Ёсць шмат артыкулаў аб навыках, неабходных, каб быць добрым дата-саентыстам, або аналітыкам дадзеных, але толькі ў нямногіх артыкулах пішуць аб навыках, неабходных для поспеху - няхай гэта будзе выключная ацэнка працы, пахвала ад кіраўніцтва, павышэнне, або ўсё вышэйпералічанае. Сёння мы прадстаўляем вам матэрыял, аўтар якога хацела б падзяліцца сваім асабістым досведам працы ў якасці дата-саенціста і аналітыка дадзеных, а таксама тым, чаму яна навучылася дзеля дасягнення поспеху.
Мне пашанцавала: мне прапанавалі пасаду дата-саенціста, калі я не мела ніякага досведу ў Data Science. Тое, як я справілася з гэтай задачай, - іншая гісторыя, і я хачу сказаць, што ў мяне было толькі цьмянае ўяўленне аб тым, што робіць дата-саентыст, да таго, як я пагадзілася на гэтую працу.
Мяне нанялі для працы па стварэнні дата-пайплайнаў у сувязі з маёй папярэдняй працай у якасці інжынера па апрацоўцы дадзеных, дзе я распрацавала вітрыну дадзеных для прагнознага аналізу, якую выкарыстоўвае група дата-саенцістаў.
Мой першы год працы ў якасці дата-саенціста ўключаў стварэнне дата-пайплайнаў для навучання мадэляў машыннага навучання і іх укаранення ў вытворчасць. Я трымалася ў цені і не ўдзельнічала ў шматлікіх сустрэчах з зацікаўленымі бакамі ў маркетынгу, якія былі канчатковымі карыстальнікамі мадэляў.
На другім годзе маёй працы ў кампаніі, сышоў мэнэджар па апрацоўцы і аналізу дадзеных які адказваў за маркетынг. З таго часу я стала галоўнай дзеючай асобай і прымала больш актыўны ўдзел у распрацоўцы мадэляў і абмеркаванні тэрмінаў рэалізацыі праектаў.
Па меры зносін з зацікаўленымі бакамі, я зразумела, што Data Science – гэта расплывістае паняцце, аб якім людзі чулі, але не зусім разумеюць яго, асабліва гэта датычыцца вышэйшага кіраўніцтва.
Я пабудавала больш за сотню мадэляў, але толькі адна траціна з іх выкарыстоўвалася, паколькі я не ведала, як паказаць іх каштоўнасць, нягледзячы на тое, што мадэлі былі запытаны ў першую чаргу маркетынгам.
Адзін з чальцоў маёй каманды выдаткаваў месяцы на распрацоўку мадэлі, якая, па меркаванні вышэйшага кіраўніцтва, прадэманстравала б каштоўнасць каманды дата-саенцістаў. Ідэя складалася ў тым, каб распаўсюдзіць гэтую мадэль на ўсю арганізацыю пасля яе распрацоўкі і заахвоціць маркетынгавыя каманды прымяняць яе.
Гэта абярнулася поўным правалам, таму што ніхто не разумеў, што такое мадэль машыннага навучання, і не мог зразумець каштоўнасць яе прымянення. У выніку месяцы былі патрачаны марна, на тое, чаго ніхто не хацеў.
З такіх вось сітуацый я выняла пэўныя ўрокі, якія прывяду ніжэй.
Урокі, якія я выняла, каб стаць паспяховым дата-саентыстам
1. Настройцеся на поспех, выбраўшы правільную кампанію.
Падчас гутаркі ў кампаніі спытаеце аб культуры дадзеных і аб тым, колькі мадэляў машыннага навучання прынята і выкарыстоўваецца ў прыняцці рашэнняў. Папрасіце прывесці прыклады. Даведайцеся, ці настроена інфраструктура дадзеных для пачатку мадэлявання. Калі вы патраціце 90% свайго часу, спрабуючы выцягнуць неапрацаваныя дадзеныя і ачысціць іх, у вас практычна не застанецца часу на пабудову якіх-небудзь мадэляў, каб прадэманстраваць сваю каштоўнасць у якасці дата-саенціста. Будзьце асцярожныя, калі ў якасці дата-саенціста вы наняты ўпершыню. Гэта можа быць як добра, так і дрэнна, у залежнасці ад культуры даных. Вы можаце сутыкнуцца з вялікім супрацівам пры ўкараненні мадэлі, калі вышэйшае кіраўніцтва наймае спецыяліста па Data Science толькі таму, што кампанія хоча быць вядомай як выкарыстоўвалая Data Science для прыняцця лепшых рашэнняў, Але не мае паняцця, што гэта на самой справе значыць. Акрамя таго, калі вы знойдзеце кампанію, якая кіруецца дадзенымі (data driven), тое будзеце расці разам з ёй.
2. Ведайце дадзеныя і ключавыя паказчыкі эфектыўнасці (KPI).
Спачатку я згадала, што будучы інжынерам па апрацоўцы дадзеных стварыла вітрыну аналітычных дадзеных для каманды дата-саенцістаў. Сама стаўшы дата-саентыстам, я змагла знайсці новыя магчымасці, якія падвысілі дакладнасць мадэляў, таму што інтэнсіўна працавала з неапрацаванымі дадзенымі на папярэдняй пасадзе.
Прадставіўшы вынікі адной з нашых кампаній я змагла паказаць мадэлі, якія генеруюць больш высокія каэфіцыенты канверсіі (у працэнтах), пасля чаго была вымераная адна з кампаній KPI. Гэта прадэманстравала каштоўнасць мадэлі для эфектыўнасці бізнэсу, з якой можа быць злучаны маркетынг.
3. Забяспечце прыняцце мадэлі, паказваючы яе каштоўнасць зацікаўленым бакам
Вы ніколі не даможацеся поспеху як спецыяліст у Data Science, калі зацікаўленыя бакі ніколі не будуць прымяняць вашыя мадэлі для прыняцця дзелавых рашэнняў. Адзін са спосабаў забеспячэння прыняцця мадэлі - знайсці балючую кропку бізнесу і паказаць, як можа дапамагчы мадэль.
Пасля размовы з нашым аддзелам продажаў я зразумела, што два прадстаўнікі працуюць поўны працоўны дзень, уручную праглядаючы мільёны карыстальнікаў у базе дадзеных кампаніі, каб выявіць карыстальнікаў з адзіночнымі ліцэнзіямі, якія з большай верагоднасцю пяройдуць на камандныя ліцэнзіі. Пры падборы прымяняўся набор крытэрыяў, але падбор займаў шмат часу, таму што прадстаўнікі праглядалі па адным карыстальніку за раз. З дапамогай распрацаванай мной мадэлі прадстаўнікі змаглі выбіраць карыстальнікаў з найбольшай верагоднасцю пакупкі каманднай ліцэнзіі і павышаць верагоднасць канверсіі за меншы час. Гэта прывяло да больш эфектыўнага выкарыстання часу за кошт павышэння каэфіцыента канверсіі для ключавых паказчыкаў эфектыўнасці, да якіх можа мець дачыненне аддзел продажаў.
Прайшло некалькі гадоў, і я неаднаразова распрацоўвала адны і тыя ж мадэлі і адчувала, што больш не даведаюся нічога новага. Я вырашыла шукаць іншую пасаду і ў выніку атрымала пасаду аналітыка дадзеных. Розніца ў абавязках проста не магла быць яшчэ больш значная ў параўнанні з тым часам, калі я была дата-саентыстам, нават нягледзячы на тое, што я зноў падтрымлівала маркетынг.
Гэта быў першы раз, калі я прааналізавала A/B эксперыменты і выявіла ўсё спосабы, па якіх эксперымент можа пайсці не так. Як дата-саентыст я наогул не працавала над A/B тэставаннем, таму што гэта было зарэзервавана за камандай эксперыментатараў. Я працавала над шырокім спектрам аналітычных даследаванняў, на якія аказваў уплыў маркетынг - ад павелічэння каэфіцыента канверсіі прэміум-класа да ўцягвання карыстальнікаў і прадухілення адтоку. Я даведалася шмат розных спосабаў прагляду дадзеных і выдаткавала шмат часу на кампіляцыю вынікаў, іх уяўленне зацікаўленым бакам і вышэйшаму кіраўніцтву. Як дата-саентыст я ў асноўным працавала над адным тыпам мадэлі і рэдка выступала з дакладамі. Пераматаем некалькі гадоў і пяройдзем да навыкаў, якім я навучылася, каб быць паспяховым аналітыкам.
Навыкі, якім я навучылася, каб стаць паспяховым аналітыкам дадзеных
1. Навучыцеся расказваць гісторыі з дапамогай дадзеных
Не гледзіце на KPI па асобнасці. Звяжыце іх, зірніце на бізнэс як на цэлае. Гэта дазволіць вызначыць якія ўплываюць сябар на сябра вобласці. Вышэйшае кіраўніцтва глядзіць на бізнес праз прызму, і чалавека, які дэманструе такое ўменне, заўважаюць, калі прыходзіць час прымаць рашэнне аб павышэнні.
2. Дайце дзейсныя ідэі
Падайце бізнэсу дзейсную ідэю для вырашэння праблемы. Яшчэ лепш, калі вы проактивно прапануеце рашэнне, калі яшчэ не было сказана, што вы маеце справу з першачарговай праблемай.
Напрыклад, калі б вы сказалі маркетынгу: "Я заўважыў, што ў апошні час штомесяц памяншаецца колькасць наведвальнікаў сайта". Гэта тэндэнцыя, якую яны маглі заўважыць на дашбордзе і вы не прапанавалі ніякага каштоўнага рашэння як аналітык, таму што толькі заявілі аб назіранні.
Замест гэтага вывучыце дадзеныя, каб знайсці прычыну і прапанаваць рашэнне. Лепшым прыкладам для маркетынгу было б: «Я заўважыў, што ў апошні час у нас знізілася колькасць наведвальнікаў нашага вэб-сайта. Я выявіў, што крыніцай праблемы з'яўляецца звычайны пошук, з-за нядаўніх змен, якія прывялі да падзення нашага рэйтынгу ў пошуку Google». Такі падыход паказвае, што вы адсочвалі KPI кампаніі, заўважылі змену, даследавалі прычыну і прапанавалі вырашэнне праблемы.
3. Станьце надзейным дарадцам
Неабходна стаць першым чалавекам, да якога вашыя зацікаўленыя бакі звяртаюцца па рэкамендацыі або з пытаннямі па накірунку дзейнасці, які вы падтрымліваеце. Кароткага шляху няма, таму што для дэманстрацыі гэтых здольнасцяў патрэбны час. Ключ да гэтага - паслядоўнае прадастаўленне высакаякаснага аналізу з мінімальнай колькасцю памылак. Любая памылка ў разліках будзе каштаваць вам ачкоў даверу, таму што ў наступны раз, калі вы падасце аналіз, людзі могуць задацца пытаннем: Калі вы мелі рацыю ў мінулы раз, можа вы памыляецеся і ў гэты раз таксама?. Заўсёды двойчы правярайце сваю працу. Таксама не пашкодзіць папрасіць вашага мэнэджэра або калегу паглядзець на вашыя лічбы, перш чым прадставіць іх, калі ў вас ёсць нейкія сумнеў наконт вашага аналізу.
4. Навучыцеся ясна даносіць складаныя вынікі
Ізноў жа, няма ніякага кароткага шляху да таго, каб навучыцца эфектыўным камунікацыям. Гэта патрабуе практыкі, і з цягам часу вы станеце лепш у гэтай справе. Галоўнае - вызначыць асноўныя моманты таго, што вы хочаце зрабіць, і рэкамендаваць любыя дзеянні, якія, у выніку вашага аналізу, могуць распачаць зацікаўленыя бакі для ўдасканалення бізнесу. Чым вышэй вы на кар'ернай лесвіцы ў арганізацыі, тым важней уменне размаўляць. Перадача складаных вынікаў - важны навык, які неабходна прадэманстраваць. Я выдаткавала гады на вывучэнне сакрэтаў поспеху ў якасці дата-саенціста і аналітыка дадзеных. Людзі вызначаюць поспех па-рознаму. Атрымаць характарыстыку "дзіўны" і "зорны" аналітык - вось поспех у маіх вачах. Цяпер, калі вы ведаеце гэтыя сакрэты, я спадзяюся, што ваш шлях хутчэй прывядзе вас да поспеху, як бы вы яго не вызначалі.
А каб ваш шлях да поспеху быў яшчэ хутчэй, трымайце промакод HABR, па якім можна атрымаць дадатковыя 10% да скідкі названай на банеры.
Яшчэ курсы
Рэкамендуемыя артыкулы
Крыніца: habr.com