Има много статии за уменията, необходими, за да бъдеш добър специалист по данни или анализатор на данни, но малко статии говорят за уменията, необходими за успех - било то изключителен преглед на представянето, похвала от ръководството, повишение или всичко по-горе. Днес ви представяме материал, чийто автор би искал да сподели личния си опит като учен за данни и анализатор на данни, както и какво е научила, за да постигне успех.
Имах късмет: предложиха ми позицията на специалист по данни, когато нямах опит в Data Science. Как се справих със задачата е различна история и искам да кажа, че имах само бегла представа какво прави един учен по данни, преди да поема работата.
Бях нает да работя по канали за данни поради предишната ми работа като инженер по данни, където разработих витрина за данни за предсказуем анализ, използван от група учени по данни.
Първата ми година като учен по данни включваше създаване на канали за данни за обучение на модели за машинно обучение и пускането им в производство. Запазих нисък профил и не участвах в много срещи със заинтересованите страни в маркетинга, които бяха крайните потребители на моделите.
На втората година от работата ми в компанията мениджърът по обработка и анализ на данни, отговарящ за маркетинга, напусна. Оттам нататък станах основният играч и участвах по-активно в разработването на модели и обсъждането на сроковете на проектите.
Докато общувах със заинтересованите страни, разбрах, че Data Science е неясна концепция, за която хората са чували, но не разбират напълно, особено на ниво висше ръководство.
Създадох над сто модела, но само една трета от тях бяха използвани, защото не знаех как да покажа стойността им, въпреки че моделите бяха поискани предимно от маркетинга.
Един от членовете на моя екип прекара месеци в разработването на модел, който висшето ръководство смяташе, че ще демонстрира стойността на екипа за наука за данни. Идеята беше да се разпространи моделът в цялата организация, след като бъде разработен, и да се насърчат маркетинговите екипи да го възприемат.
Оказа се пълен провал, защото никой не разбра какво представлява моделът за машинно обучение или не можа да разбере стойността на използването му. В резултат на това бяха пропилени месеци за нещо, което никой не искаше.
От подобни ситуации съм извлякъл някои поуки, които ще дам по-долу.
Уроци, които научих, за да стана успешен специалист по данни
1. Настройте се за успех, като изберете правилната компания.
Когато интервюирате в компания, попитайте за културата на данните и колко модели на машинно обучение са възприети и използвани при вземането на решения. Поискайте примери. Разберете дали вашата инфраструктура за данни е настроена да започне моделиране. Ако прекарвате 90% от времето си в опити да изтеглите необработени данни и да ги почистите, няма да ви остане малко или никакво време за изграждане на каквито и да било модели, за да демонстрирате стойността си като специалист по данни. Бъдете внимателни, ако сте наети като учен за данни за първи път. Това може да е добро или лошо нещо, в зависимост от културата на данните. Може да срещнете по-голяма съпротива срещу прилагането на модела, ако висшето ръководство наеме Data Scientist само защото компанията иска да бъде известна като използване на Data Science за вземане на по-добри решения, но няма представа какво всъщност означава. Плюс това, ако намерите компания, която се ръководи от данни, вие ще растете с нея.
2. Познавайте данните и ключовите показатели за ефективност (KPI).
В началото споменах, че като инженер по данни създадох витрина за аналитични данни за екип от учени по данни. След като самият аз станах учен по данни, успях да намеря нови възможности, които повишиха точността на моделите, тъй като работих интензивно със сурови данни в предишната си роля.
Като представих резултатите от една от нашите кампании, успях да покажа моделите, генериращи по-високи проценти на реализация (като процент) и след това измерих един от KPI на кампанията. Това демонстрира стойността на модела за бизнес ефективност, с който маркетингът може да бъде свързан.
3. Осигурете приемането на модела, като демонстрирате неговата стойност на заинтересованите страни
Никога няма да успеете като учен по данни, ако вашите заинтересовани страни никога не използват вашите модели за вземане на бизнес решения. Един от начините да се гарантира приемането на модела е да се намери проблемна точка на бизнеса и да се покаже как моделът може да помогне.
След като разговарях с нашия екип по продажбите, разбрах, че двама представители работят на пълен работен ден ръчно, претърсвайки милионите потребители в базата данни на компанията, за да идентифицират потребители с единични лицензи, които е по-вероятно да надстроят до екипни лицензи. Изборът използваше набор от критерии, но изборът отне много време, защото представителите гледаха един потребител наведнъж. Използвайки модела, който разработих, представителите успяха да се насочат към потребителите, които е най-вероятно да закупят екипен лиценз и да увеличат вероятността за реализация за по-малко време. Това доведе до по-ефективно използване на времето чрез увеличаване на процентите на реализация за ключови показатели за ефективност, с които екипът по продажбите може да се свърже.
Минаха няколко години и аз разработвах едни и същи модели отново и отново и чувствах, че вече не научавам нищо ново. Реших да потърся друга позиция и в крайна сметка получих позиция като анализатор на данни. Разликата в отговорностите не можеше да бъде по-значима в сравнение с времето, когато бях учен по данни, въпреки че отново подкрепях маркетинга.
Това беше първият път, когато анализирах A/B експерименти и открих всички начини, по които един експеримент може да се обърка. Като учен по данни изобщо не работих върху A/B тестването, защото беше запазено за експерименталния екип. Работил съм върху широк спектър от анализи, повлияни от маркетинга - от увеличаване на премиум процентите на реализация до ангажираност на потребителите и предотвратяване на отлив. Научих много различни начини да разглеждам данни и прекарах много време в събиране на резултатите и представянето им на заинтересованите страни и висшето ръководство. Като учен по данни работех най-вече върху един тип модели и рядко изнасях лекции. Бързо напред няколко години към уменията, които научих, за да бъда успешен анализатор.
Умения, които научих, за да стана успешен анализатор на данни
1. Научете се да разказвате истории с данни
Не гледайте на KPI изолирано. Свържете ги, погледнете бизнеса като цяло. Това ще ви позволи да идентифицирате области, които си влияят взаимно. Висшият мениджмънт гледа на бизнеса през призмата и човек, който демонстрира това умение, се забелязва, когато дойде време да се вземат решения за повишение.
2. Осигурете полезни идеи.
Осигурете бизнес ефективна идея за решаване на проблема. Още по-добре е, ако проактивно предложите решение, когато все още не е казано, че се справяте с основния проблем.
Например, ако сте казали на маркетинга: „Забелязах, че напоследък броят на посетителите на сайта намалява всеки месец.“. Това е тенденция, която те може да са забелязали на таблото за управление и вие не сте предложили никакво ценно решение като анализатор, защото само сте посочили наблюдението.
Вместо това прегледайте данните, за да намерите причината и да предложите решение. По-добър пример за маркетинг би бил: „Забелязах, че напоследък имаме спад в броя на посетителите на нашия уебсайт. Открих, че източникът на проблема е органичното търсене, поради скорошни промени, които доведоха до спад в класирането ни при търсене в Google.". Този подход показва, че сте проследили KPI на компанията, забелязали сте промяната, проучили сте причината и сте предложили решение на проблема.
3. Станете доверен съветник
Вие трябва да сте първият човек, към когото вашите заинтересовани страни се обръщат за съвет или въпроси относно бизнеса, който подкрепяте. Няма пряк път, защото е необходимо време, за да се демонстрират тези способности. Ключът към това е постоянното предоставяне на висококачествен анализ с минимални грешки. Всяко грешно изчисление ще ви струва точки за доверие, защото следващия път, когато предоставяте анализ, хората може да се чудят: Ако сте сгрешили миналия път, може би грешите и този път?. Винаги проверявайте отново работата си. Също така няма да навреди да помолите вашия мениджър или колега да погледне вашите числа, преди да ги представи, ако имате някакви съмнения относно вашия анализ.
4. Научете се да съобщавате ясно сложните резултати.
Отново, няма пряк път да се научите как да общувате ефективно. Това изисква практика и с времето ще станете по-добри в това. Ключът е да идентифицирате основните точки на това, което искате да направите, и да препоръчате всякакви действия, които в резултат на вашия анализ заинтересованите страни могат да предприемат, за да подобрят бизнеса. Колкото по-високо място сте в една организация, толкова по-важни са вашите комуникационни умения. Комуникирането на сложни резултати е важно умение, което трябва да демонстрирате. Прекарах години в изучаване на тайните на успеха като специалист по данни и анализатор на данни. Хората определят успеха по различен начин. Да бъда описан като "невероятен" и "звезден" анализатор е успех в моите очи. Сега, след като знаете тези тайни, се надявам, че пътят ви бързо ще ви отведе до успеха, както и да го определяте.
И за да направите пътя си към успеха още по-бърз, запазете промоционалния код ХАБР, с което можете да получите допълнителни 10% към отстъпката, посочена на банера.
Още курсове
Препоръчани статии
Източник: www.habr.com