My Journey from Psych Grad to Leading Data Science at Lazada

eugeneyan

eugeneyan

Start Here Writing Speaking Prototyping About

My Journey from Psych Grad to Leading Data Science at Lazada

Мой путь от выпускника-психолога до руководителя Data Science в Lazada

[ career lazada 🔥 ] · 12 min read

[ career lazada 🔥 ] · 12 минут чтения

Many people are curious about how I got into the field of data science with a Psychology degree. They’re curious how I made the first step.

Многих интересует, как я попал в data science с дипломом по психологии. Им любопытно, как я сделал первый шаг.

Then, they find out I was leading the data science team at Lazada and they’re interested in how that happened. (Spoiler alert: A lot hard work and some luck.)

А потом они узнают, что я возглавлял команду data science в Lazada, и им становится интересно, как это получилось. (Спойлер: много тяжёлой работы и немного удачи.)

In a world where almost every data science leader has a technical Ph.D. (or two), I’m unusual. An anomaly. I guess this is why people are curious about my story. There’s perhaps also a bit of “underdog” dust in it.

В мире, где почти у каждого руководителя data science есть технический PhD (или два), я необычный. Аномалия. Видимо, поэтому моя история вызывает интерес. Возможно, в ней есть и щепотка истории про «андердога».

Enough people (10+) have asked to write this down—it’s just more scalable. I’ve included some key anecdotes and also distilled some lessons at the end.

Достаточно людей (10+) попросили это записать — так просто масштабируемее. Я включил несколько ключевых эпизодов и в конце выделил основные уроки.

TL; DR: (i) self-learning, (ii) delivering value, and (iii) effective communication.

TL;DR: (i) самообучение, (ii) доставка ценности и (iii) эффективная коммуникация.

As much as I try not to appear boastful, my intent is to share what I’ve learned and help others get into and be successful in this field.

Как бы я ни старался не казаться хвастливым, моя цель — поделиться тем, чему научился, и помочь другим войти в эту сферу и добиться в ней успеха.

Update: Here's what my ex-boss at Lazada had to say about it

Обновление: вот что сказал об этом мой бывший начальник в Lazada

Before I got into data science

До того, как я попал в data science

Having just graduated with my degree in Psychology and Organisation Behaviour, I was unsure of what to do next. I’m a Social Science graduate! I could do anything! Or I could do nothing.

Только что получив диплом по психологии и организационному поведению, я не знал, что делать дальше. Я выпускник социальных наук! Я могу что угодно! Или ничего.

I eventually got a role as an Investment Analyst for the government. I expected to use data to make better investment decisions. Which countries to invest in, which industries to focus on. However, it was mostly negotiation and legal work on Free Trade Agreements. I got bored.

В итоге я устроился инвестиционным аналитиком в государственное учреждение. Я ожидал, что буду использовать данные для принятия более качественных инвестиционных решений. В какие страны инвестировать, на каких отраслях сосредоточиться. Однако работа в основном свелась к переговорам и юридическим вопросам по соглашениям о свободной торговле. Мне стало скучно.

Out of curiosity, I started taking online courses (Coursera and EdX are great!) Those early data courses very super interesting, and convinced me that I was made for something greater. Or at least different. I had to get a data-related job.

Из любопытства я начал проходить онлайн-курсы (Coursera и EdX — это супер!). Те ранние курсы по данным были очень интересны и убедили меня, что я создан для чего-то большего. Или хотя бы другого. Я должен был получить работу, связанную с данными.

Luckily, IBM had a program to hire and train a cohort of mid-career professionals for data-related roles. It seemed like a long shot, but I decide to send in my resume anyway.

К счастью, у IBM была программа по найму и обучению группы профессионалов с опытом работы для ролей, связанных с данными. Это казалось маловероятным выстрелом, но я всё равно отправил резюме.

Surprisingly, I got invited for interviews. (I didn’t have the right education or experience; I wouldn’t have considered myself!) Some questions on statistics, SQL, R, most of which I picked up through online courses. It was a gift from above when they sent me an offer.

К моему удивлению, меня пригласили на собеседования. (У меня не было ни нужного образования, ни опыта; я бы сам себя не рассмотрел!) Несколько вопросов по статистике, SQL, R — большую часть я подтянул через онлайн-курсы. Оффер был подарком свыше.

The 33% pay cut was tough to swallow. But I was pretty bored (read: miserable) as an Investment Analyst after two years, so I accepted.

Снижение зарплаты на 33% было тяжело проглотить. Но мне было настолько скучно (читай: я был несчастен) на позиции инвестиционного аналитика после двух лет, что я согласился.

My first step into the field

Мой первый шаг в эту сферу

Day 1 was a shock. Of the 20 people hired, 18 had technical degrees, of which 10 were PhDs. The remaining two had a Psychology degree (me) and an economics degree. I was the most non-technical in the group.

Первый день стал шоком. Из 20 нанятых 18 человек имели технические дипломы, из них 10 — PhD. Оставшиеся двое — диплом по психологии (это я) и по экономике. Я был самым нетехническим в группе.

How I felt on the first day (from: https://www.nathanwpyle.art/)

Как я чувствовал себя в первый день (из: https://www.nathanwpyle.art/)

Why did IBM hire me? I’d like to think it was my charm, but my conscience says “no way!”. Thus, I offer three more rational reasons.

Почему IBM наняла меня? Хотелось бы думать, что дело в моём обаянии, но совесть говорит «ни за что!». Поэтому предлагаю три более рациональные причины.

Я соответствовал минимальной технической планке (благодаря бесплатным курсам). Мой опыт в госсекторе пригодился в роли консультанта. Немного удачи.

The first year saw me working as a junior consultant, building supply chain dashboards, doing social media monitoring, etc.

Первый год я работал младшим консультантом, строил дашборды для цепочек поставок, занимался мониторингом соцсетей и т.п.

In year two I was internally transferred to the workforce analytics team, working to forecast job demand and build a job recommendation engine to move people within the organization.

На втором году меня внутренне перевели в команду workforce-аналитики, где я работал над прогнозированием спроса на рабочие места и строил рекомендательный движок для перемещения людей внутри организации.

On the side, I continued self-learning. I picked up Python (love it) and took classes in machine learning. Spark, a shiny (pun intended) big data framework was emerging and provided free courses on EdX—I devoured these too.

Параллельно я продолжал самообучение. Освоил Python (обожаю его) и прошёл курсы по машинному обучению. Появился Spark — блестящий (каламбур) big data фреймворк — который выпускал бесплатные курсы на EdX, и я их тоже проглотил.

Serendipity

Серендипность

With my new-found skills in Python and machine learning, I was looking for an opportunity to practice. It was then I stumbled into my first Kaggle competition.

С новыми навыками в Python и машинном обучении я искал возможность попрактиковаться. И тут наткнулся на своё первое соревнование на Kaggle.

The Otto Product Classification challenge had participants building machine learning models to classify 200k products into 9 categories. I took part and eventually teamed up with a fellow competitor towards the end. Our final submission was an ensemble of gradient boosted trees and neural networks that did well enough to rank in the top 3% of 3500+ teams. Not bad for a first attempt.

В Otto Product Classification challenge участники строили ML-модели для классификации 200 тысяч товаров по 9 категориям. Я принял участие и ближе к концу объединился с другим участником. Наша финальная посылка — ансамбль gradient boosted trees и нейросетей — оказалась достаточно хороша, чтобы попасть в топ 3% из более чем 3500 команд. Неплохо для первой попытки.

I thought Kaggle was the best thing since the iPhone. It was a great place to practice, learn from the best in the world, and get immediate feedback. I was excited to share my experience and learnings. When an opportunity came along to present at a data science meet-up group for a personal-project themed meetup—I was happy to oblige.

Я думал, что Kaggle — это лучшее, что появилось со времён iPhone. Отличное место, чтобы практиковаться, учиться у лучших в мире и получать мгновенную обратную связь. Мне хотелось поделиться опытом и наблюдениями. Когда появилась возможность выступить на митапе data science сообщества с темой личных проектов, я с радостью согласился.

80+ people showed up that Saturday afternoon in June. Mind-blown. Who are these people and don’t they have better things to do on a Saturday?! They were generous with their attention and feedback, and I learned as much from them as taking part in the competition.

80+ человек пришли в ту июньскую субботу днём. Мозг взорван. Кто эти люди, и неужели у них нет дел получше в субботу?! Они были щедры на внимание и обратную связь, и я научился у них не меньше, чем от участия в самом соревновании.

Unbeknownst to me, Serendipity also attended the meet-up. And she brought along a friend in the audience.

Втайне от меня на митап заглянула и Серендипность. И прихватила с собой знакомого в зале.

“You make your own luck” - Ernest Hemingway

«Свою удачу ты делаешь сам» — Ernest Hemingway

Word about my talk travelled. At another data meet-up in June, I got acquainted with the organizer. He was starting the data team at Lazada and got to know about my sharing.

Слухи о моём выступлении разошлись. На другом data-митапе в июне я познакомился с организатором. Он запускал команду по данным в Lazada и узнал о моём выступлении.

Opportunity comes knocking

Возможность стучится в дверь

Lazada was a start-up launched in 2012, backed by Germany’s Rocket Internet. It was bringing the convenience of e-commerce to Southeast Asia’s population. Achieving similar success to Amazon and Alibaba would have been nice too. (Acquired by Alibaba in 2016.)

Lazada — стартап, запущенный в 2012 году при поддержке немецкого Rocket Internet. Он приносил удобство e-commerce населению Юго-Восточной Азии. Достичь успеха уровня Amazon и Alibaba тоже было бы неплохо. (Куплен Alibaba в 2016.)

They were struggling with accurate product categorization and had heard about my sharing on the Kaggle competition.

Они испытывали трудности с точной категоризацией товаров и услышали про моё выступление о Kaggle-соревновании.

I was invited to Lazada for a “chat”. It started with a quick run-through of my meet-up presentation to the Head of Data Science (John Berns) and his boss, the CIO (Klemen Drole). The rest of the team (three people, including one person who attended my meetup) were also kind enough to take me out for lunch.

Меня пригласили в Lazada «поболтать». Всё началось с быстрого прогона моей митаповой презентации перед Head of Data Science (John Berns) и его руководителем — CIO (Klemen Drole). Остальная команда (три человека, включая одного, кто был на моём митапе) была настолько любезна, что сводила меня на обед.

I left wondering if I had been through an interview, and secretly hoped I did well.

Уходя, я гадал, было ли это собеседованием, и втайне надеялся, что справился хорошо.

They called to offer a position the next day.

На следующий день они позвонили и предложили позицию.

I was hesitant to leave a venerable, branded company like IBM (in hindsight, this is hilarious). Lazada was an unknown start-up with a data team of three people. My family and closest friends thought it was risky. However, deep down, I knew I would regret not accepting the offer.

Я колебался, стоит ли уходить из такой почтенной, брендовой компании, как IBM (в ретроспективе это смешно). Lazada была неизвестным стартапом с командой данных из трёх человек. Семья и ближайшие друзья считали это рискованным. Однако в глубине души я знал, что буду сожалеть, если не приму предложение.

(Note: Speaking brings unexpected opportunities. Here’s how to give a kick-ass talk.)

(Заметка: выступления приносят неожиданные возможности. Вот как сделать классный доклад.)

Boarding the Lazada rocket ship

На борту ракеты Lazada

Joining Lazada was one of my best decisions ever.

Присоединиться к Lazada было одним из лучших решений в моей жизни.

If you're offered a seat on a rocket, don't ask what seat. Just get on

Если вам предлагают место в ракете, не спрашивайте, какое именно. Просто садитесь.

I got the opportunity to work with talented data scientists and engineers. We solved challenging problems and delivered a ton of value to consumers in Southeast Asia—very fulfilling.

Я получил возможность работать с талантливыми data scientists и инженерами. Мы решали сложные задачи и приносили огромную ценность потребителям в Юго-Восточной Азии — очень вдохновляюще.

My first project was (naturally) building a product classifier, similar to the Kaggle competition, with a few small differences.

Моим первым проектом было (естественно) построение классификатора товаров, похожего на Kaggle-соревнование, с несколькими небольшими отличиями.

Firstly, we had a couple hundred million products from thousands of categories. Second, it had to be in the form of an API for internal users and external sellers, with strict latency requirements. Third, it required continuous re-training and validation to ensure high accuracy.

Во-первых, у нас были сотни миллионов товаров из тысяч категорий. Во-вторых, это должно было быть в виде API для внутренних пользователей и внешних продавцов со строгими требованиями к латентности. В-третьих, требовалось непрерывное переобучение и валидация для поддержания высокой точности.

Yeap, just like Kaggle.

Ага, точно как на Kaggle.

The learning curve was steep. Pushed me 2x beyond my existing abilities. Exhilarating.

Кривая обучения была крутой. Толкнула меня в 2 раза дальше моих текущих возможностей. Захватывающе.

Thankfully, awesome data engineers taught me how to scale and make systems more robust. With a bit of (read: 10+ hours weekly) self-tinkering on weekends, I delivered in a couple of months.

К счастью, потрясающие data engineers научили меня масштабировать и делать системы устойчивее. С небольшим (читай: 10+ часов в неделю) самостоятельным ковырянием по выходным я выдал результат за пару месяцев.

This earned trust from the team, my boss, and our stakeholders.

Это заслужило доверие команды, моего руководителя и наших стейкхолдеров.

Volunteering is (un)lucky

Волонтёрство — это (не)везение

As I wrapped up my product classifier, two senior data scientists were working on email recommendations. However, they had a cold-start problem. A big portion of customers didn’t have enough activity to provide meaningful recommendations.

Когда я заканчивал свой классификатор товаров, два senior data scientists работали над рекомендациями для email-рассылок. Однако у них была проблема холодного старта. У большой части клиентов было недостаточно активности, чтобы давать осмысленные рекомендации.

I volunteered to help by ranking products based on historical performance (e.g., clicks, purchases) and metadata (e.g., price, ratings, etc.). The top products would be recommended to these cold-start customers. Simple and manageable.

Я вызвался помочь, ранжируя товары по историческим метрикам (например, клики, покупки) и метаданным (например, цена, рейтинги и т.п.). Топовые товары рекомендовались бы этим cold-start клиентам. Просто и управляемо.

We presented our plan to senior management and it went well. Too well.

Мы представили план топ-менеджменту, и всё прошло хорошо. Слишком хорошо.

“That’s a great idea! Why not extend product ranking to our entire website?, they asked.”

«Отличная идея! Почему бы не распространить ранжирование товаров на весь сайт?», — спросили они.

Gulp.

Гулп.

My early efforts using Python and pandas were futile. Processing a single day’s data took 2 hours—a month’s data would take 2.5 days. “Welcome to big data”, a data engineer chuckled.

Мои первые попытки на Python и pandas оказались бесполезными. Обработка данных за один день занимала 2 часа — данные за месяц обрабатывались бы 2,5 дня. «Добро пожаловать в big data», — усмехнулся data engineer.

Thankfully, I had picked up Spark from online courses (thank you DataBricks and EdX). It provided a good foundation and helped me ramp up faster than most.

К счастью, я подтянул Spark на онлайн-курсах (спасибо DataBricks и EdX). Это дало хорошую базу и помогло мне разогнаться быстрее многих.

After a couple of months, it was ready for AB testing. I started the AB test, casually mentioned it to my boss over drinks (big mistake on hindsight), and slept like a baby the next couple of days.

Через пару месяцев всё было готово к AB-тестированию. Я запустил AB-тест, мимоходом упомянул это руководителю за напитками (большая ошибка, в ретроспективе) и пару дней спал как младенец.

How I lost millions on my first AB test

Как я потерял миллионы на своём первом AB-тесте

Nope, I wasn't as happy as this guy looks

Нет, я не был так счастлив, как этот парень выглядит

“What’s this AB test you launched and why did it lose millions in revenue last week?”, my boss asked over Slack.

«Что это за AB-тест ты запустил и почему он потерял миллионы выручки на прошлой неделе?», — спросил мой босс в Slack.

I found out later he was getting hammered at a meeting with senior management.

Позже я узнал, что его как раз распекали на совещании с топ-менеджментом.

Panicked, I starting triaging across the AB testing tool, Airflow, validation metrics, etc. Within a couple of hours, I came up with a few hypotheses and how to validate them, and a plan for the next iteration of experiments.

В панике я начал сортировку проблемы между инструментом AB-тестирования, Airflow, метриками валидации и т.п. За пару часов я придумал несколько гипотез и способы их валидации, а также план для следующей итерации экспериментов.

After incorporating feedback, I started working on it day and night. In about two weeks, we launched another AB test. This time, I did not sleep as peacefully.

Получив обратную связь, я начал работать над этим день и ночь. Примерно через две недели мы запустили ещё один AB-тест. На этот раз я спал уже не так спокойно.

Thankfully, we achieved positive results over the next rounds of AB testing. Improving the timeliness of data (e.g., behavioral logs, transaction data) and simplifying the model to reduce overfitting did the trick.

К счастью, следующие раунды AB-тестирования дали положительные результаты. Помогло улучшение свежести данных (например, поведенческие логи, транзакционные данные) и упрощение модели для борьбы с переобучением.

The failure and embarrassment was very public. But so was the recovery and success.

Провал и позор были очень публичными. Но таким же было и восстановление, и успех.

This helped improve the data science team’s standing within the organization.

Это помогло укрепить позиции команды data science внутри организации.

Plateauing and a new focus

Плато и новый фокус

After a few projects, things were getting less scary and more comfortable. Easy even. This meant my growth was slowing.

После нескольких проектов всё стало менее страшным и более комфортным. Даже лёгким. А значит, мой рост замедлялся.

Progress is not linear, but a series of spikes and plateaus

Прогресс нелинеен — это череда рывков и плато

I tried various ways to figure out “what” and “how” to continue learning. This included reaching out to experts I admired. They were generally 2 - 3 levels above me. Then, I sent a casual email offering to buy them coffee, or politely requesting a Skype chat, indicating my willingness to learn from their experience. Unexpectedly, everyone I reached out to replied positively.

Я пробовал разные способы понять «что» и «как» изучать дальше. В том числе — обращаться к экспертам, которыми я восхищался. Обычно они были на 2-3 уровня выше меня. Я отправлял непринуждённое письмо с предложением угостить кофе или вежливо просил о Skype-разговоре, обозначая готовность учиться у их опыта. Неожиданно все, к кому я обращался, ответили положительно.

I knew it was important to be good at programming, math, statistics, machine learning, business, etc. “Which should I prioritize?”, I asked.

Я знал, что важно хорошо разбираться в программировании, математике, статистике, машинном обучении, бизнесе и т.д. «Что приоритизировать?», — спрашивал я.

“Those skills are important. But you’re missing the most essential (and transferable) skill—communication”, they responded.

«Эти навыки важны. Но ты упускаешь самый главный (и переносимый) навык — коммуникацию», — отвечали они.

You’re joking, right? Talking is the most important? (How naive I was back then.) Nonetheless, I decided to take their advice and deliberately focused on improving my communication.

Вы шутите, правда? Разговоры — это самое важное? (Как же я был наивен.) Тем не менее, я решил последовать их совету и осознанно сосредоточился на улучшении коммуникации.

At meetings with business stakeholders, I avoided data science jargon such as “area-under-curve (AUC)”, “recall”, “mean squared error”. Instead, I used their terms: “instances of fraud identified and savings”, “increase in conversion and revenue”, “reduction in late deliveries and complaints”.

На встречах с бизнес-стейкхолдерами я избегал жаргона data science вроде «area-under-curve (AUC)», «recall», «mean squared error». Вместо этого я использовал их термины: «выявленные случаи мошенничества и экономия», «рост конверсии и выручки», «снижение опозданий доставки и жалоб».

I needed practice too. The data team wanted to launch an internal newsletter to spread awareness—I volunteered. Someone had to visit overseas markets to do a data science roadshow—I volunteered. We wanted to present our work at conferences—I volunteered.

Мне нужна была и практика. Команда данных хотела запустить внутреннюю рассылку для повышения осведомлённости — я вызвался. Кому-то нужно было ездить на зарубежные рынки с роуд-шоу по data science — я вызвался. Мы хотели представить нашу работу на конференциях — я вызвался.

Practice, practice, practice.

Практика, практика, практика.

Metamorphosis

Метаморфоза

Another year flew by. I focused on delivering small but impactful projects and improving my communication.

Пролетел ещё один год. Я фокусировался на доставке небольших, но значимых проектов и улучшении коммуникации.

Around that time, I was promoted twice in a year.

Примерно в то время меня повысили дважды за год.

The first—to senior data scientist—was probably some time after the product ranking success and a few other wins.

Первое — до senior data scientist — произошло, видимо, через некоторое время после успеха с ранжированием товаров и пары других побед.

Then, I moved up to VP of Data Science, leading the team of 12+ data scientists.

Затем я дорос до VP of Data Science, возглавив команду из 12+ data scientists.

It takes a while, but eventually you'll level up

Это требует времени, но в итоге ты прокачиваешься на новый уровень

How did I achieve this?

Как я этого добился?

Continuous self-learning played a big role, especially in getting into the field. In almost all my roles and projects, I had to learn on my own—outside my job scope—to be barely qualified. This opened up increasingly challenging opportunities.

Непрерывное самообучение сыграло большую роль, особенно в входе в сферу. Почти во всех ролях и проектах мне приходилось учиться самостоятельно — за пределами должностных обязанностей — чтобы хоть как-то квалифицироваться. Это открывало всё более сложные возможности.

But once in the field, there were people with better educational qualifications and more experience—why me?

Но уже внутри сферы были люди с лучшим образованием и большим опытом — почему я?

It can’t be just luck. I couldn’t figure it out and decided to ask my boss and other senior leaders. Here’s what I gathered:

Это не может быть просто везением. Я не смог разобраться сам и решил спросить руководителя и других senior-лидеров. Вот что я уловил:

I was hungry and got shit done. The measurable value I created was 3x that of an average data scientist. This was how they justified it to senior leaders and HR.

Я был голоден и доводил дела до конца. Измеримая ценность, которую я создавал, была в 3 раза выше, чем у среднего data scientist. Именно так они обосновывали повышение перед топ-менеджментом и HR.

In addition, non-technical stakeholders could communicate with me. Often, after stakeholders had a meeting with a data scientist, they (stakeholders) left not knowing what the data scientist was saying, or where the project was headed. (Sad, but true).

Кроме того, нетехнические стейкхолдеры могли общаться со мной. Часто после встречи с data scientist стейкхолдеры уходили, не понимая, о чём он говорил и куда движется проект. (Грустно, но факт.)

I was promoted to be a role model and to mentor the team to deliver and communicate better.

Меня повысили, чтобы я был ролевой моделью и менторил команду — учить лучше доставлять и лучше коммуницировать.

That was a long read—could you summarise, please?

Это был длинный текст — можешь подытожить?

Okay, so here’s what I did:

Хорошо, вот что я делал:

Самообучение и практика, что привело к… Моей первой роли в данных и продолжению учёбы, что привело к… Участию в Kaggle-соревновании, что привело к… Волонтёрскому выступлению на митапе, что привело к… Приглашению на «чат» и обед, что привело к… Переходу в стартап, обильному обучению и менторам, что привело к… Фокусу на коммуникации, что привело к… Большей эффективности и росту

Parting words

Напутствие

I started this post to share my journey. The aim was to clear up the misconception that a technical degree was required to enter the field, much less achieve success in it. Hopefully, you’re convinced.

Я начал этот пост, чтобы поделиться своим путём. Цель была — развеять заблуждение, что технический диплом обязателен для входа в сферу, не говоря уже об успехе в ней. Надеюсь, я вас убедил.

The post ended with a reflection on three keys for success as a data scientist—based on my experience—namely: (i) continuous self-learning, (ii) get shit done, and (iii) emphatic communication.

Пост завершился рефлексией над тремя ключами к успеху data scientist — основанной на моём опыте: (i) непрерывное самообучение, (ii) доводить дела до конца, и (iii) эмпатичная коммуникация.

My journey from psych degree into data science (thread):

My first job was as an investment analyst for the govt.

Took online courses out of curiosity and fell in love with data.

Applied for entry-levels roles—it was a long shot.

Got invited to interview with IBM. (1/6)👇

Мой путь от диплома по психологии в data science (тред): Моя первая работа была инвестиционным аналитиком в госсекторе. Из любопытства проходил онлайн-курсы и влюбился в данные. Подавался на entry-level позиции — это был выстрел вслепую. Меня пригласили на собеседование в IBM. (1/6)👇— Eugene Yan (@eugeneyan) April 26, 2020

Thanks to Xinyi Yang, Gabriel Chuan, and Chng Yee Siang for reading drafts of this.

Спасибо Xinyi Yang, Gabriel Chuan и Chng Yee Siang за чтение черновиков.

If you found this useful, please cite this write-up as:

Если вы нашли это полезным, пожалуйста, цитируйте этот текст так:

Yan, Ziyou. (Feb 2020). My Journey from Psych Grad to Leading Data Science at Lazada. eugeneyan.com. https://eugeneyan.com/writing/psych-grad-to-data-science-lead/.

Yan, Ziyou. (Feb 2020). My Journey from Psych Grad to Leading Data Science at Lazada. eugeneyan.com. https://eugeneyan.com/writing/psych-grad-to-data-science-lead/.

or

или

@article{yan2020psych, title = {My Journey from Psych Grad to Leading Data Science at Lazada}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2020}, month = {Feb}, url = {https://eugeneyan.com/writing/psych-grad-to-data-science-lead/} }

@article{yan2020psych, title = {My Journey from Psych Grad to Leading Data Science at Lazada}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2020}, month = {Feb}, url = {https://eugeneyan.com/writing/psych-grad-to-data-science-lead/} }

Join 11,800+ readers getting updates on machine learning, RecSys, LLMs, and engineering.

Присоединяйтесь к 11 800+ читателям, получающим обновления о машинном обучении, RecSys, LLM и инженерии.