Кто расставляет акценты в маркетинговой реальности. Роль Applied Scientist через опыт Дмитрия Тимошенко.

Дмитрий Тимошенко

По данным McKinsey, лишь 1 % компаний достигли зрелости в применении ИИ — остальные либо на стадии пилотов, либо не видят устойчивого бизнес‑эффекта. Многие организации внедрили ИИ в отдельные функции, но не могут масштабировать решения или получить реальную отдачу. Особенно остро это проявляется в маркетинге, где эффективность каналов становится всё менее очевидной из-за роста мультиканальности, нестабильности пользовательского поведения и ограничений по сбору данных. Отказ от third-party cookies (трекеров, используемых для сбора информации на сторонних ресурсах), ужесточение законодательства в области конфиденциальности, фрагментация устройств — всё это подрывает традиционные подходы к анализу пользовательского поведения.

Одной из самых уязвимых областей становится атрибуционное моделирование (attribution modeling) — то есть определение, какой именно канал коммуникации (баннер, email, видео, push) действительно повлиял на решение пользователя и какие маркетинговые действия привели к продаже. Согласно Statista, в 2024 году мировые расходы на digital‑рекламу превысили 1,1 трлн $, причём только на соцсети было потрачено около четверти этой суммы. Ошибочная оценка эффективности каналов немедленно отражается на бюджете и ROI бизнеса.

В этих условиях возникает потребность в специалистах, которые умеют не только «делать модели», но и встраивать их в реальную систему, объяснять бизнесу, масштабировать, сопровождать. Один из тех, кто уже отвечает на этот вызов в индустрии, — Дмитрий Тимошенко — Applied Scientist в Amazon Web Services, одной из крупнейших технологических компаний мира. Он выполняет задачи на стыке аналитики, машинного обучения и развития продукта. Тимошенко пришёл к этой роли через академическую и практическую школы: учился в НИУ ВШЭ, проходил обучение по академическому обмену в Латвии и Нидерландах, получил степень магистра статистики в UC Berkeley (США), преподавал студентам и прошёл через опыт в ведущих компаниях, таких как Яндекс, Mail.ru и Т-Банк.

Сегодня Дмитрий занимается разработкой моделей, которые помогают бизнесу принимать решения на основе данных. Его специализация — применение AI/ML решений в маркетинге, их оценка, экспериментальный дизайн и интерпретируемость моделей.

Сложные задачи и нестандартные решения

Роль Applied Scientist — уникальная для Amazon. В отличие от Data Scientist, фокус Applied Scientist чаще смещён в сторону исследований: от специалиста ожидается не только владение прикладными ML-инструментами, но и умение разрабатывать новые подходы под специфику задачи. В Amazon это означает также глубокое погружение в программную реализацию и тесное взаимодействие с инженерными командами. Такая трансформация профессии особенно проявляется там, где стандартные решения перестают работать, а бизнесу требуется не универсальный фреймворк, а методология, встроенная в реальные ограничения компании.

Именно с такой задачей столкнулся Дмитрий Тимошенко, когда разрабатывал систему атрибуционного моделирования — способа понять, какие маркетинговые каналы действительно влияют на решение о покупке. Это был не академический эксперимент, а полноценный инженерный продукт: модель нужно было внедрить в продакшн-среду с жёсткими ограничениями по качеству данных, срокам разработки и требованиям к интерпретируемости алгоритма. Разработанная кастомная ML-модель учитывала всю цепочку взаимодействий пользователя с продуктом.

В отличие от классических подходов (например, модели последнего или первого клика, U-shape), готовые фреймворки часто не отражают реальную картину: они игнорируют специфику поведения пользователей и особенности конкретных маркетинговых каналов. Популярные в научной среде методы вроде марковских цепей или Shapley Value позволяют учитывать больше факторов, но и они нередко оказываются оторваны от бизнес-контекста — их сложно масштабировать, объяснить бизнесу или использовать как основу для экспериментов.

В ответ на это Дмитрий разработал модель, адаптированную под конкретные данные и инфраструктуру. Её ключевое отличие — учёт результатов A/B-экспериментов и встроенная логика интерпретируемости, которая позволила объяснить выводы бизнес-команде и использовать их в принятии решений.

Результат — модель, которая не только устойчиво работает в условиях неполных данных, но и понятна для бизнеса. Для подтверждения её надёжности использовались разные методы проверки корректности результатов, а само внедрение происходило поэтапно и охватило несколько продуктовых направлений. Проект стал не просто техническим достижением, а иллюстрацией того, как прикладная наука может менять управленческие решения. Именно такие кейсы поднимают профессию Applied Scientist с уровня исполнителя до уровня системного интегратора между данными, продуктом и бизнесом.

Applied Scientist как связующее звено между моделью и продуктом

Роль Applied Scientist меняется вместе с бизнес-средой. Сегодня это не просто специалист, умеющий строить модели. Это тот, кто способен выстроить инфраструктуру вокруг модели, гарантировать надёжность данных, объяснить модель бизнесу и встроить её в продукт.

На практике, объясняет Дмитрий, это может выглядеть так: модель атрибуции требует не только точных расчётов, но и постоянной поддержки пайплайна данных, адаптации под обновления трекеров и платформ, а также создания интерфейсов, где маркетологи смогут самостоятельно интерпретировать результаты. В B2B-среде AWS такие задачи часто связаны с анализом поведения клиентов на облачных платформах — например, при разработке моделей для выявления оттока, сегментации корпоративных клиентов или рекомендаций по масштабированию ресурсов. Это требует учёта множества факторов — от технических ограничений до бизнес-метрик, важных для разных команд внутри клиента.

Эксперт подчёркивает, что коммуникация стала одним из ключевых навыков: «Модель приносит пользу только тогда, когда её действительно понимают те, кто принимает решения».

Среди вызовов — необходимость работать с ограниченными данными, обеспечивать прозрачность выводов, адаптироваться к масштабным инфраструктурам. Здесь важен не только математический аппарат, но и инженерная надёжность, системное мышление и способность к командной работе.

Хакатоны и международное признание

По мере роста потребности в жизнеспособных AI-решениях, способных работать с реальными данными и приносить бизнес-результат, растёт и значение площадок, где эти решения можно протестировать в условиях, приближенных к реальности. Именно поэтому всё больше крупных игроков организуют международные хакатоны и конкурсы, направленные на поиск лучших прикладных инициатив.

Дмитрий Тимошенко активно участвует в таких инициативах как эксперт и судья, что подчеркивает его профессиональное признание в индустрии. Среди событий — The Ventures Awards, проходившая в декабре 2024 года в Лос-Анджелесе. Это премия для стартапов в области AI и цифровых продуктов, где в жюри входят представители венчурных фондов, CTO технологических компаний и специалисты из Big Tech. Событие освещалось в таких изданиях, как Business Insider, Digital Journal и TechBullion.

Другой хакатон — Digital Breakthrough, международная инициатива по разработке решений в области искусственного интеллекта и один из самых масштабных хакатонов в России. В ноябре 2024 года Дмитрий принимал участие в оценке проектов в секции, где участники предлагали нестандартные подходы к применению AI в бизнесе.

В 2025 году он участвует сразу в двух крупных инициативах: GenAI Hackathon от Impetus и AWS, фокусирующемся на генеративных технологиях, и CS Base Hack4Health — международном хакатоне в сфере цифрового здоровья.

По словам Дмитрия, сегодня важно оценивать не только архитектуру моделей или чистоту кода, но и способность проекта выжить в реальной бизнес-среде: «Я смотрю, насколько идея масштабируема, как она будет работать с реальными данными, как быстро сможет пройти путь от прототипа до внедрения».

Будущее профессии и личные цели

Дмитрий рассматривает генеративные модели как следующий важный фокус. Он планирует глубоко разобраться в архитектурах и возможностях этих систем, чтобы применять их в задачах персонализации, автоматизации и контент-генерации. В дальнейшем его цель — перейти к техническому лидерству, где можно не только создавать модели, но и выстраивать методологию работы команд, культуру экспериментов и инженерного качества.

История Дмитрия Тимошенко — пример того, как прикладная наука превращается в бизнес-инструмент. Профессия Applied Scientist перестаёт быть вспомогательной и выходит в центр принятия решений. И те, кто умеет соединить математику, продукт и масштаб, становятся драйверами перемен в индустрии.