Συχνά ακούμε το εξής: "Θα ήθελα πολύ να ξεκινήσω μια καριέρα στο data analytics, αλλά ποτέ δεν ήμουν καλός στα μαθηματικά." Φαντάζονται ότι τα formulas του Excel μετατρέπονται ξαφνικά σε ανώτερα μαθηματικά. Φαντάζονται τους interviewers να τους ζητούν να αποδείξουν ένα p-value από το μηδέν σε έναν πίνακα. Έτσι, κλείνουν την καρτέλα στον browser και επιστρέφουν σε μια δουλειά που δεν τους ευχαριστεί πραγματικά, επειδή ο μύθος του «μαθηματικού μυαλού» εξακολουθεί να υφίσταται.

Ας ρίξουμε μια πιο προσεκτική ματιά σε αυτόν τον μύθο.

Ποια Μαθηματικά Χρησιμοποιούν Πραγματικά οι Data Analysts;

Κανένας που κάνει data analytics στην καθημερινότητά του δεν λύνει διαφορικές εξισώσεις. Αυτό που κάνουν στην πραγματικότητα είναι πολύ πιο κοντά στο: να φιλτράρουν ένα dataset, να εντοπίζουν ένα trend, να κατανοούν γιατί έπεσαν τα έσοδα τον Μάρτιο και να το εξηγούν σε κάποιον που δεν θέλει να δει ούτε μία μαθηματική φόρμουλα.

Τα πραγματικά εργαλεία που χρειάζεστε μοιάζουν με αυτό:

Βασική στατιστική: Μέσοι όροι, ποσοστά, distributions, correlation vs. causation.

Λογική σκέψη: Να σπάτε ένα περίπλοκο επιχειρηματικό ερώτημα σε βήματα που ένας υπολογιστής (ή ένα spreadsheet) μπορεί να απαντήσει.

Pattern recognition (Αναγνώριση μοτίβων): Να παρατηρείτε ότι κάτι δεν πάει καλά στους αριθμούς, πριν ακόμα μπορέσετε να το εξηγήσετε. Είναι σαν να κοιτάτε ένα sales report και να σκέφτεστε: "Οι Τρίτες είναι πάντα ασυνήθιστα υψηλές". Μόνο αργότερα ανακαλύπτετε ότι υπάρχει μια επαναλαμβανόμενη προσφορά κάθε Τρίτη. Εντοπίσατε το pattern πριν μάθετε την αιτία πίσω από αυτό.

Αυτό είναι όλο. Αυτό είναι το «μαθηματικό υπόβαθρο» που μετράει περισσότερο στον χώρο εργασίας. Αν το συγκρίνετε με αυτό που φαντάζονται οι περισσότεροι – advanced calculus ή αποδείξεις linear algebra – μπορείτε να δείτε πόσο απέχει ο μύθος από την πραγματικότητα της δουλειάς.

Data Analyst vs. Data Scientist: Η Διαφορά στα Μαθηματικά

Μέρος του προβλήματος είναι ότι η λέξη "data" χρησιμοποιείται ως ένας γενικός όρος για πολύ διαφορετικές θέσεις εργασίας.

Data Scientists που χτίζουν machine learning models από το μηδέν; Ναι, αυτοί οι ρόλοι βασίζονται σε μεγάλο βαθμό στα statistics και τη linear algebra.

Data Analysts που μετατρέπουν τα business data σε αποφάσεις; Οι απαιτήσεις στα μαθηματικά δεν είναι καθόλου οι ίδιες.

Οι αγγελίες εργασίας δεν ξεκαθαρίζουν πάντα αυτή τη διαφορά, και το ίδιο συμβαίνει με το μεγαλύτερο μέρος του διαδικτύου. Ο κόσμος διαβάζει τη λέξη "data" και αυτόματα υποθέτει ότι σημαίνει προχωρημένα μαθηματικά. Αυτή η υπόθεση και μόνο είναι αρκετή για να σταματήσει πολλούς από το να κυνηγήσουν μια καριέρα που ποτέ δεν απαιτούσε τέτοιο επίπεδο μαθηματικών.

Real-World Data Analytics: Ένα Πρακτικό Επιχειρηματικό Παράδειγμα

Αντί απλώς να σας λέμε να μην ανησυχείτε, ας το κάνουμε πιο συγκεκριμένο. Αν μπορείτε να ακολουθήσετε αυτό το παράδειγμα, έχετε ήδη το είδος της διαίσθησης στην οποία βασίζεται η δουλειά:

"Οι πωλήσεις μειώθηκαν κατά 12% τον Μάρτιο. Πριν πανικοβληθούμε: Μήπως ο Μάρτιος ήταν απλώς ένας μικρότερος μήνας (σε εργάσιμες); Μήπως ένας ανταγωνιστής έτρεξε μια προσφορά; Η πτώση επηρέασε κάθε προϊόν ή μόνο μία κατηγορία; Είναι το 12% πραγματικά ασυνήθιστο ή αυτό συμβαίνει κάθε Μάρτιο;"

Αυτή είναι η δουλειά με λίγα λόγια. Χωρίς formulas, απλώς παρατηρείς κάτι που ξεχωρίζει, δεν το δέχεσαι επιφανειακά και ρωτάς: "Γιατί συμβαίνει αυτό;" Αν η πρώτη σας σκέψη σε αυτό το παράδειγμα ήταν "λοιπόν, πρώτα θα ήλεγχα αν είναι εποχιακό (seasonal)" – σκέφτεστε ήδη όπως ένας analyst. Τα μαθηματικά έρχονται μετά, για να επιβεβαιώσουν αυτό που η περιέργεια και η διαίσθησή σας έχουν ήδη εντοπίσει.

Ο Φόβος Πίσω από τον Φόβο

Εδώ είναι το κομμάτι που τα περισσότερα άρθρα του τύπου "δεν χρειάζεστε μαθηματικά" παραλείπουν: Σπάνια πρόκειται για το αν θα περάσετε ένα τεστ. Πρόκειται για τη στιγμή που κάθεστε σε μια συνέντευξη ή είστε τρεις εβδομάδες στη νέα σας δουλειά, και κάποιος αναφέρει έναν όρο που δεν έχετε ξανακούσει, και αρχίζετε να αναρωτιέστε αν ανήκετε πραγματικά εκεί.

Αυτή η στιγμή συμβαίνει σε όλους, είτε έχουν μαθηματικό υπόβαθρο είτε όχι. Οι άνθρωποι που τα καταφέρνουν δεν είναι εκείνοι που δεν κολλάνε ποτέ. Αντίθετα, είναι εκείνοι που έχουν χτίσει τη συνήθεια να λένε "Δεν το έχω ξανασυναντήσει αυτό, μπορείτε να μου δείξετε πού να το βρω;" αντί να παγώνουν. Αυτή η συνήθεια μετράει περισσότερο για αυτή την καριέρα από το να γνωρίζετε τι είναι το standard deviation, και είναι κάτι που μπορείτε να ξεκινήσετε να εξασκείτε πριν καν κάνετε αίτηση οπουδήποτε.

Πώς να Δοκιμάσετε τις Ικανότητές σας στο Data Analytics Σήμερα

Όχι ένα roadmap πέντε βημάτων. Μόνο ένα πράγμα: ανοίξτε ένα spreadsheet με οποιοδήποτε dataset μπορείτε να βρείτε – τα analytics του λογαριασμού σας, τα έξοδά σας, έναν πίνακα βαθμολογίας ποδοσφαίρου – και προσπαθήστε να απαντήσετε σε μία ερώτηση σχετικά με αυτό. Όχι "αναλύστε αυτά τα δεδομένα". Απλώς: επιλέξτε έναν αριθμό που φαίνεται ενδιαφέρων και μάθετε γιατί είναι ενδιαφέρων.

Αυτή η μικρή άσκηση αποτυπώνει την ουσία της δουλειάς και χρειάζονται μόνο περίπου είκοσι λεπτά για να μάθετε αν σας αρέσει.

Αν σας αρέσει, τα εργαλεία – όπως το SQL, το Excel και τα BI platforms όπως το Power BI ή το Tableau – δεν είναι τόσο δύσκολα όσο φαίνονται. Είναι απλώς άγνωστα στην αρχή.

Αν δεν απολαύσετε αυτά τα είκοσι λεπτά, αυτή είναι μια εξίσου χρήσιμη απάντηση. Το πρόβλημα δεν ήταν ποτέ τα μαθηματικά, αλλά το αν σας αρέσει η αίσθηση της ίδιας της εργασίας.

Το Συμπέρασμα

Το μεγαλύτερο εμπόδιο για τους περισσότερους ανθρώπους δεν είναι τα μαθηματικά – είναι η υπόθεση ότι δεν είναι ικανοί πριν καν εξερευνήσουν τον τομέα. Στην πραγματικότητα, αυτό που εκτιμούν περισσότερο οι εργοδότες είναι η ικανότητα να εντοπίζετε patterns στα δεδομένα, να αμφισβητείτε αυτό που βλέπετε και να εξηγείτε τα συμπεράσματά σας με σαφήνεια.

Αν τα μαθηματικά είναι το μόνο πράγμα που στέκεται ανάμεσα σε εσάς και μια καριέρα στο data analytics, μην αφήνετε τις υποθέσεις να πάρουν την απόφαση για εσάς. Δοκιμάστε τη δουλειά στην πράξη, όχι τον μύθο.