Главный результат роли
Повышать качество решений там, где простого reporting недостаточно и нужен прогноз, causal estimate или algorithmic decisioning.
Зона ответственности
- Predictive modeling.
- Causal inference.
- MMM.
- Propensity models.
- Forecasting.
- Optimization.
- Experiment methodology.
- Model evaluation.
Типичные KPI
- Model lift/accuracy.
- Incremental business effect.
- Forecast accuracy.
- Decision adoption.
- Model stability.
- Economic value.
Ключевые навыки и инструменты
- Python/R.
- SQL.
- Statistics.
- ML.
- Causal inference.
- Experimentation.
- Data warehouse/lakehouse.
- Model evaluation.
С кем взаимодействует
- Marketing Analytics.
- Data Engineering.
- Growth.
- CRM.
- Media.
- Product/Data Science.
Чем отличается от соседних ролей
Marketing Analyst объясняет, что произошло и где проблема; Data Scientist чаще строит модели, которые прогнозируют, оценивают causal effect или автоматизируют decisioning.
Когда компании нужна отдельная роль
Когда объём данных и стоимость решений оправдывают predictive/causal modeling, а use cases повторяются достаточно часто для отдельной data-science capability.