعی، داده‌های واقعی، تصمیم واقعی و تاثیر واقعی رو کسب‌وکار.

اولین تجربه، بهترین تجربه است حتی اگر نصفه و نیمه باشد. حالا کسی که هنوز در شغلی قبلی‌اش است و نتوانسته جایی به عنوان تحلیل‌گر داده استخدام شود باید چه کار کند؟ باید بگویم:

گنج درست همانجایی است که هستید. 

همان شرکت و همان شغلی که در آن مشغولید. از همانجا شروع کنید. به داده‌ها دقت کنید. آنها را بررسی کنید. به گزارش‌های داده‌محور حساس باشید. درباره‌شان بپرسید و بعد در اولین فرصت اولین تسکی را که دارید سعی کنید با داده همراه کنید. شاید برای پشتیبانی از کاری که کردید یا به عنوان خروجی کاری که کرده‌اید. اولین تجربه واقعی شما در هر پوزیشن شغلی که هستید اتفاق می‌افتد. بعد کم‌کم از مدیرتان بخواهید پروژه‌های داده‌محور بیشتری به شما بدهد. فرقی نمی کند در حوزه محصول و توسعه باشید یا فروش و مارکتینگ و پشتیبانی و حتی کار اداری. هر جا که هستید سعی کنید مسئله‌هاتان را با کمک داده حل کنید. آنچه که را که یاد گرفته‌اید در کارهای روزمره‌تان به کار بگیرید. جلوتر که رفتید و توانستید مهارت‌تان را به مدیران‌تان نشان دهید از آنها بخواهید همکاری با شما را به عنوان تحلیل‌گر داده ادامه دهند. یا در همان شرکت برای پوزیشن‌های داده‌ای درخواست بدهید. 

بعد شبکه حرفه‌ای‌تان را فعال کنید. با دوستان‌تان که در شرکت‌های دیگر سمت مدیریتی دارند صحبت کنید. در لینکدین اعلام کنید که دنبال پروژه‌های داده‌ای هستید. اگر کسی پیشنهاد همکاری پروژه‌ای داد بدون آنکه روی حق‌الزحمه‌اش چانه بزنید، آن را بپذیرید. با استارتاپ‌ها بپرید و به آنها پیشنهاد همکاری پروژه‌ای بدهید. آنها مشتاق‌اند چون آنقدر پول ندارند که بخواهند تحلیل‌گر داده استخدام کنند.

من اولین گزارش‌های داده‌محور و داشبوردها و تحلیل‌ها را در تیم مارکتینگ عکس‌پرینت انجام دادم. درست همان‌جایی که داشتم کار مارکتینگ می‌کردم. پویا محمودیان مدیرعامل وقت و بنیانگذار عکس‌پرینت ذهن بسیار تحلیلی داشت و در ترغیب من به رویکرد داده‌ای موثر بود. بعد از او با سیاوش میرخانی ساعت‌ها روی داده‌ها و گزارش‌های مرتبط بحث و گفتگو می‌کردیم. آنجا اولین روزهایی بود که من طعم تصمیم‌گیری مبتنی بر داده را چشیدم و دیگر هرگز نتوانستم از آن دل بکنم.

بعد با معرفی همسرم که آن موقع در فیلمو کار می‌کرد، جلسه‌ای با محمدجواد شکوری‌مقدم داشتم برای مشورت. بعد از جلسه پیشنهاد داد برای شروع، داده‌های فیلمو رو تحلیل کنم. همه چیز را تعطیل کردم و آن را به نتیجه رساندم.

اعتماد حرف اول را می‌زند. در شبکه حرفه‌ای‌تان باید اعتبار بسازید تا بتوانید اعتماد دیگران را جلب کنید.

بعد از پروژه فیلیمو محمد زاهدی (روحش شاد) داده‌های استارتاپش با نام ایونت‌سنتر را برای تحلیل در اختیارم گذاشت و کم‌کم توانستم نظر دوستان و افراد دیگری که در اکوسیستم استارتاپی می‌شناختم را برای همکاری جلب کنم. این‌ها اولین پروژه‌های واقعی من بودند و برای انجام‌شان از هیچ چیز دریغ نمی‌کردم.

۷. از «Junior» بودن نترسید

راستش را بخواهید این روزها همه‌مان تازه‌کاریم.

با این حجم از تحولات و فناوری‌ها و تکنیک‌های جدیدی که در بازار فناوری رایج شده است دیگر نمی‌توان از تازه‌کار بودن فرار کرد. این ذات عصر جدید است و لازمه آن یادگیری مداوم و روحیه سازگار با این ندانستن و تلاش برای یاد گرفتن و تجربه کردن. پس اگر می‌خواهید وارد حوزه داده شوید از اینکه تازه‌کار باشید نترسید. به جای آنکه روی رشد عمودی تمرکز کنید، سعی کنید «تصمیم‌ ساختن و تصمیم گرفتن» را تجربه کنید.

دنبال تاثیر باشید تا دیده شوید.

هر ماه از خودتان بپرسید اگر من نبودم چه تصمیمی گرفته نمی‌شد یا طور دیگری گرفته می‌شد. یک تحلیل‌گر داده وقتی رشد می‌کند که بتواند تصمیم‌ساز بهتری باشد. 

۸. اگر قرار باشد تنها یک کتاب را بخوانید، این کتاب را بخوانید

من بی‌استثنا این کتاب را به هر کسی که احساس کرده باشم کمی به حوزه داده علاقمند است توصیه کرده‌ام.

فکر می‌کنم بتوان آن را کتاب مقدس تحلیل‌گران داده خواند. این کتاب را می‌توان ریاضیات کسب‌وکار هم نامید.  کتابی که به شما یاد می‌دهد چطور به مسائل کسب‌وکار با عینک داده نگاه کنید. فرقی نمی‌کند بخواهید تحلیل‌گر داده شوید یا مدیر محصول یا مارکتر یا توسعه‌دهنده و مدیر؛ در هر صورت این کتاب شما در حرفه‌تان چند قدم پیش خواهد برد. درباره کتاب در این پست بیشتر از این نمی‌توان صحبت کرد. و اما کتاب:

📘 Lean Analytics: Use Data to Build a Better Startup Faster (link)
by Alistair Croll and Benjamin Yoskovitz

سوئیچ شغلی زمان می‌برد، ولی شدنی است

هیچ‌کس یک‌شبه Data Analyst یا Data Scientist نمی‌شود.

همانطور که هیچ کسی یک‌شبه متخصص هیچ حوزه فناورانه‌ای نمی‌شود. اگر می‌شد که دیگر کسی ارزشی برای این مهارت‌ها قائل نبود. پس زمان بگذارید. بسته به مهارت‌های اولیه‌تان یک زمان بین ۳ الی ۱۲ ماه بگذارید. متمرکز باشید. یاد بگیرید. بسازید.

به خودتان فرصت تجربه بدهید و از نفهمیدن و یاد نگرفتن نهراسید.

در مورد من، با وجود پس‌زمینه دانشگاهی حوزه فناوری و کامپیوتر، به دلیل فاصله‌ چند ساله‌ای که افتاده بود، حدود ۳ ماه طول کشید تا به مرحله‌ای برسم که بتوانم اولین پروژه حرفه‌ای‌ام را بگیرم و بعد از یک سال دیگر چرخ کارم به گردش افتاده بود. من این فرصت را داشتم که این شش ماه را تمام‌وقت روی این حوزه کار کنم. شاید شما الان این فرصت را نداشته باشید. بنابراین باید هوشمندانه‌تر یاد بگیرید. از زمان‌های مرده‌تان استفاده کنید و مهم‌تر از همه داده را با کار کردن یاد بگیرید.

دنیای داده برای ذهن‌های کنجکاو، تحلیلی و عاشق یادگیری ساخته شده است. ذهنی که داده برای آن تنها یک شغل نیست؛ راهی است برای دیدن جهان با وضوح بیشتر.

نسخه انگلیسی این مطلب را قبلا در مدیوم منتشر کرده‌ام.