Υπάρχει μια στιγμή που κάθε αναλυτής δεδομένων (data analyst) και επιστήμονας δεδομένων (data scientist) γνωρίζει πολύ καλά.

Κάθεσαι μπροστά στον υπολογιστή σου με ένα σύνολο δεδομένων (dataset), ένα πρόβλημα ή ένα κομμάτι κώδικα που αρνείται πεισματικά να συνεργαστεί. Πίστευες ότι είχε γίνει κατανοητή η θεωρία. Παρακολούθησες το μάθημα. Ακολούθησες το tutorial. Είδες κάποιον άλλον να εξηγεί τη μέθοδο με απόλυτη σαφήνεια.

Αλλά τώρα είναι η σειρά σου.

Τα δεδομένα είναι «ακατάστατα» (messy). Οι στήλες είναι ασαφείς. Ο κώδικας κρασάρει. Το μοντέλο δεν συμπεριφέρεται όπως αναμενόταν. Το dashboard δεν επικοινωνεί αυτό που ήλπιζες. Το επιχειρηματικό ερώτημα φαίνεται απλό στην αρχή, αλλά όσο περισσότερο το δουλεύεις, τόσο περισσότερη πολυπλοκότητα εμφανίζεται.

Αυτή είναι συχνά η στιγμή που ξεκινά η πραγματική μάθηση.

Η Παθητική Μάθηση Δεν Είναι Αρκετή

Τα σεμινάρια, τα βιβλία, τα tutorials και οι διαλέξεις έχουν αναμφισβήτητη αξία. Μας δίνουν δομή. Μας εισάγουν σε νέες έννοιες. Μας βοηθούν να κατανοήσουμε τη γλώσσα του κλάδου και τη λογική πίσω από τα διάφορα εργαλεία και τεχνικές.

Όμως, υπάρχει τεράστια διαφορά ανάμεσα στο να ξέρεις κάτι θεωρητικά και στο να μπορείς να το χρησιμοποιήσεις στην πράξη.

• Μπορεί να καταλαβαίνεις τι σημαίνει καθαρισμός δεδομένων (data cleaning) στη θεωρία, αλλά είναι τελείως διαφορετικό όταν έρχεσαι αντιμέτωπος με ελλιπείς τιμές (missing values), ασυνεπείς μορφοποιήσεις, διπλότυπες εγγραφές και απρόσμενα outliers.
• Μπορεί να κατανοείς πώς λειτουργεί ένα μοντέλο μηχανικής μάθησης (machine learning model), αλλά είναι άλλο πράγμα να πρέπει να αποφασίσεις αν αυτό το μοντέλο είναι κατάλληλο για ένα πραγματικό πρόβλημα, να εξηγήσεις τα αποτελέσματά του και να επικοινωνήσεις τους περιορισμούς του.
• Μπορεί να γνωρίζεις πώς μοιάζει ένα καλό dashboard, αλλά είναι διαφορετικό όταν πρέπει να φτιάξεις εσύ ένα που θα βοηθήσει έναν manager να πάρει μια κρίσιμη απόφαση.

Αυτή ακριβώς η διαφορά είναι που καθιστά τα projects απαραίτητα.

Τα projects σε αναγκάζουν να περάσεις από την κατανάλωση στη δημιουργία. Μετατρέπουν τη γνώση σε ικανότητα. Αποκαλύπτουν το χάσμα ανάμεσα στο «το έχω ξαναδεί αυτό» και στο «μπορώ πραγματικά να το κάνω μόνος μου».

Και αυτό το χάσμα δεν είναι κάτι που πρέπει να φοβάσαι. Είναι το μέρος όπου συμβαίνει η πραγματική εξέλιξη.

Η Αξία του να «Κολλάς»

Ένα από τα πιο σημαντικά μαθήματα στα analytics είναι να μαθαίνεις πώς να διαχειρίζεσαι την αβεβαιότητα.

Στην πραγματική εργασία, τα προβλήματα σπάνια εμφανίζονται τέλεια δομημένα. Τα δεδομένα δεν είναι πάντα καθαρά. Ο στόχος δεν είναι πάντα σαφής. Η λύση δεν είναι πάντα προφανής. Δεν υπάρχει κανένας καθηγητής δίπλα σου για να σου δείξει το επόμενο βήμα. Πρέπει να ερευνήσεις, να δοκιμάσεις, να ψάξεις, να κάνεις καλύτερες ερωτήσεις και να πάρεις αποφάσεις.

Αυτή η διαδικασία μπορεί να είναι άβολη, ειδικά για τους αρχάριους. Μπορεί να γεννήσει αμφιβολίες. Πολλοί φοιτητές και επαγγελματίες βιώνουν στιγμές που αναρωτιούνται αν είναι αρκετά καλοί, αρκετά τεχνικά καταρτισμένοι ή αρκετά έμπειροι.

Όμως το να «κολλάς» δεν είναι σημάδι αποτυχίας. Είναι ένα φυσιολογικό και απαραίτητο κομμάτι της ανάπτυξης δεξιοτήτων.

Κάθε φορά που ξεπερνάς ένα δύσκολο πρόβλημα, χτίζεις κάτι παραπάνω από τεχνικές γνώσεις. Χτίζεις αυτοπεποίθηση. Όχι την τεχνητή αυτοπεποίθηση που προέρχεται από το να βλέπεις κάποιον άλλον να λύνει μια άσκηση, αλλά την κερδισμένη αυτοπεποίθηση που έρχεται όταν παλεύεις με ένα πρόβλημα, δοκιμάζεις διαφορετικές προσεγγίσεις, κάνεις λάθη, τα διορθώνεις και τελικά βρίσκεις τον δρόμο προς τα εμπρός.

Αυτού του είδους η αυτοπεποίθηση δεν «κατεβαίνει» με ένα κλικ. Χτίζεται αποκλειστικά μέσα από την πράξη.

Τα Projects Χτίζουν τη Νοοτροπία του Αναλυτή

Η ενασχόληση με projects δεν σε βοηθά μόνο να μάθεις εργαλεία. Σε βοηθά να σκέφτεσαι σαν αναλυτής.

Ένα καλό project σε αναγκάζει να κάνεις επιλογές και να απαντήσεις σε καίρια ερωτήματα:

• Ποιο είναι το πραγματικό επιχειρηματικό ερώτημα;
• Τι δεδομένα χρειάζομαι και κατά πόσο είναι αξιόπιστα;
• Ποιες υποθέσεις (assumptions) κάνω κατά την ανάλυση;
• Τι σημαίνει στην πραγματικότητα το αποτέλεσμα που βρήκα;
• Πώς πρέπει να το επικοινωνήσω και ποιο είναι το κοινό μου;
• Ποια απόφαση μπορεί να υποστηρίξει αυτό το εύρημα;

Αυτές οι ερωτήσεις βρίσκονται στην καρδιά της αναλυτικής εργασίας.

Γι' αυτό τα projects είναι τόσο ισχυρά. Συνδυάζουν τις τεχνικές δεξιότητες με την επίλυση προβλημάτων, την επικοινωνία, τη δημιουργικότητα και την κριτική κρίση. Σε βοηθούν να καταλάβεις ότι η εργασία με τα δεδομένα δεν είναι απλώς το να γράφεις κώδικα ή να σχεδιάζεις γραφήματα. Είναι το να παράγεις νόημα μέσα από την πολυπλοκότητα.

Ένα project μπορεί να σου μάθει SQL, Python, Power BI, Tableau, στατιστική, machine learning ή data storytelling. Αλλά το πιο σημαντικό είναι ότι σου μαθαίνει πώς να προσεγγίζεις ένα πρόβλημα από την αρχή μέχρι το τέλος.

Αυτή είναι η τέχνη του επαγγέλματος.

Η Εξάσκηση Δεν Είναι Μόνο για τους Αρχάριους

Στην επιστήμη δεδομένων και στα data analytics, η πρακτική εξάσκηση δεν είναι κάτι που κάνεις μόνο στην αρχή του ταξιδιού σου. Είναι κάτι που συνεχίζεις να κάνεις σε όλη τη διάρκεια της καριέρας σου.

Ο κλάδος αλλάζει συνεχώς. Νέα εργαλεία εμφανίζονται. Νέες μέθοδοι γίνονται δημοφιλείς. Οι ανάγκες των επιχειρήσεων εξελίσσονται. Το AI αλλάζει ριζικά τον τρόπο με τον οποίο εργαζόμαστε, μαθαίνουμε, αναλύουμε και χτίζουμε. Για να παραμείνουν επίκαιροι, οι επαγγελματίες πρέπει να συνεχίσουν να πειραματίζονται.

Τα projects είναι ένας από τους καλύτερους τρόπους για να παραμείνεις συνδεδεμένος με τις εξελίξεις:

• Μπορείς να εργαστείς σε δημόσια datasets.
• Να συμμετάσχεις σε προκλήσεις και hackathons.
• Να δημιουργήσεις machine learning πειράματα.
• Να αναλύσεις θέματα που σε ενδιαφέρουν προσωπικά.
• Να αναπαράγεις πραγματικά επιχειρηματικά προβλήματα.
• Να εξερευνήσεις νέα εργαλεία τεχνητής νοημοσύνης χτίζοντας μικρές εφαρμογές.

Δεν χρειάζεται κάθε project να είναι τεράστιο, ούτε να είναι τέλειο, ούτε απαραίτητα να συμπεριληφθεί στο portfolio σου. Η αξία βρίσκεται στην ίδια τη διαδικασία.

Κάθε project ακονίζει τη σκέψη σου. Κάθε project αποκαλύπτει κάτι νέο που πρέπει να μάθεις. Κάθε project ενισχύει την ικανότητά σου να μεταβαίνεις από την αβεβαιότητα στην ουσιαστική γνώση (insight).

Από τη Μάθηση στην Υλοποίηση

Στην Big Blue Data Academy, πιστεύουμε ότι η εκπαίδευση δεν πρέπει να περιορίζεται στη θεωρία. Η θεωρία έχει σημασία, αλλά αποκτά πραγματική αξία μόνο όταν οι μαθητές την εφαρμόζουν.

Αυτός είναι ο λόγος για τον οποίο η πρακτική (hands-on) εργασία αποτελεί τον πυρήνα της διαμόρφωσης ενός επαγγελματία δεδομένων. Οι μαθητές πρέπει να βιώσουν πώς είναι να εργάζεσαι με ατελή δεδομένα, να παίρνεις αναλυτικές αποφάσεις, να κάνεις troubleshooting σε σφάλματα, να εξηγείς αποτελέσματα και να δημιουργείς κάτι δικό σου από το μηδέν.

Επειδή αυτό ακριβώς απαιτεί ο πραγματικός κόσμος.

Οι εργοδότες δεν ψάχνουν απλώς άτομα που έχουν παρακολουθήσει βίντεο ή έχουν συλλέξει πιστοποιητικά. Ψάχνουν για ανθρώπους που μπορούν να σκεφτούν, να χτίσουν, να λύσουν, να εξηγήσουν και να προσαρμοστούν. Τα projects βοηθούν τους μαθητές να αποδείξουν ακριβώς αυτό.

Ένα project στο portfolio σου δεν είναι απλώς απόδειξη ότι γνωρίζεις ένα εργαλείο. Είναι η ζωντανή απόδειξη ότι μπορείς να αναλάβεις την ευθύνη ενός προβλήματος και να βρεις τη λύση του.

Σεβασμός στην «Τέχνη» του Επαγγέλματος

Τα data analytics και η επιστήμη δεδομένων είναι πρακτικοί κλάδοι. Απαιτούν γνώση, αλλά απαιτούν επίσης επανάληψη, πειραματισμό, υπομονή και ανθεκτικότητα. Όπως σε κάθε τέχνη, η βελτίωση έρχεται μέσα από την τριβή.

Γίνεσαι καλύτερος κάνοντας αναλύσεις. Χτίζοντας. Δοκιμάζοντας. Αποτυγχάνοντας. Διορθώνοντας. Κάνοντας καλύτερες ερωτήσεις. Επιστρέφοντας στο πρόβλημα με περισσότερη σαφήνεια από όση είχες πριν.

Οι άβολες στιγμές έχουν σημασία. Τα λάθη έχουν σημασία. Τα μπερδεμένα σύνολα δεδομένων έχουν σημασία. Οι ημιτελείς ιδέες έχουν σημασία. Είναι όλα αναπόσπαστα κομμάτια της διαδρομής.

Τα projects σου δίνουν τον χώρο να εξασκήσεις αυτή τη διαδικασία. Δεν είναι απλώς ασκήσεις. Είναι πεδία εκπαίδευσης. Είναι ο τρόπος με τον οποίο χτίζεις δεξιότητες, αυτοπεποίθηση, κρίση και επαγγελματική ωριμότητα.

Επομένως, αν θέλεις να γίνεις καλύτερος αναλυτής ή επιστήμονας δεδομένων, μην περιμένεις μέχρι να νιώσεις απόλυτα έτοιμος.

Διάλεξε ένα πρόβλημα. Βρες ένα σύνολο δεδομένων. Φτιάξε κάτι. Κόλλησε. Δούλεψε για να το λύσεις. Εκεί ακριβώς είναι που η μάθηση γίνεται πραγματική.