Postoji mnogo članaka o vještinama potrebnim da bi se bio dobar naučnik podataka ili analitičar podataka, ali nekoliko članaka govori o vještinama potrebnim za uspjeh—bilo da se radi o izuzetnoj ocjeni učinka, pohvalama menadžmenta, unapređenju ili svemu navedenom. Danas vam predstavljamo materijal čija bi autorka želela da podeli svoje lično iskustvo kao data naučnika i data analitičara, kao i šta je naučila da bi postigla uspeh.
Imao sam sreće: ponuđeno mi je mesto data naučnika kada nisam imao iskustva u nauci o podacima. Kako sam se nosio sa zadatkom je druga priča, a želim da kažem da sam imao samo nejasnu predstavu o tome šta radi naučnik podataka pre nego što sam preuzeo posao.
Angažovan sam da radim na cevovodima podataka zbog mog prethodnog posla kao inženjera podataka, gde sam razvio data mart za prediktivnu analitiku koju koristi grupa naučnika podataka.
Moja prva godina kao naučnik podataka uključivala je kreiranje cevovoda podataka za obuku modela mašinskog učenja i njihovo stavljanje u proizvodnju. Držao sam se tiho i nisam učestvovao na mnogim sastancima sa marketinškim akterima koji su bili krajnji korisnici modela.
U drugoj godini mog rada u kompaniji otišao je menadžer za obradu i analizu podataka zadužen za marketing. Od tada sam postao glavni igrač i aktivnije sudjelovao u razvoju modela i raspravi o rokovima projekta.
Dok sam komunicirao sa zainteresovanim stranama, shvatio sam da je nauka o podacima nejasan koncept za koji su ljudi čuli, ali ga ne razumeju sasvim, posebno na višem nivou menadžmenta.
Napravio sam preko sto modela, ali je samo trećina korištena jer nisam znao kako da pokažem njihovu vrijednost, iako je modele tražio prvenstveno marketing.
Jedan od članova mog tima proveo je mjesece razvijajući model za koji je više rukovodstvo smatralo da će pokazati vrijednost tima za nauku o podacima. Ideja je bila da se model proširi u cijeloj organizaciji kada se razvije i potakne marketinške timove da ga usvoje.
Ispostavilo se da je to bio potpuni neuspjeh jer niko nije razumio šta je model mašinskog učenja niti je mogao razumjeti vrijednost njegovog korištenja. Kao rezultat toga, mjeseci su potrošeni na nešto što niko nije želio.
Iz ovakvih situacija sam naučio određene lekcije, koje ću dati u nastavku.
Lekcije koje sam naučio da postanem uspješan naučnik podataka
1. Postavite se za uspjeh odabirom prave kompanije.
Prilikom intervjuisanja u kompaniji, raspitajte se o kulturi podataka i koliko modela mašinskog učenja je usvojeno i korišteno u donošenju odluka. Pitajte za primjere. Saznajte je li vaša podatkovna infrastruktura postavljena za početak modeliranja. Ako potrošite 90% svog vremena pokušavajući da izvučete neobrađene podatke i očistite ih, preostalo vam je malo ili nimalo vremena da napravite bilo kakve modele kako biste demonstrirali svoju vrijednost kao naučnika podataka. Budite oprezni ako ste prvi put angažovani kao data naučnik. Ovo može biti dobra ili loša stvar, ovisno o kulturi podataka. Možda ćete naići na veći otpor implementaciji modela ako više rukovodstvo unajmi Data Scientist samo zato što kompanija želi da bude poznata kao koristeći nauku o podacima za donošenje boljih odluka, ali nema pojma šta to zapravo znači. Osim toga, ako pronađete kompaniju koja je vođena podacima, vi ćete rasti s njom.
2. Poznavati podatke i ključne indikatore učinka (KPI).
Na početku sam spomenuo da sam kao inženjer podataka kreirao analitičko tržište podataka za tim naučnika podataka. Pošto sam i sam postao naučnik podataka, uspeo sam da pronađem nove mogućnosti koje su povećale tačnost modela jer sam u svojoj prethodnoj ulozi intenzivno radio sa sirovim podacima.
Predstavljanjem rezultata jedne od naših kampanja uspio sam prikazati modele koji generiraju veće stope konverzije (u procentima), a zatim izmjerio jedan od KPI-ova kampanje. Ovo je pokazalo vrijednost modela za poslovni učinak sa kojim se marketing može povezati.
3. Osigurati usvajanje modela demonstriranjem njegove vrijednosti zainteresovanim stranama
Nikada nećete uspjeti kao naučnik podataka ako vaši dionici nikada ne koriste vaše modele za donošenje poslovnih odluka. Jedan od načina da se osigura usvajanje modela je pronaći poslovnu bolnu tačku i pokazati kako model može pomoći.
Nakon razgovora sa našim prodajnim timom, shvatio sam da dva predstavnika rade puno radno vrijeme, ručno pročešljavajući milione korisnika u bazi podataka kompanije kako bi identificirali korisnike sa pojedinačnim licencama za koje je vjerovatnije da će nadograditi na timske licence. Odabir je koristio skup kriterija, ali odabir je trajao dugo jer su predstavnici gledali jednog po jednog korisnika. Koristeći model koji sam razvio, predstavnici su bili u mogućnosti da ciljaju korisnike koji će najvjerovatnije kupiti timsku licencu i povećati vjerovatnoću konverzije za manje vremena. Ovo je rezultiralo efikasnijim korištenjem vremena povećanjem stopa konverzije za ključne pokazatelje učinka na koje se prodajni tim može povezati.
Prošlo je nekoliko godina i razvijao sam iste modele iznova i iznova i osjećao sam da više ne učim ništa novo. Odlučio sam potražiti drugu poziciju i na kraju sam dobio poziciju analitičara podataka. Razlika u odgovornostima nije mogla biti značajnija u odnosu na vreme kada sam bio data naučnik, iako sam ponovo podržavao marketing.
Ovo je bio prvi put da sam analizirao A/B eksperimente i pronašao sve načine na koje eksperiment može poći po zlu. Kao data naučnik, nisam uopšte radio na A/B testiranju jer je bilo rezervisano za eksperimentalni tim. Radio sam na širokom spektru analitike koja je uticala na marketing - od povećanja premium stopa konverzije do angažmana korisnika i prevencije odljeva. Naučio sam mnogo različitih načina gledanja na podatke i proveo dosta vremena sastavljajući rezultate i prezentirajući ih dionicima i višem rukovodstvu. Kao data naučnik, uglavnom sam radio na jednoj vrsti modela i retko sam držao predavanja. Pređimo nekoliko godina naprijed do vještina koje sam naučio da budem uspješan analitičar.
Vještine koje sam naučio da postanem uspješan analitičar podataka
1. Naučite pričati priče s podacima
Ne posmatrajte KPI izolovano. Povežite ih, pogledajte posao u cjelini. Ovo će vam omogućiti da identifikujete oblasti koje utiču jedna na drugu. Viši menadžment posmatra poslovanje kroz sočivo, a osoba koja pokaže ovu vještinu se primijeti kada dođe vrijeme za donošenje odluka o promociji.
2. Dajte ideje koje se mogu primijeniti.
Obezbedite posao efektivna ideja riješiti problem. Još je bolje ako proaktivno ponudite rješenje kada još nije rečeno da se bavite osnovnim problemom.
Na primjer, ako ste marketingu rekli: “Primijetio sam da se u posljednje vrijeme broj posjetitelja stranice smanjuje svakog mjeseca.”. Ovo je trend koji su možda primijetili na kontrolnoj tabli, a vi kao analitičar niste ponudili nikakvo vrijedno rješenje jer ste samo iznijeli zapažanje.
Umjesto toga, ispitajte podatke kako biste pronašli uzrok i predložili rješenje. Bolji primjer za marketing bi bio: “Primijetio sam da u posljednje vrijeme imamo pad u broju posjetitelja naše web stranice. Otkrio sam da je izvor problema organska pretraga, zbog nedavnih promjena koje su dovele do pada našeg rangiranja na Google pretraživanju.". Ovaj pristup pokazuje da ste pratili KPI-ove kompanije, primijetili promjenu, istražili uzrok i predložili rješenje problema.
3. Postanite savjetnik od povjerenja
Morate biti prva osoba kojoj se vaši dionici obraćaju za savjet ili pitanja o poslu koji podržavate. Ne postoji prečica jer je potrebno vrijeme da se te sposobnosti demonstriraju. Ključ za to je dosljedno pružanje visokokvalitetne analize uz minimalne greške. Svaka pogrešna proračuna koštat će vas bodova kredibiliteta, jer sljedeći put kada date analizu, ljudi će se možda zapitati: Ako ste pogriješili prošli put, možda griješite i ovaj put?. Uvijek provjerite svoj rad. Također ne škodi da zamolite svog menadžera ili kolegu da pogleda vaše brojeve prije nego što ih iznesete ako sumnjate u svoju analizu.
4. Naučite jasno komunicirati složene rezultate.
Opet, ne postoji prečica za učenje kako efikasno komunicirati. Za to je potrebna vježba i vremenom ćete biti sve bolji u tome. Ključno je da identifikujete glavne tačke onoga što želite da uradite i preporučite sve radnje koje, kao rezultat vaše analize, zainteresovane strane mogu da preduzmu kako bi unapredile poslovanje. Što ste na višem nivou u organizaciji, važnije su vam komunikacijske vještine. Saopštavanje složenih rezultata važna je vještina koju treba demonstrirati. Proveo sam godine učeći tajne uspjeha kao naučnik podataka i analitičar podataka. Ljudi različito definišu uspjeh. Biti opisan kao "nevjerovatan" i "zvjezdani" analitičar je uspjeh u mojim očima. Sada kada znate ove tajne, nadam se da će vas vaš put brzo dovesti do uspjeha, kako god ga definirali.
A da bi vaš put do uspjeha bio još brži, zadržite promo kod HABR, čime možete ostvariti dodatnih 10% na popust naznačen na baneru.
Više kurseva
Preporučeni članci
izvor: www.habr.com