Има много статии за уменията, необходими, за да бъдеш добър Data Scientist или анализатор на данни, но само в няколко статии се обсъждат уменията, необходими за успеха — било то изключителна оценка на работата, похвала от ръководството, повишение, или всичко горепосочено. Днес ви представяме материал, чийто автор би искал да сподели личния си опит като Data Scientist и анализатор на данни, както и какво е научил в името на успеха.
Аз имах късмет: ми предложиха позиция на Data Scientist, когато нямах никакъв опит в Data Science. Как се справих с тази задача — е друга история, и бих искала да кажа, че имах само смътна представа за това, което прави един Data Scientist, преди да приема тази работа.
Наеха ме да работя по създаването на data pipelines заради предишната ми работа като инженер по обработка на данни, където разработих витрина на данни за прогнозен анализ, използвана от група Data Scientists.
Първата ми година като Data Scientist включваше създаването на data pipelines за обучение на машинни модели и тяхното внедряване в производството. Оставаха в сянка и не участвах в много срещи с заинтересованите страни в маркетинга, които бяха крайни потребители на моделите.
През втората година от работата ми в компанията, напусна мениджърът по обработка и анализ на данни, отговарящ за маркетинга. Оттогава станах водеща фигура и участвах по-активно в разработването на модели и обсъждането на сроковете за реализиране на проектите.
С течение на общуването с заинтересованите страни осъзнах, че Data Science е размито понятие, за което хората са чували, но не го разбират напълно, особено висшето ръководство.
Създадох над сто модела, но само една трета от тях се използваха, тъй като не знаех как да покажа тяхната стойност, въпреки че моделите първоначално бяха поискани от маркетинга.
Един от членов на моят екип прекара месеци в разработката на модел, който, според висшето ръководство, би демонстрирал стойността на екипа на дата-сайентистите. Идеята беше да се разпространи този модел в цялата организация след разработката му и да се насърчават маркетинговите екипи да го прилагат.
Това се оказа пълен провал, тъй като никой не разбираше какво представлява моделът на машинно обучение и не можеше да осъзнае стойността на неговото приложение. В резултат на това месеци бяха похарчени напразно за нещо, което никой не желаеше.
От такива ситуации извлякох определени уроци, които ще представя по-долу.
Уроците, които извлякох, за да стана успешен дата-сайентист.
1. Настройте се за успех, избирайки правилната компания.
По време на интервюто в компанията попитайте за културата на данните и колко модела на машинно обучение са приемани и използвани при вземането на решения. Помолете да покажат примери. Разберете дали инфраструктурата на данните е готова за стартиране на моделиране. Ако прекарате 90% от времето си, опитвайки се да изтеглите необработени данни и да ги почистите, почти няма да ви остане време за изграждане на каквито и да е модели, за да демонстрирате стойността си като дата-сайентист. Бъдете внимателни, ако като дата-сайентист сте наети за първи път. Това може да бъде както добро, така и лошо, в зависимост от културата на данните. Може да се сблъскате с голямо съпротивление при внедряването на модела, ако висшето ръководство наема специалист по Data Science само защото компанията иска да бъде известна като използваща Data Science за вземане на по-добри решения, но няма представа какво означава това всъщност. Освен това, ако откриете компания, управлявана от данни (data driven), ще растете заедно с нея.
2. Познавайте данните и ключовите показатели за ефективност (KPI).
В началото споменах, че като инженер по обработка на данни създадох витрина на аналитични данни за екипа на дата-сайентистите. Ставки дата-сайентист, успях да намеря нови възможности, които повишиха точността на моделите, защото интензивно работих с необработени данни на предишната си длъжност.
Представявайки резултатите от една от нашите кампании, успях да покажа моделите, които генерират по-високи процентни коефициенти на конверсия, след което измерихме една от KPI кампаниите. Това демонстрира ценността на модела за ефективността на бизнеса, свързана с маркетинга.
3. Осигурете приемането на модела, показвайки неговата ценност на заинтересованите страни.
Никога няма да успеете като специалист по Data Science, ако заинтересованите страни никога не прилагат вашите модели за вземане на бизнес решения. Един от начините да осигурите приемането на модела е да намерите болева точка на бизнеса и да покажете как моделът може да помогне.
След разговор с нашия отдел продажби разбрах, че двама представители работят на пълно работно време, преглеждайки ръчно милиони потребители в базата данни на компанията, за да идентифицират потребители с индивидуални лицензи, които с по-голяма вероятност ще преминат към екипни лицензи. При подбора се е използвал набор от критерии, но подборът е отнемал много време, защото представителите са преглеждали по един потребител наведнъж. С модела, който разработих, представителите успяха да изберат потребителите с най-голяма вероятност за закупуване на екипна лицензия и да увеличат вероятността за конверсия за по-кратко време. Това доведе до по-ефективно използване на времето и увеличаване на коефициента на конверсия за ключовите показатели за ефективност, с които отдел продажби може да бъде свързан.
Изминаха няколко години и многократно разработвах едни и същи модели и се чувствах, че вече не научавам нищо ново. Реших да търся друга позиция и в крайна сметка получих работа като анализатор на данни. Разликата в задълженията просто не можеше да бъде по-категорична в сравнение с времето, когато бях дата-сайентист, дори и да продължа да поддържам маркетинга.
Това беше първият път, когато анализирах A/B експерименти и открих всичко начини, по които експериментът може да не сработи. Като анализатор на данни, аз всъщност не работих по A/B тестването, тъй като то беше запазено за екипа по експерименти. Работих върху широк спектър от аналитични изследвания, които бяха повлияни от маркетинга - от увеличаване на премиум конверсията до ангажираност на потребителите и предотвратяване на оттока. Научих много различни начини за визуализация на данни и прекарах много време в съставяне на резултати, представянето им на заинтересованите страни и висшето ръководство. Като анализатор на данни основно работех върху един тип модел и рядко изнасях доклади. Нека преминем няколко години напред и да обсъдим уменията, които научих, за да стана успешен анализатор.
Уменията, които научих, за да стана успешен анализатор на данни
1. Научете се да разказвате истории с данни
Не гледайте на KPI поотделно. Свържете ги и разгледайте бизнеса като цяло. Това ще помогне да идентифицирате взаимовръзките между различните области. Висшето ръководство разглежда бизнеса през призмата на тези фактори и човек, който демонстрира такива умения, често бива забелязан, когато дойде време за вземане на решения за повишения.
2. Предложете действителни идеи
Дайте на бизнеса реална идея за решаване на проблема. Още по-добре е, ако проактивно предложите решение, когато все още не е било обсъдено, че имате работа с приоритетен проблем.
Например, ако кажете на маркетинга: «Забелязах, че напоследък месечният брой на посетителите на сайта намалява». Това е тенденция, която те биха могли да забележат в дашборда и вие не сте предложили никакво ценно решение като анализатор, тъй като просто сте изразили наблюдение.
Вместо това проучете данните, за да намерите причината и да предложите решение. Най-добрият пример за маркетинга би бил: «Забелязах, че напоследък броят на посетителите на нашия уебсайт е намалял. Открих, че източникът на проблема е обикновеното търсене, поради скорошни промени, които доведоха до спад в нашето класиране в търсенията на Google». Този подход показва, че сте следили KPI на компанията, забелязали сте промяна, изследвали сте причината и предлагате решение на проблема.
3. Станете надежден съветник
Трябва да бъдете първият човек, към когото вашите заинтересовани страни се обръщат за препоръки или с въпроси относно подкрепяната от вас дейност. Няма кратък път, защото за демонстрирането на тези способности е нужно време. Ключът е в последователното предоставяне на качествен анализ с минимален брой грешки. Всяка грешка в изчисленията ще ви струва точки доверие, защото следващия път, когато предоставите анализ, хората могат да се запитат: Ако последния път сте били неправи, може би грешите и този път също?. Винаги проверявайте работата си два пъти. Също така не би било зле да помолите вашия мениджър или колега да погледнат цифрите ви преди да ги представите, ако имате никакви съмнения относно анализа си.
4. Научете се да предавате сложни резултати ясно
Отново, няма кратък път към усвояване на ефективната комуникация. Това изисква практика и с времето ще станете по-добри в това. Най-важното е да определите основните моменти на това, което искате да направите, и да препоръчате действия, които заинтересованите страни могат да предприемат, за да подобрят бизнеса след вашия анализ. Колкото по-високо сте на кариерната стълбица в организацията, толкова по-важни стават уменията ви за комуникация. Предаването на сложни резултати е важен умение, което трябва да демонстрирате. Прекарах години в изучаване на тайната на успеха като дата-сайентист и анализатор на данни. Хората определят успеха по различен начин. Да получите характеристиката "изключителен" и "звезден" анализатор е успех в моите очи. Сега, когато знаете тези тайни, се надявам вашият път да ви отведе по-бързо към успеха, независимо как го определяте.
А за да бъде вашият път към успеха още по-бърз, използвайте промокода HABR, с който можете да получите допълнителни 10% отстъпка от посочената на банера.
Още курсове
Препоръчани статии
Източник: habr.com
