Если вы предпочитаете общаться с профессорами лицом к лицу, иметь возможность обсудить с ними проблемы и извлекать пользу из повседневного общения с однокурсниками, то для вас в американских университетах есть все растущее число программ на степень по аналитике, обычно магистерскую. Их прародительница – основанная пять лет назад магистерская программа по аналитике в Университете Северной Каролины
[97], одна из лучших в этой области. Почему именно Северная Каролина? Основатель и генеральный директор компании по разработке аналитического программного обеспечения SAS Джим Гуднайт учился именно в этом университете и любезно пожертвовал деньги, чтобы основать эту программу.
Магистерская программа по аналитике – это программа подготовки профессионалов с глубоким пониманием инструментов, методов, приложений и практического применения. Принципы ее организации, по нашему мнению, в полной мере соответствуют задачам и потребности компаний и бизнеса в целом в количественно ориентированных специалистах.
• Короткая по времени. Десять месяцев интенсивного обучения, разбитых на три семестра (лето, осень и весна). Зачисление производится в июле, выпуск в мае следующего года. Заочной и вечерней формы обучения нет.
• Напряженный график обучения. Обучение в течение полного дня (понедельник – пятница с 9:00 до 17:00) в кампусе. Комплексный учебный план для группы студентов; предусмотрена работа в группах; во внеаудиторное время планируется работа над проектами.
• Широкое и рассчитанное на практическое применение содержание курсов. Комплексный, мультидисциплинарный учебный план (разработанный на основе опыта кафедр и колледжей Северной Каролины) направлен на обучение практическим навыкам, пригодным для решения актуальных проблем в статистике, прикладной математике, компьютерных науках, исследовании операций, финансах и экономике, маркетинге.
• Обучение на собственном опыте. Использование практикумов вместо стандартных форм обучения (студенты работают в группах по пять человек, решая реальные проблемы на основе заданий и данных, предоставленных промышленными спонсорами; напряженная работа в течение семи месяцев завершается отчетом перед спонсором).
Магистерская программа по аналитике Университета Северной Каролины основана на инновационном учебном плане, состоящем из специально разработанных для нее курсов. Они посвящены интеллектуальному поиску данных и анализу текстов, прогнозированию, оптимизационным задачам, базам данных, визуализации данных, безопасности баз данных, финансовой и потребительской аналитике. Студенты приходят в программу с разным базовым образованием и опытом, хотя предпочтительна определенная ориентация на количественные исследования. Средний возраст студентов 27 лет, примерно 26 процентов уже имеют университетское образование. Примерно половина студентов до поступления на программу работала на полную ставку. Несмотря на сложную ситуацию и медленный рост в национальной экономике, выпускники программы 2011 года поставили рекорд по количеству интервью с работодателями – 469 (то есть на каждого выпускника пришлось по 12 интервью; в 2012–2013 годы численность студентов возросла до 80 человек). Все выпускники обеспечены заявками работодателей на пять лет вперед. Учитывая, что спрос работодателей на этих выпускников постоянно растет, вполне понятно, что аналогичные программы открываются и в других университетах. Одно из недавних исследований выяснило, что 59 университетов предлагают программы по деловой аналитике или бизнес-разведке, в том числе 37 магистерских и 22 бакалаврские программы
[98]. Школы также начинают предлагать курсы по изучению данных, а в скором времени надо ожидать и программ с выдачей диплома.
Количественные навыки
Количественный подход важен, но не менее важны и количественные навыки. Говорят, что легче привести свои действия в соответствие с новым способом мышления, чем придумать новый образ действий. Если постоянно тренировать количественные навыки, то через некоторое время окажется, что у вас выработался количественный подход.
Требуйте чисел
Хорошие количественные аналитики (а также организации, стремящиеся воспитать их в своем коллективе) всегда должны требовать количественную информацию, когда им представляют идеи, теории и случайные наблюдения. Приучитесь задавать вопрос: «Есть ли у вас данные в поддержку этой гипотезы?» Ну а если вы действительно круты, то периодически вставляйте фразу «Множество слухов – это еще не данные». Требование данных играет большую роль, поскольку позволяет ответить на вопросы: «Как человек мыслит?», «Какие инструменты и процессы помогли обеспечить это направление действий?» В дополнение к глобальным задачам спасения мира попытайтесь бороться с желанием перескакивать сразу к выводам, не требуя представления данных.
То же справедливо при презентации ваших идей. Если никаких данных нет, проведите хотя бы небольшой эксперимент в стиле «сумасшедшего ученого» и соберите их. Постоянно стремитесь собрать как можно больше данных до того, как начнете развивать свои теории. Это поможет поставить их на надежную основу количественного анализа и одновременно увеличит шансы убедить слушателей в правильности ваших идей. Навык опираться на цифры и подтверждать ими свои идеи абсолютно необходим любому, кто хочет стать квалифицированным количественным аналитиком.
Никогда не доверяйте числам
Только что мы писали о том, что аналитик всегда стремится собрать числа и прочие данные в поддержку своих теорий и взглядов на мир. Но сейчас мы хотели бы поговорить о необходимости разумно-скептического подхода к ним. Как и в случае с новым знакомым, не доверяйте данным до тех пор, пока не узнаете о них больше. Никогда не принимайте за чистую монету никакие числа, которые вам представили. Существует несколько причин, по которым данные не заслуживают доверия. Люди (а особенно политики) иногда лгут и мошенничают, прикрываясь цифрами, или в крайнем случае неправильно интерпретируют их, стремясь добиться своих скрытых целей. Шотландский поэт и критик Эндрю Ланг писал: «Он использует статистику, как пьяница использует столб – больше в качестве опоры, а не источника света»
[99]. Числа могут быть неправильно отобранными, и в таком случае они не отражают состава генеральной совокупности. Критичное отношение к данным оправданно, особенно если они нетипичны и вызывают удивление. Лучший способ получить надежные данные – относиться к ним критично и стараться узнать как можно больше об их происхождении. В частности, скептицизм относительно данных должен включать следующие аспекты.
