Kapodistrias Nikolaos | Director of Data Science
SPOTAWHEEL
WORKEARLY INTERVIEW
Μια μικρή περιγραφή για εσένα, την εμπειρία σου
στον κλάδο του Data Science, την τωρινή σου δραστηριότητα και τις αρμοδιότητες σου περιληπτικά.
Κατάγομαι από την όμορφη Κέρκυρα (νομίζω είναι εμφανές από το επώνυμό μου). Αν κατάγομαι και από την ιστορική οικογένεια του Καποδίστρια δε γνωρίζω με βεβαιότητα, όμως ξέρω ότι είμαστε από διπλανά χωριά. Είμαι παντρεμένος και έχω 2 μικρά παιδάκια. Σπούδασα στατιστική (πτυχίο και μεταπτυχιακό), την οποία αγαπάω πολύ ως επιστήμη, συνεπώς το data science ήρθε ως φυσική εξέλιξη των πραγμάτων.Έχω απασχοληθεί τόσο στην Accenture όσο και στο Beat app στο κομμάτι του Data Science και Machine Learning Engineering για περίπου 11 χρόνια. Πλέον ως Director του Data Science στην Spotawheel είμαι υπεύθυνος για την οργάνωση και στελέχωση του τμήματος data science, για τη δημιουργία μίας κουλτούρας όπου κάθε εργαζόμενος θα ήθελε έχει, για την δημιουργία ενός στρατηγικού προγράμματος με βάθος χρόνου και τέλος την τεχνική καθοδήγηση ώστε να χρησιμοποιούμε πάντα τεχνολογίες αιχμής.
Τι σου αρέσει περισσότερο όσον αφορά την εργασία σου στον κλάδο του Data Science?
Εκείνο το οποίο μου αρέσει περισσότερο στον κλάδο αυτό είναι η προσπάθεια να μεταφράσεις ένα επιχειρηματικό πρόβλημα σε τεχνικό (data science), και η όλη συλλογική προσπάθεια της ομάδας τελικά να βγει στην παραγωγή. Να δεις δηλαδή εταιρικές αποφάσεις να λαμβάνονται μέσω των αποτελεσμάτων των αλγορίθμων και κατ’ επέκταση οι υπάλληλοι της εταιρείας να ασχολούνται με άλλα πιο ιδιαίτερα προβλήματα. Γενικά ο κανόνας είναι ότι 1 στα 10 data science projects βγαίνουν στην παραγωγή, συνεπώς η χαρά και η ικανοποίηση της ομάδας όταν το πετυχαίνει είναι η καλύτερη ανταμοιβή για εμένα.
Τι είναι αυτό που παρατηρείς ως major event, τάση ή αλλαγή που θα αλλάξει τον κλάδο του Data Science και των Analytics τα επόμενα 5 χρόνια? Ποιά είναι η άποψη σου για το remote working?
Κατ’ αρχάς το cloud infrastructure είναι πλέον αρκετά ώριμο παρέχοντας pre- trained αλγορίθμους αλλά και user friendly περιβάλλοντα ώστε να μπορεί οποιαδήποτε εταιρεία έστω και με ελάχιστες γνώσεις σε data science να τα χρησιμοποιήσει. Αυτό είναι ένα αρκετά μεγάλο πλεονέκτημα με το ανάλογο χρηματικό κόστος φυσικά. Κοιτώντας μπροστά βλέπω 3 major events. Στο εγγύς μέλλον οι εταιρείες λόγω κόστους δε θα μπορούν να απασχολούν data scientists, machine learning scientists, machine learning engineers και data engineers. Θα αναζητούν επαγγελματίες οι οποίοι είναι T-shaped. Δηλαδή να έχουν ένα πολύ καλό business acumen και ideation (data scientists) και παράλληλα να έχουν καλές δεξιότητες στο κομμάτι των big data αλλά και του
productionisation ενός data science project. Εν ολίγοις επαγγελματίες οι οποίοι να μπορούν να εκτελέσουν ένα project από την αρχή έως το τέλος του. Το δεύτερο major event αφορά τους κλάδους του περιβάλλοντος και των
κλινικών δοκιμών. Θεωρώ ότι η χρήση του computer vision & natural language process στις κλινικές δοκιμές για ασθένειες όπως ο καρκίνος αλλά και στην κλιματική αλλαγή (η οποία τα τελευταία χρόνια έχει γίνει πολύ αισθητή παγκοσμίως) θα είναι σε μεγάλη άνθηση. Τέλος, καθώς εξελίσσεται και η τεχνολογία το επόμενο best thing είναι η χρήση του quantum computing σε data science προβλήματα. Θα ελαχιστοποιήσει τον χρόνο που χρειάζονται τώρα αλγόριθμοι να αναζητήσουν λύση σε πολύ σύνθετα προβλήματα. Όσον αφορά το remote working πιστεύω ήρθε για να μείνει και ως ιδέα το υποστηρίζω πάρα πολύ. Ίσως ακόμα δεν μπορεί να εφαρμοστεί σε όλες τις θέσεις εργασίας κάτι το οποίο είναι λογικό. Προσωπικά μου δίνει την ευελιξία να βρίσκω επαγγελματίες σε διάφορες περιοχές της Ελλάδας και του εξωτερικού που πριν δε μπορούσα. Εάν πχ ένας καλός υποψήφιος ζει σε μία πόλη της Ελλάδας και για προσωπικούς λόγους δε μπορεί να φύγει από εκεί, εγώ γιατί να τον χάσω? Παράλληλα 3 χρόνια τώρα που δουλεύουμε με τις ομάδες σε καθεστώς remote working, η παραγωγικότητα της ομάδας είναι στα ίδια ή αν όχι σε υψηλότερα επίπεδα από πριν τον κορονοιό, ενώ μαζευόμαστε 1 φορά το μήνα όλοι μαζί για να μη χάνουμε και την προσωπική επαφή. Συνεπώς δε βρίσκω λόγο να μην το υποστηρίζω.
Ποια είναι τα skills που χρειάζεται ένας/μια επαγγελματίας στον
κλαδο του Data Science ώστε να πετύχει ? Ποιά είναι τα ιδανικά
χαρακτηριστικά που θα ήθελες να δεις σε έναν candidate ώστε ναενταχθεί στις ομάδες σου στην Spotawheel ?
Πιστεύω ότι αρκετός κόσμος από διαφορετικές ειδικότητες μπορεί να απασχοληθεί στον τομέα του data science αλλά θα έχει και διαφορετική καμπύλη εκμάθησης. Η βάση του data science είναι η στατιστική. Για παράδειγμα, κάποιος απόφοιτος ενός τμήματος στατιστικής είναι πιο εύκολο να ενταχθεί στο data science αρκεί να μάθει καλό προγραμματισμό. Κάποιος απόφοιτος του τμήματος ηλεκτρονικών υπολογιστών ή ψηφιακών
συστημάτων γνωρίζει προγραμματισμό όμως όχι στατιστική, συνεπώς θα χρειαστεί μεγαλύτερο χρόνο εκμάθησης. Πολύς κόσμος θεωρεί ότι το data science είναι η δημιουργία ενός σύνθετου αλγορίθμου και αυτό είναι το κομμάτι που τους κεντρίζει το ενδιαφέρον. Η βασική αρχή του data science είναι να λύσεις ένα πρόβλημα χωρίς να κάνεις χρήση του data science. Μπορείς να το λύσεις με απλούς κανόνες (business rules) και να πάρεις ένα καλό value σε πολύ σύντομο χρονικό διάστημα? Η επόμενη ερώτηση είναι μπορώ να κάνω χρήση στατιστικών μοντέλων? Υπάρχει η άποψη ότι το data science αφορά μόνο αλγορίθμους βαθιάς εκμάθησης, κάτι το οποίο είναι πέρα για πέρα λάθος. Υπάρχουν στατιστικά μοντέλα που δίνουν τρομερά
πλεονεκτήματα. Πολλές φορές τα αποτελέσματα τους είναι συγκρίσιμα ή αν όχι καλύτερα από τους υπόλοιπους αλγορίθμους, ενώ παράλληλα τρέχουν χωρίς να απαιτούν το χρόνο που θέλουν μοντέλα εκμάθησης. Γενικά όμως θα πρέπει να γνωρίζει κάποιος ότι σε ένα data science project η αναζήτηση/ καθαρισμός/προετοιμασία των δεδομένων είναι το 70% της δουλειάς, το productionisation ένα 15%, το reporting ένα 10% και μόλις ένα 5% είναι η δημιουργία του μοντέλου. Και γιατί συμβαίνει αυτό? Γιατί πολύ απλά αν δεν έχω καλά δεδομένα δε θα έχω και καλά αποτελέσματα (garbage in – garbage out).
Στο data science είμαστε μία ζωντανή οντότητα. Δεν υπάρχουν silo ούτε one man show projects. Συνεπώς το πιο σημαντικό skill για εμένα είναι η ομαδικότητα. Κάθε επαγγελματίας θα πρέπει πρώτα απ’ όλα να μπορεί να
συνεργαστεί με μία ομάδα. Να δέχεται τις απόψεις των συναδέλφων του, τη διαφορετικότητά τους και να γνωρίζει ότι όλες οι αποφάσεις είναι συλλογικές, γιατί όταν θα πετύχουμε κάτι θα το πετύχουμε ως ομάδα. Ένα επίσης σημαντικό skill είναι η προσοχή στη λεπτομέρεια. Όπως προανέφερα η προετοιμασία των δεδομένων είναι το 70% του project. Άρα ο υποψήφιος θα πρέπει να ξέρει να κάνει στατιστικές αναλύσεις, να ψάχνει λάθη στα δεδομένα και να αναζητεί εκείνες τις λεπτομέρειες που θα κάνουν τη διαφορά. Εάν έπρεπε να συμπεριλάβω ένα ακόμα skill είναι το “solve local & think bigger”. Θα πρέπει πάντα να προσπαθείς να σπάσεις το πρόβλημα σε μικρά κομμάτια, ίσως κάποια PoCs. Nα κάνεις ένα βήμα τη φορά, προσπαθώντας
παράλληλα να θέσεις τις βάσεις της μεγαλύτερης εικόνας του project. Με λίγα λόγια να λύσεις το πρόβλημα τοπικά (ίσως σε μία αγορά ή για μία κατηγορία προϊόντος) και παράλληλα να έχεις σκεφτεί πως αυτό μπορεί εύκολα να κάνει scale σε άλλες αγορές και να γίνει universal.
Πως η Spotawheel χρησιμοποιεί την επιστήμη των Δεδομένων για να βελτιώσει το προϊόν της και το user experience ?
Συχνά μου κάνουν την ερώτηση “Μα τι data science projects μπορεί να χρειάζεται μία εταιρεία σαν τη Spotawheel”? Και όμως σε βάθος χρόνου 3ετίας έχουμε δημιουργήσει ένα πλανόγραμμα με πάνω από 20 projects τα
οποία σκοπό έχουν να βοηθήσουν όλους τους τομείς της εταιρείας μας. Για παράδειγμα ένα από τα σημαντικότερα project της εταιρείας είναι η τιμολόγηση των αυτοκινήτων που πωλούμε στις αγορές που δραστηριοποιούμαστε. Από πλευράς data science είναι ένα project που συνδυάζει 4 βασικά χαρακτηριστικά. Αρχικά, μία πολύ καλή προετοιμασία δεδομένων, με τη συλλογή των στοιχείων εκείνων που επηρεάζουν την τιμή ενός αυτοκινήτου (μάρκα, μοντέλο, κυβικά, ίπποι,…). Αλγόριθμοι computer vision έρχονται και εμπλουτίζουν τα δεδομένα μας με επιπλέον δεδομένα τα οποία αρχικά δεν είναι διαθέσιμα. Τέλος, ένα σύνολο αλγορίθμων οι οποίοι εκπαιδεύονται σε αυτά τα δεδομένα ώστε να κάνουν μια ακριβή εκτίμηση της τιμής πώλησης. Σε όλη αυτή τη διαδικασία φυσικά έχουμε στενή συνεργασία με συνεργάτες της εταιρείας μας οι οποίοι γνωρίζουν πως κινείται η αγορά του μεταχειρισμένου αυτοκινήτου και με τις δικές τους γνώσεις προσπαθούμε συνεχώς να κάνουμε τον αλγόριθμο ακόμη καλύτερο. Σε γενικές γραμμές ορισμένα από τα project μας αφορούν την βελτιστοποίηση της σύνθεσης του χαρτοφυλακίου των αυτοκινήτων μας σε κάθε αγορά, τον τρόπο προβολής των αυτοκινήτων στο site μας με βάση τις προσωπικές ανάγκες του κάθε πελάτη , τη γενική εξυπηρέτηση των πελατών μας με έξυπνα chatbots, αλλά
και τη βελτιστοποίηση του budget για προωθητικές ενέργειες.
Ποια συμβουλή θα έδινες σε κάποιον/α που θέλει να ξεκινήσει την καριέρα του στον κλάδο την Ανάλυσης Δεδομένων?
Αρχικά το βασικό κριτήριο είναι να του αρέσουν οι αριθμοί. Να παθιάζεται! Από εκεί και πέρα, για κάποιον ο οποίος θέλει να κάνει τα πρώτα του βήματα και δεν έχει καλές γνώσεις στατιστικής θα ήταν πολύ καλό να παρακολουθήσει ορισμένα online training programs. Είναι σημαντικό πλεονέκτημα να γνωρίζει κάποιος στατιστική διότι μπορεί να δει πράγματα τα οποία οι υπόλοιποι δε βλέπουν. Ένα καλό ξεκίνημα είναι θέσεις εργασίας που αφορούν το data analysis. Αν και ως data analyst δεν εμπλέκεσαι σε mid ή long term εταιρικά προβλήματα, παρόλα αυτά η στενή επικοινωνία με το business, η επαφή με κώδικα αλλά και η δημιουργία reporting θα βοηθήσουν σημαντικά στο να δημιουργήσει ο υποψήφιος ένα πολύ καλό business acumen. Από εκεί και πέρα ο υποψήφιος μπορεί να επιλέξει αν επιθυμεί να ανελιχθεί στην ιεραρχία του data analysis ή θέλει να κάνει στροφή στο data science. Έχοντας πλέον γερές βάσεις ως data analyst μπορεί να εμπλακεί σε long term εταιρικά προβλήματα τα οποία έχουν και πολλά unknowns που θα κληθεί να επιλύσει με την ομάδα του.
.png)
Data Science Training
Tο Workearly αποτελεί την πρώτη υπηρεσία που παρέχει Data Science Training Programs τα οποία ακολουθούν πρακτική προσέγγιση για την απόκτηση νέων ικανοτήτων, δεξιοτήτων και εμπειρίας που απαιτούνται για μια θέση εργασίας σε ένα πραγματικό, ή κοντά στο πραγματικό, εργασιακό περιβάλλον.
Πρόκειται για έναν συνδυασμό θεωρητικών γνώσεων και πρακτικής ενασχόλησης μέσα από πραγματικά case-studies. Οι συμμετέχοντες καλούνται να φέρουν εις πέρας εργασίες που θα κληθούν να αναλάβουν και ως επαγγελματίες στην αντίστοιχη θέση.Σκοπός δεν είναι η θεωρητική προσέγγιση ή η αποστήθιση γνώσεων αλλά η προσομοίωση εργασιακών καταστάσεων, στις οποίες οι συμμετέχοντες καλούνται να λάβουν αποφάσεις και να βρουν λύσεις σε πρακτικά προβλήματα.
Οι απόφοιτοι έχουν την δυνατότητα άμεσης διασύνδεσης με την αγορά στην Ελλάδα αλλά και το εξωτερικό, μέσω του συνεργαζόμενου ομίλου Vaquancy – The Global Recruitment Hub for Tech Hybrid Talent και της Remote.com
