Роман с Data Science. Как монетизировать большие данные - читать онлайн книгу. Автор: Роман Зыков cтр.№ 64

Еще один важный аспект рабочего процесса – он не должен слишком зависеть от нашей персоны. Я называю это человеконезависимостью. Хороший менеджер всегда должен знать, что он будет делать, если сотрудник уйдет по тем или иным причинам. Компания должна продолжать работать, сильная зависимость от одного человека – это всегда большой риск. Я сам строю системы таким образом, чтобы они работали без моего участия, и компания, в случае чего, продолжала функционировать и без меня. Когда ушел из Ozon.ru – мои OLAP-кубы работали там еще много лет. Уходил из Wikimart.ru – рекомендательная система работала автономно. Конечно, это связано с риском для сотрудника – когда все хорошо сделано и автоматизировано, в какой-то момент ты становишься не нужен, а значит, тебя могут уволить. Но давайте посмотрим на это с другой стороны. Вы сделали свою работу, ваша система и процессы работают, пусть не идеально, но без серьезных ошибок. Возможно, у вас даже есть другой человек, который вас может легко заместить. Это и есть идеальная работа, вы можете спокойно развивать свою карьеру как в этой компании, так и в другой. А собравшись уходить, вы будете спокойны за свою репутацию, и вас с радостью порекомендуют ваши бывшие коллеги и руководители. Все это я испытал на своей шкуре.

Менять работу нужно тогда, когда вектор вашего развития или амбиции уже не совпадают или даже вступают в конфликт с вектором движения компании. Понять, что это произошло, нетрудно – вы почувствуете, что вам больше не интересно то, что вы делаете. У меня так тоже было. Например, в 2005 году, когда я только пришел в Ozon.ru, – я сделал систему аналитики на основе MS SQL Server и в какой-то момент делать мне стало нечего. В это время из компании ушел мой руководитель, а в жизнь Ozon.ru вмешались новые акционеры, которым было не до меня. Я оказался предоставлен сам себе и стал заниматься на работе своим хобби – уже давно по вечерам я разрабатывал сигнализацию на основе датчика движения и мобильного телефона. Мне было двадцать три года, я снял первую в своей жизни квартиру и начитался в интернете историй про то, как хозяева приходят туда без спроса в отсутствие жильца. На этот случай я придумал технологию: в квартире лежал старый мобильный телефон с датчиком движения, и если бы кто-то пришел – он отзвонил бы на мой номер, а я смог бы послушать, что происходит в квартире. Для разработки устройства мне нужно было написать программу для контроллера. И чтобы не бить баклуши в интернете, я начал писать эту программу прямо на рабочем месте. Это, конечно, очень плохая ситуация – неправильно повели себя и менеджеры, и я сам, но тогда она не стала причиной для увольнения. Когда все кадровые перестановки утряслись, задачи вновь появились, и я переключился на работу. Кстати, если вам интересно – хозяйка квартиры так ни разу и не пришла ко мне без спроса. А вот уволился из Ozon.ru я 5 лет спустя, когда у меня уже был свой личный кабинет по соседству с генеральным директором. В какой-то момент я почувствовал, что мне стало совершенно неинтересно работать, что я так могу и состариться на этой работе. Я попробовал себя в другой роли – вел проект по смене системы лояльности Ozon.ru на баллы, но меня это не зацепило. Тогда и стало окончательно понятно, что пора уходить, – и я ушел.

Известно, что самый быстрый рост карьеры происходит при относительно частой смене работ. Раньше считалось, что оптимальный срок работы на одной позиции в одной компании – два года. Кроме того, на решение об уходе влияет тип амбиций сотрудника. Я для себя выделил два: первый – новаторы, люди, которые любят придумать и сделать что-то новое с нуля, но их не привлекает процесс «полировки» их решения разными оптимизациями. Второй тип – оптимизаторы, которые могут вдохнуть новую жизнь в существующее решение, но придумать и создать что-то с нуля им сложно. Как только новатор запускает процесс – он достиг результата, ему становится скучно и он ищет новых вызовов. Я точно знаю, что отношусь к первому типу новаторов – пришел, увидел, победил: создал аналитику с нуля, нанял персонал, выстроил процессы, пошел дальше. Для развития и понимания карьеры в аналитике данных (да и в других областях) неплохо было бы попробовать себя и в роли новатора, и в роли оптимизатора и понять, что больше нравится. Тогда станет намного легче принимать карьерные решения.

Вот что сказал Ричард Хэмминг о том, как строить карьеру [21]:

Хэмминг говорил об исследовательских работах, но я бы применил их и к области анализа данных. Никто не мешает вам перемещаться между «доменами» от веб-аналитики в машинное обучение, от аналитики к программированию и наоборот.

Если вы уже давно чувствуете, что вам неинтересно и нечего делать на работе, поговорите со своим менеджером. Если во время или после разговора станет понятно, что ничего не изменится, то лучше уходить. Впоследствии вас не будет мучить совесть, что вы засиделись и потеряли драгоценное время. К сожалению, оно не бесконечно.

Однажды уже известному нам ученому Ричарду Хэммингу задали вопрос: «Сколько сил должно уходить на работу в библиотеке?» И вот что он ответил [21]:

Все знать невозможно, чтение отнимает очень много времени. Я очень люблю читать, но на это у меня мало времени. Книга ждет своего часа, иногда десять лет, пока я не возьму ее с полки. Когда у меня стоит выбор между пассивными (теория) и активными (практика) действиями, я выбираю активное. В пассивное включаются чтение, просмотр видео с конференций, занятия на онлайн-курсах. При этом я не могу назвать себя неучем – у меня с десяток сертификатов Coursera. Под активным действием я подразумеваю решение какой-либо задачи, доведение какого-то проекта (пусть даже личного) до конца. Особенно меня интересуют рабочие задачи, а не учебные. Важно обладать эрудицией и знаниями, но гораздо важнее их умелое применение. А чтобы применить знание, не нужно разбираться в каком-то предмете на 100 %, бывает достаточно всего 20 % (правило Парето!). Помните, в главе про машинное обучение я ссылался на Шавье Аматриана, который предлагал просто прочитать введение книги по ML, открыть нужный алгоритм и закодировать его. Именно практика покажет, что важно, а что нет. Невозможно играть хорошую музыку, лишь зная ее теорию.