Почему многие DS не понимают бизнес-задачу — 4 июня 2026 г. в 14:37:03.482
Почему многие DS не понимают бизнес-задачу Одна из самых частых проблем в Data Science вообще не связана с моделями. Многие DS отлично знают: 👉 метрики 👉 архитектуры 👉 feature engineering 👉 Python 👉 математику Но при этом плохо понимают, зачем бизнесу нужна модель. И это потом очень заметно в работе. Когда ML уходит в вакуум Например, человек может месяцами улучшать ROC-AUC: 👉 с 0.91 до 0.93 Хотя для бизнеса разницы почти нет. Или строить сложную систему там, где хватило бы пары SQL-правил. И наоборот: 👉 модель с «неидеальными» метриками 👉 может приносить много денег потому что хорошо встроена в процесс. Откуда начинается проблема Большинство курсов учат: 👉 обучать модели 👉 подбирать гиперпараметры 👉 улучшать benchmark Но почти не учат задавать вопросы: 👉 что именно пытается оптимизировать бизнес? 👉 сколько стоит ошибка? 👉 как модель будут использовать? 👉 кто принимает решения на основе предсказаний? Хотя это важнее половины ML-стека. Метрика ≠ цель бизнеса Многие воспринимают задачу как: «Получить максимальную метрику». Хотя в реальности задача обычно звучит иначе: 👉 уменьшить churn 👉 снизить потери 👉 ускорить процесс 👉 сократить ручную работу И иногда лучший ML-проект — это вообще не ML. Прод быстро возвращает в реальность Бизнесу всё равно: 👉 какой у тебя encoder 👉 сколько слоёв 👉 какой learning rate Его интересует: 👉 работает ли система 👉 экономит ли деньги 👉 не ломается ли каждую неделю Частая ошибка Люди начинают: 👉 с модели 👉 обсуждают архитектуру 👉 спорят про CatBoost vs XGBoost Ещё до того, как нормально поняли саму задачу. Хотя хороший DS обычно сначала пытается понять: 👉 откуда берутся данные 👉 как принимаются решения 👉 где появляется ценность И только потом думает про модель. Главная мысль Сильные специалисты часто отличаются не тем, что знают больше алгоритмов. А тем, что умеют связывать: 👉 данные 👉 продукт 👉 ограничения 👉 деньги 👉 реальный процесс Без этого ML очень быстро превращается в дорогую игрушку.