Data Science yalnızca sualların cavablandırılmasında deyil,həmçinin, daha yaxşı sualların verilməsində tətbiqi

Data Science intensive şəkildə aydın və dəqiq məlumatlar,eyni zamanda,əsaslı fikirlərlə əlaqəlidir. Data “doğru” deyə qəbul olunmuş anlayışla bağlıdır və Data Science sahəsində çalışan mütəxəssis gördüyü işlər sayəsində çoxlu sayda qeyri-müəyyən kəmiyyətlər və vahidləri müəyyənlik vəziyyətinə gətirir.

Reallıqda verilən bütün sualların bir dolğun cavabı olmur və bəzən bir data mütəxəssisinin işi yalnız cavabın tapılmasını yerinə yetirmək və ya uyğun,dəqiq qərarın verilməsini təmin etmək deyil,həmçinin,daha çox sualları daha aydın izah etmək və ya digər  qaynaqlarda olan məlumatlarla daha dəqiq və müvafiq suallar verməyə kömək etməkdən ibarətdir.

Yəqin ki, yeni data mütəxəssislərinin öyrənməli ən vacib vəziyyətlərindən biri hər bir sualın qəti bir cavabının olmamasıdır. Beləki, bir çox yeni analitiklər heç də uğurlu olmayan Data Science təlim və proqramlarında tələbələrin sadəcə olaraq tapmaq üçün yanaşdıqları mütləq bir “doğru” cavabın olduğuna dair qeyri-müəyyən informasiya ilə yanlış istiqamətdə yönləndirilir.

Bəzi sualların çox nüanslı olduğu və ya daha çox qeyri-müəyyənliklə bağlı olduğu fikri bir çox təlim və proqramlardan getdikcə yoxa çıxmağa başlamışdır. Lakin, Silikon Vadisinin qaydalarına zidd olaraq bilinən bu ifadənin əksinə bir çox sualların cavabının tapılması alqoritmlər və kodlar vasitəsilə mümkün qəbul edilir.

Əslində, biznes və dövlət liderlərinin çoxunun qəbul etdikləri qərarların tam olaraq bəzən aydın cavabları olmaya bilir. Bu halda, əgər onlar qərar qəbul edirdilərsə bunu alqoritmlərlə də əvəz etmək mümkündür. Faktiki olaraq, cavab verilməsi asan olan suallar artıq bir çox şirkətlərdə əhəmiyyətli dərəcədə avtomatlaşdırılmışdır və verilənlərə əsaslanan qərarların qəbulu ilə bağlı məhdudiyyətləri nümayiş etdirir. Hazırda bir çox şirkətlər işə götürülmə anında qərarların daha düzgün verilməsi və müraciət edən iştirakçılar arasında doğru, eyni zamanda daha tez qərarın verilməsi üçün CV-nin alqoritmik vizuallaşdırılması üsulundan istifadə edirlər. Bununla birlikdə getdikcə artmaqda olan digər bir problem odur ki, bu alqoritmlər yanlışlıqla müəyyən fiziki xüsusiyyətləri, təcrübələri və linqvistik ipucularını filtirləmə hissəsi üçün kodlayaraq, bəzi demoqrafik ünsürləri xaric edərək qeyri-obyektiv qərarlar verilməsinə gətirib çıxarda bilir.

İstənilən halda, əgər mükəmməl şəkildə əsası qoyulmuş, tərəfsiz bir koda sahib alqoritm mövcud olsaydı, hansısa bir namizədin tam şəkildə şirkət üçün tam uyğun olub olmadığını və  həmin namizədin müvafiq pozisiya üçün ən ideal işçi olduğunu müəyyənləşdirmək üçün kifayət qədər vaxt sərf olunacaqdı.

Bəzi hallarda namizədlərin filtrasiyası üçün deyil, potensial CV-ləri müəyyənləşdirmək, müraciətçilərin bilik və bacarıqlarının müvafiq pozisiyaya uyğunluq dərəcəsinə görə sıralanması üçün yuxarıda sadalanan alqoritmlərdən istifadə olunması daha uğurlu addım sayılır. Beləki, HR menecerlər və rəhbərlər bu cür alqoritmlər vasitəsilə asanlıqla namizədlərin sahib olduqları potensialı seçim zamanı prioritetlərinə görə dəyərləndirə bilirlər.

Data Analitiki vakansiyası üçün müraciət edən namizəd şəxsi CV`də yalnız SQL, R və Python proqramlaşdırma dillərində müəyyən təcrübəyə sahib olduğunu qeyd etsə də, HR namizədin həmçinin, Machine Learning, Deep Learning və TensorFlow (Deep Learning Kitabxanasıdır) əsaslı riyazi biliklərinə sahib olmasına da üstünlük verir. Bu halda CV üçün tətbiq olunan alqoritmin müəyyən icrasından  sonra həmin namizədin tələb olunan pozisiya üçün müvafiq olmadığı müəyyənləşir.  Eyni şəkildə, əgər bir şirkətdə yeni bir fabrikin və ya yeni mağazanın açılması haqqında müzakirələr gedirsə və ya dövlət qurumunun hansı növ diplomatik addımlarının atılması ətrafında fikirlər yürüdürsə, belə hallarda hər zaman aydın bir cavab alınması mümkün olmaya bilir. Amma, bu cür hallarda Data Analitiki fərqli baxış bucağı və analiz üsulları ilə vəziyyəti müxtəlif aspektlərdən dəyərləndirərək, müştəri və istifadəçilər üçün konteksti daha aydın və anlaşıqlı vəziyyətə gətirir. Beləliklə, yarana biləcək suallar qısa zamanda aradan qaldırılır və qərar qəbul edilir.

 

Əgər hansısa biznesdə menecer müştərilərin məhsullarda sevdiyi və sevmədiyi tərəflərlə maraqlanırsa, Data Analitiki ilk olaraq asan şəkildə müştərilərdən alınmış rəyləri yalnızca analiz etməməlidir.

Qısaca, cavabsız sualların cavablandırılması yerinə Data mütəxəsislərinin interaktiv şəkildə müştərilər ilə əlaqələr qurmaq, müştərilərin hər bir potensial seçiminin əsasında duran nəticələri anlaşıqlı şəkildə onlara çatdırmalıdır.

Bütün sadalananları bir yerə toplasaq, Data mütəxəssisləri riskləri müəyyən mənada nəzərdə saxlamalı, nəticələrdəki qeyri-müəyyənlik ətrafında düşünməlidir və sahələrinin təkcə suallara cavab tapılmasından ibarət olmadığı, bəzən də daha yaxşı sualların verilməsində yardımın göstərilməsindən ibarət olduğunu bilməlidirlər.