Daar is baie artikels oor die vaardighede wat nodig is om 'n goeie datawetenskaplike of data-ontleder te wees, maar min artikels praat oor die vaardighede wat nodig is om sukses te behaal—of dit nou 'n uitsonderlike prestasie-oorsig, lof van die bestuur, 'n bevordering, of al die bogenoemde is. Vandag bied ons aan jou 'n materiaal waarvan die skrywer graag haar persoonlike ervaring as 'n datawetenskaplike en data-ontleder wil deel, asook wat sy geleer het om sukses te behaal.
Ek was gelukkig: Ek is die pos van datawetenskaplike aangebied toe ek geen ervaring in Datawetenskap gehad het nie. Hoe ek die taak hanteer het, is 'n ander storie, en ek wil sê dat ek net 'n vae idee gehad het van wat 'n datawetenskaplike doen voordat ek die pos aanvaar het.
Ek is aangestel om aan datapyplyne te werk as gevolg van my vorige werk as 'n data-ingenieur, waar ek 'n datamark ontwikkel het vir voorspellende analise wat deur 'n groep datawetenskaplikes gebruik word.
My eerste jaar as 'n datawetenskaplike het behels die skep van datapyplyne om masjienleermodelle op te lei en in produksie te plaas. Ek het 'n lae profiel gehou en nie aan baie vergaderings deelgeneem met die bemarkingsbelanghebbendes wat die eindgebruikers van die modelle was nie.
In die tweede jaar van my werk by die maatskappy het die dataverwerking en ontledingsbestuurder verantwoordelik vir bemarking vertrek. Van toe af het ek die hoofspeler geword en meer aktief deelgeneem aan die ontwikkeling van modelle en die bespreking van projeksperdatums.
Terwyl ek met belanghebbendes in gesprek was, het ek besef dat Data Science 'n vae konsep is waarvan mense gehoor het, maar nie heeltemal verstaan nie, veral op senior bestuursvlak.
Ek het meer as honderd modelle gebou, maar net 'n derde daarvan is gebruik omdat ek nie geweet het hoe om hul waarde te wys nie, al is die modelle hoofsaaklik deur bemarking aangevra.
Een van my spanlede het maande spandeer om 'n model te ontwikkel wat senior bestuur gevoel het die waarde van 'n datawetenskapspan sou demonstreer. Die idee was om die model deur die organisasie te versprei sodra dit ontwikkel is en bemarkingspanne aan te moedig om dit aan te neem.
Dit blyk 'n volslae mislukking te wees omdat niemand verstaan het wat 'n masjienleermodel is of die waarde daarvan kon verstaan nie. Gevolglik is maande gemors op iets wat niemand wou hê nie.
Uit sulke situasies het ek sekere lesse geleer, wat ek hieronder sal gee.
Lesse wat ek geleer het om 'n suksesvolle datawetenskaplike te word
1. Stel jouself op vir sukses deur die regte maatskappy te kies.
Vra oor die datakultuur en hoeveel masjienleermodelle aangeneem en gebruik word in besluitneming wanneer jy onderhoude voer by 'n maatskappy. Vra vir voorbeelde. Vind uit of jou data-infrastruktuur opgestel is om met modellering te begin. As jy 90% van jou tyd spandeer om rou data te probeer haal en dit skoon te maak, sal jy min of geen tyd oor hê om enige modelle te bou om jou waarde as 'n datawetenskaplike te demonstreer nie. Wees versigtig as jy vir die eerste keer as 'n datawetenskaplike aangestel word. Dit kan 'n goeie ding of 'n slegte ding wees, afhangende van die datakultuur. Jy sal dalk meer weerstand teen die implementering van die model teëkom as senior bestuur 'n Data Scientist aanstel net omdat die maatskappy bekend wil staan as gebruik van Data Science om beter besluite te neem, maar het geen idee wat dit eintlik beteken nie. Plus, as jy 'n maatskappy vind wat data-gedrewe is, sal jy daarmee saam groei.
2. Ken die data en sleutelprestasie-aanwysers (KPI's).
Aan die begin het ek genoem dat ek as 'n data-ingenieur 'n analitiese datamark vir 'n span datawetenskaplikes geskep het. Nadat ek self 'n datawetenskaplike geword het, kon ek nuwe geleenthede vind wat die akkuraatheid van modelle verhoog het omdat ek in my vorige rol intensief met rou data gewerk het.
Deur die resultate van een van ons veldtogte aan te bied, kon ek die modelle wys wat hoër omskakelingskoerse genereer (as 'n persentasie) en dan een van die veldtog-KPI's gemeet. Dit het die waarde van die model gedemonstreer vir besigheidsprestasie waaraan bemarking gekoppel kan word.
3. Verseker aanvaarding van die model deur die waarde daarvan aan belanghebbendes te demonstreer
Jy sal nooit as 'n datawetenskaplike sukses behaal as jou belanghebbendes nooit jou modelle gebruik om sakebesluite te neem nie. Een manier om modelaanneming te verseker, is om 'n besigheidspynpunt te vind en te wys hoe die model kan help.
Nadat ek met ons verkoopspan gepraat het, het ek besef dat twee verteenwoordigers voltyds besig was om met die hand deur die miljoene gebruikers in die maatskappy se databasis te fynkam om gebruikers met enkele lisensies te identifiseer wat meer geneig is om na spanlisensies op te gradeer. Die seleksie het 'n stel kriteria gebruik, maar die seleksie het lank geneem omdat die verteenwoordigers na een gebruiker op 'n slag gekyk het. Met behulp van die model wat ek ontwikkel het, kon verteenwoordigers gebruikers teiken wat waarskynlik 'n spanlisensie sou koop en die waarskynlikheid van omskakeling in minder tyd verhoog. Dit het gelei tot meer doeltreffende gebruik van tyd deur die verhoging van omskakelingskoerse vir sleutelprestasie-aanwysers waarmee die verkoopspan kan verband hou.
Etlike jare het verloop en ek het dieselfde modelle oor en oor ontwikkel en gevoel dat ek nie meer iets nuuts leer nie. Ek het besluit om 'n ander pos te soek en het uiteindelik 'n pos as 'n data-ontleder gekry. Die verskil in verantwoordelikhede kon nie meer betekenisvol gewees het in vergelyking met toe ek 'n datawetenskaplike was nie, al het ek terug bemarking ondersteun.
Dit was die eerste keer dat ek A/B-eksperimente ontleed en gevind het alle maniere waarop 'n eksperiment verkeerd kan loop. As 'n datawetenskaplike het ek glad nie aan A/B-toetsing gewerk nie, want dit was gereserveer vir die eksperimentele span. Ek het gewerk aan 'n wye reeks ontledings wat deur die bemarking beïnvloed word – van verhoging van premium omskakelingskoerse tot gebruikersbetrokkenheid en voorkoming van churn. Ek het baie verskillende maniere geleer om na data te kyk en het baie tyd daaraan bestee om die resultate saam te stel en dit aan belanghebbendes en senior bestuur voor te stel. As datawetenskaplike het ek meestal aan een tipe model gewerk en selde praatjies gehou. Snel 'n paar jaar vorentoe na die vaardighede wat ek geleer het om 'n suksesvolle ontleder te wees.
Vaardighede wat ek geleer het om 'n suksesvolle data-ontleder te word
1. Leer om stories met data te vertel
Moenie na KPI's in isolasie kyk nie. Verbind hulle, kyk na die besigheid as 'n geheel. Dit sal jou toelaat om areas te identifiseer wat mekaar beïnvloed. Senior bestuur beskou die besigheid deur 'n lens, en 'n persoon wat hierdie vaardigheid demonstreer, word opgemerk wanneer dit tyd word om bevorderingsbesluite te neem.
2. Verskaf uitvoerbare idees.
Verskaf besigheid effektiewe idee om die probleem op te los. Dit is selfs beter as jy proaktief ’n oplossing bied wanneer daar nog nie gesê is dat jy met die onderliggende probleem te doen het nie.
Byvoorbeeld, as jy vir bemarking gesê het: "Ek het opgemerk dat die aantal besoekers aan die webwerf onlangs elke maand afgeneem het.". Dit is 'n neiging wat hulle dalk op die paneelbord opgemerk het en jy het geen waardevolle oplossing as 'n ontleder aangebied nie omdat jy net die waarneming gestel het.
Ondersoek eerder die data om die oorsaak te vind en stel 'n oplossing voor. 'n Beter voorbeeld vir bemarking sou wees: “Ek het opgemerk dat ons die afgelope tyd 'n afname in die aantal besoekers aan ons webwerf gehad het. Ek het ontdek dat die bron van die probleem organiese soektog is, as gevolg van onlangse veranderinge wat ons Google-soekranglys laat daal het.”. Hierdie benadering wys dat jy die maatskappy se KPI's opgespoor het, die verandering opgemerk het, die oorsaak ondersoek het en 'n oplossing vir die probleem voorgestel het.
3. Word 'n betroubare adviseur
Jy moet die eerste persoon wees waarheen jou belanghebbendes wend vir advies of vrae oor die besigheid wat jy ondersteun. Daar is geen kortpad nie, want dit neem tyd om hierdie vermoëns te demonstreer. Die sleutel hiervoor is om konsekwent hoë kwaliteit analise te lewer met minimale foute. Enige misrekening sal jou geloofwaardigheidspunte kos, want die volgende keer wat jy 'n ontleding verskaf, kan mense wonder: As jy laas verkeerd was, is jy dalk ook hierdie keer verkeerd?. Kontroleer altyd jou werk. Dit maak ook nie skade om jou bestuurder of kollega te vra om na jou syfers te kyk voordat jy dit aanbied as jy enige twyfel oor jou ontleding het nie.
4. Leer om komplekse resultate duidelik te kommunikeer.
Weereens, daar is geen kortpad om te leer hoe om effektief te kommunikeer nie. Dit verg oefening en mettertyd sal jy beter daarmee word. Die sleutel is om die hoofpunte van wat jy wil doen te identifiseer en enige aksies aan te beveel wat, as gevolg van jou ontleding, belanghebbendes kan neem om die besigheid te verbeter. Hoe hoër jy in 'n organisasie is, hoe belangriker is jou kommunikasievaardighede. Die kommunikasie van komplekse resultate is 'n belangrike vaardigheid om te demonstreer. Ek het jare spandeer om die geheime van sukses as 'n datawetenskaplike en data-ontleder te leer. Mense definieer sukses anders. Om as 'n "ongelooflike" en "sterre" ontleder beskryf te word, is sukses in my oë. Noudat jy hierdie geheime ken, hoop ek dat jou pad jou vinnig na sukses sal lei, hoe jy dit ook al definieer.
En om jou pad na sukses nog vinniger te maak, hou die promosiekode HABR, waardeur jy 'n bykomende 10% kan kry tot die afslag wat op die banier aangedui word.
Meer kursusse
Uitgestalde artikels
Bron: will.com