cs背景做data science

楼主cs背景 目前在大厂做Data Science 组里做的东西偏business modelling， 比如说customer churn/retention， customer lifetime value modelling等等
想问问各位有经验的data scientist或者ML engineer们， cs背景做这些business modelling有优势么 做了一年感觉并不如统计背景有优势。
楼主对NLP还比较感兴趣，但因为工作久了，级别比较senior了。不知道现在从0搞NLP 换去一个相关的组还是不是个好时候？

另外对G F 果家的ML engineer做的东西也不太了解 地里ML eng的朋友们欢迎来介绍下经验

多谢！

兄弟是想往管理走还是想专精DS当IC呀？ 各有好坏.  往管理的话，模型做了几年了，都知道怎么搞了，就可以慢慢往business移了，然后招几个DS打下手，对上你要努力产生business影响力，CS+DS背景，meeting时候data driven的strategy，比较好讲故事，主要是对business有深入理解，对下指导下面的DS去做什么，什么方向等等.

楼主如果对NLP有热情的话其实完全可以业余时间打打kaggle上NLP的比赛，打出名次了的话再想转会比现在从零开始好很多

jackmanyc 发表于 2020-7-6 12:53
兄弟是想往管理走还是想专精DS当IC呀？ 各有好坏.  往管理的话，模型做了几年了，都知道怎么搞了，就可以慢 ...

多谢建议！目前的想法是渐渐往管理层走。你说的find insights，tell story是我现在做的。就是比较纠结要不要拓宽一下领域去NLP了解一下，也方便以后跳槽

"比如说customer churn/retention， customer lifetime value modelling等等"
---------
楼主介绍几个工作中的具体例子，看看具体是做啥

huashifu 发表于 2020-7-6 13:26
"比如说customer churn/retention， customer lifetime value modelling等等"
---------
楼主介绍几个工 ...

举个栗子，churn prediction主要是用于marketing，做用户的定向广告。大多是customer使用信息里发现insights，customer journey，然后进行预测， 进一步提高用户engagement。比较偏统计。

如果不是往IC方向发展，跳个NLP没什么必要。ML方向太多了，对应的产品和技术各有不同，没有必要每个领域都做通。如果做管理，大致的Framework是类似的就如ls有朋友提到的一样。客户engagement-biz define-data-model-production-value prop。不过你提到的你们team做的churn prediction思路个人认为属于ML落地里面稍微简单一点的，对应的技能和框架会有一点不一样(也比较符合你CS的优势)，如果要去lead一个ML team，可以在model这块多干一段时间。

多谢ls各位大神！

lambdalambda 发表于 2020-7-6 14:08
举个栗子，churn prediction主要是用于marketing，做用户的定向广告。大多是customer使用信息里发现insig ...

谢谢楼主的例子，请问对于这个问题用什么技术或者办法解决？如何在customer使用信息里发现insights？如何预测？如何提高用户engagement？
“比较偏统计”意思是统计学的知识对于解决以上问题很有用处？