Есть много статей о навыках, необходимых, чтобы быть хорошим дата-сайентистом, или аналитиком данных, но лишь в немногих статьях пишут о навыках, необходимых для успеха — будь то исключительная оценка работы, похвала от руководства, повышение, или все вышеперечисленное. Сегодня мы представляем вам материал, автор которого хотела бы поделиться своим личным опытом работы в качестве дата-сайентиста и аналитика данных, а также тем, чему она научилась ради достижения успеха.
Мне повезло: мне предложили должность дата-сайентиста, когда я не имела никакого опыта в Data Science. То, как я справилась с этой задачей, — другая история, и я хочу сказать, что у меня было лишь смутное представление о том, что делает дата-сайентист, до того, как я согласилась на эту работу.
Меня наняли для работы по созданию дата-пайплайнов в связи с моей предыдущей работой в качестве инженера по обработке данных, где я разработала витрину данных для прогнозного анализа, используемую группой дата-сайентистов.
Мой первый год работы в качестве дата-сайентиста включал создание дата-пайплайнов для обучения моделей машинного обучения и их внедрения в производство. Я держалась в тени и не участвовала во многих встречах с заинтересованными сторонами в маркетинге, которые были конечными пользователями моделей.
На втором году моей работы в компании, ушел менеджер по обработке и анализу данных отвечавший за маркетинг. С тех пор я стала главным действующим лицом и принимала более активное участие в разработке моделей и обсуждении сроков реализации проектов.
По мере общения с заинтересованными сторонами, я поняла, что Data Science — это расплывчатое понятие, о котором люди слышали, но не совсем понимают его, особенно это касается высшего руководства.
Я построила более сотни моделей, но только одна треть из них использовалась, поскольку я не знала, как показать их ценность, несмотря на то, что модели были запрошены в первую очередь маркетингом.
Один из членов моей команды потратил месяцы на разработку модели, которая, по мнению высшего руководства, продемонстрировала бы ценность команды дата-сайентистов. Идея состояла в том, чтобы распространить эту модель на всю организацию после ее разработки и побудить маркетинговые команды применять ее.
Это обернулось полным провалом, потому что никто не понимал, что такое модель машинного обучения, и не мог понять ценность ее применения. В итоге месяцы были потрачены впустую, на то, чего никто не хотел.
Из таких вот ситуаций я извлекла определенные уроки, которые приведу ниже.
Уроки, которые я извлекла, чтобы стать успешным дата-сайентистом
1. Настройтесь на успех, выбрав правильную компанию.
Во время собеседования в компании спросите о культуре данных и о том, сколько моделей машинного обучения принято и используется в принятии решений. Попросите привести примеры. Узнайте, настроена ли инфраструктура данных для начала моделирования. Если вы потратите 90% своего времени, пытаясь вытащить необработанные данные и очистить их, у вас практически не останется времени на построение каких-либо моделей, чтобы продемонстрировать свою ценность в качестве дата-сайентиста. Будьте осторожны, если в качестве дата-сайентиста вы наняты впервые. Это может быть как хорошо, так и плохо, в зависимости от культуры данных. Вы можете столкнуться с большим сопротивлением при внедрении модели, если высшее руководство нанимает специалиста по Data Science только потому, что компания хочет быть известной как использующая Data Science для принятия лучших решений, но не имеет понятия, что это на самом деле значит. Кроме того, если вы найдете компанию, которая управляется данными (data driven), то будете расти вместе с ней.
2. Знайте данные и ключевые показатели эффективности (KPI).
В начале я упомянула, что будучи инженером по обработке данных создала витрину аналитических данных для команды дата-сайентистов. Сама став дата-сайентистом, я смогла найти новые возможности, повысившие точность моделей, потому что интенсивно работала с необработанными данными на предыдущей должности.
Представив результаты одной из наших кампаний я смогла показать модели, генерирующие более высокие коэффициенты конверсии (в процентах), после чего была измерена одна из кампаний KPI. Это продемонстрировало ценность модели для эффективности бизнеса, с которой может быть связан маркетинг.
3. Обеспечьте принятие модели, показывая ее ценность заинтересованным сторонам
Вы никогда не добьетесь успеха как специалист в Data Science, если заинтересованные стороны никогда не будут применять ваши модели для принятия деловых решений. Один из способов обеспечения принятия модели — найти болезненную точку бизнеса и показать, как может помочь модель.
После разговора с нашим отделом продаж я поняла, что два представителя работают полный рабочий день, вручную просматривая миллионы пользователей в базе данных компании, чтобы выявить пользователей с одиночными лицензиями, которые с большей вероятностью перейдут на командные лицензии. При подборе применялся набор критериев, но подбор занимал много времени, потому что представители просматривали по одному пользователю за раз. С помощью разработанной мной модели представители смогли выбирать пользователей с наибольшей вероятностью покупки командной лицензии и повышать вероятность конверсии за меньшее время. Это привело к более эффективному использованию времени за счет повышения коэффициента конверсии для ключевых показателей эффективности, к которым может иметь отношение отдел продаж.
Прошло несколько лет, и я неоднократно разрабатывала одни и те же модели и чувствовала, что больше не узнаю ничего нового. Я решила искать другую должность и в итоге получила должность аналитика данных. Разница в обязанностях просто не могла быть еще значительнее по сравнению с тем временем, когда я была дата-сайентистом, даже несмотря на то, что я снова поддерживала маркетинг.
Это был первый раз, когда я проанализировала A/B эксперименты и обнаружила все способы, по которым эксперимент может пойти не так. Как дата-сайентист я вообще не работала над A/B тестированием, потому что это было зарезервировано за командой экспериментаторов. Я работала над широким спектром аналитических исследований, на которые оказывал влияние маркетинг — от увеличения коэффициента конверсии премиум-класса до вовлечения пользователей и предотвращения оттока. Я узнала много разных способов просмотра данных и потратила много времени на компиляцию результатов, их представление заинтересованным сторонам и высшему руководству. Как дата-сайентист я в основном работала над одним типом модели и редко выступала с докладами. Перемотаем несколько лет и перейдем к навыкам, которым я научилась, чтобы быть успешным аналитиком.
Навыки, которым я научилась, чтобы стать успешным аналитиком данных
1. Научитесь рассказывать истории с помощью данных
Не смотрите на KPI по отдельности. Свяжите их, взгляните на бизнес как на целое. Это позволит определить влияющие друг на друга области. Высшее руководство смотрит на бизнес через призму, и человека, демонстрирующего такое умение, замечают, когда приходит время принимать решение о повышении.
2. Предоставьте действенные идеи
Предоставьте бизнесу действенную идею для решения проблемы. Еще лучше, если вы проактивно предлагаете решение, когда еще не было сказано, что вы имеете дело с первоочередной проблемой.
Например, если бы вы сказали маркетингу: «Я заметил, что в последнее время ежемесячно уменьшается количество посетителей сайта». Это тенденция, которую они могли заметить на дашборде и вы не предложили никакого ценного решения как аналитик, потому что только заявили о наблюдении.
Вместо этого изучите данные, чтобы найти причину и предложить решение. Лучшим примером для маркетинга было бы: «Я заметил, что в последнее время у нас снизилось количество посетителей нашего веб-сайта. Я обнаружил, что источником проблемы является обычный поиск, из-за недавних изменений, которые привели к падению нашего рейтинга в поиске Google». Такой подход показывает, что вы отслеживали KPI компании, заметили изменение, исследовали причину и предложили решение проблемы.
3. Станьте надежным советником
Необходимо стать первым человеком, к которому ваши заинтересованные стороны обращаются за рекомендациями или с вопросами по поддерживаемому вами направлению деятельности. Короткого пути нет, потому что для демонстрации этих способностей нужно время. Ключ к этому — последовательное предоставление высококачественного анализа с минимальным количеством ошибок. Любая ошибка в расчетах будет стоить вам очков доверия, потому что в следующий раз, когда вы предоставите анализ, люди могут задаться вопросом: Если вы были неправы в прошлый раз, может вы ошибаетесь и в этот раз тоже?. Всегда дважды проверяйте свою работу. Также не повредит попросить вашего менеджера или коллегу посмотреть на ваши цифры, прежде чем представить их, если у вас есть какие-то сомнение по поводу вашего анализа.
4. Научитесь ясно доносить сложные результаты
Опять же, нет никакого короткого пути к тому, чтобы научиться эффективным коммуникациям. Это требует практики, и со временем вы станете лучше в этом деле. Главное — определить основные моменты того, что вы хотите сделать, и рекомендовать любые действия, которые, в результате вашего анализа, могут предпринять заинтересованные стороны для совершенствования бизнеса. Чем выше вы на карьерной лестнице в организации, тем важнее умение общаться. Передача сложных результатов — важный навык, который необходимо продемонстрировать. Я потратила годы на изучение секретов успеха в качестве дата-сайентиста и аналитика данных. Люди определяют успех по-разному. Получить характеристику «удивительный» и «звездный» аналитик — вот успех в моих глазах. Теперь, когда вы знаете эти секреты, я надеюсь, что ваш путь быстрее приведет вас к успеху, как бы вы его ни определяли.
А чтобы ваш путь к успеху был еще быстрее, держите промокод HABR, по которому можно получить дополнительные 10% к скидке указанной на баннере.
Eще курсы
Рекомендуемые статьи
Источник: habr.com