Hi ha molts articles sobre les habilitats necessàries per ser un bon científic de dades o analista de dades, però pocs articles parlen de les habilitats necessàries per tenir èxit, ja sigui una revisió excepcional del rendiment, elogis de la direcció, una promoció o tot l'anterior. Avui us presentem un material l'autora del qual vol compartir la seva experiència personal com a científica de dades i analista de dades, així com el que ha après per aconseguir l'èxit.
Vaig tenir sort: em van oferir la posició de científic de dades quan no tenia experiència en ciència de dades. Com vaig gestionar la tasca és una història diferent, i vull dir que només tenia una vaga idea del que fa un científic de dades abans de prendre la feina.
Em van contractar per treballar en canonades de dades a causa de la meva feina anterior com a enginyer de dades, on vaig desenvolupar un data mart per a l'anàlisi predictiva utilitzat per un grup de científics de dades.
El meu primer any com a científic de dades va implicar crear canalitzacions de dades per entrenar models d'aprenentatge automàtic i posar-los en producció. Vaig mantenir un perfil baix i no vaig participar en moltes reunions amb els agents del màrqueting que eren els usuaris finals dels models.
En el segon any de feina a l'empresa, el responsable de tractament i anàlisi de dades responsable de màrqueting va marxar. A partir d'aleshores em vaig convertir en el principal actor i vaig participar més activament en el desenvolupament de models i en la discussió dels terminis dels projectes.
Quan vaig interactuar amb les parts interessades, em vaig adonar que la ciència de dades és un concepte vague del qual la gent ha sentit parlar però que no acaba d'entendre, especialment a nivells de direcció superior.
Vaig construir més d'un centenar de models, però només un terç d'ells es van utilitzar perquè no sabia com mostrar el seu valor, tot i que els models eren demanats principalment pel màrqueting.
Un dels membres del meu equip va passar mesos desenvolupant un model que l'alta direcció creia que demostraria el valor d'un equip de ciència de dades. La idea era difondre el model per tota l'organització un cop desenvolupat i animar els equips de màrqueting a adoptar-lo.
Va resultar ser un complet fracàs perquè ningú no entenia què era un model d'aprenentatge automàtic ni podia comprendre el valor d'utilitzar-lo. Com a resultat, es van perdre mesos en alguna cosa que ningú volia.
D'aquestes situacions he après certes lliçons, que donaré a continuació.
Lliçons que vaig aprendre per convertir-me en un científic de dades d'èxit
1. Prepareu-vos per tenir èxit escollint l'empresa adequada.
Quan feu una entrevista en una empresa, pregunteu sobre la cultura de les dades i quants models d'aprenentatge automàtic s'adopten i s'utilitzen en la presa de decisions. Demaneu exemples. Esbrineu si la vostra infraestructura de dades està configurada per començar a modelar. Si passeu el 90% del vostre temps intentant extreure dades en brut i netejar-les, us quedarà poc o gens de temps per crear models per demostrar el vostre valor com a científic de dades. Aneu amb compte si us contracten com a científic de dades per primera vegada. Això pot ser bo o dolent, depenent de la cultura de les dades. És possible que trobeu més resistència a implementar el model si la direcció superior contracta un científic de dades només perquè l'empresa vol ser coneguda com a utilitzant Data Science per prendre millors decisions, però no té ni idea del que significa realment. A més, si trobeu una empresa basada en dades, creixeu amb ella.
2. Conèixer les dades i els indicadors clau de rendiment (KPI).
Al principi, vaig esmentar que, com a enginyer de dades, vaig crear un data mart analític per a un equip de científics de dades. Havent-me convertit en científic de dades, vaig poder trobar noves oportunitats que augmentaven la precisió dels models perquè vaig treballar intensament amb dades en brut en el meu paper anterior.
En presentar els resultats d'una de les nostres campanyes, vaig poder mostrar els models que generen percentatges de conversió més alts (en percentatge) i després vaig mesurar un dels KPI de la campanya. Això va demostrar el valor del model de rendiment empresarial al qual es pot vincular el màrqueting.
3. Assegurar l'adopció del model demostrant el seu valor als grups d'interès
Mai tindreu èxit com a científic de dades si les vostres parts interessades mai utilitzen els vostres models per prendre decisions empresarials. Una manera d'assegurar l'adopció del model és trobar un problema empresarial i mostrar com el model pot ajudar.
Després de parlar amb el nostre equip de vendes, em vaig adonar que dos representants estaven treballant a temps complet repassant manualment els milions d'usuaris de la base de dades de l'empresa per identificar els usuaris amb llicències individuals que tenien més probabilitats d'actualitzar-se a llicències d'equip. La selecció va utilitzar un conjunt de criteris, però la selecció va trigar molt de temps perquè els representants miraven un usuari alhora. Amb el model que vaig desenvolupar, els representants van poder orientar-se als usuaris amb més probabilitats de comprar una llicència d'equip i augmentar la probabilitat de conversió en menys temps. Això ha donat com a resultat un ús més eficient del temps augmentant les taxes de conversió dels indicadors clau de rendiment amb els quals es pot relacionar l'equip de vendes.
Van passar uns quants anys i vaig desenvolupar els mateixos models una vegada i una altra i vaig sentir que ja no aprenia res de nou. Vaig decidir buscar una altra posició i vaig acabar aconseguint una posició com a analista de dades. La diferència de responsabilitats no podria haver estat més significativa en comparació amb quan jo era científic de dades, tot i que tornava a donar suport al màrqueting.
Aquesta va ser la primera vegada que vaig analitzar experiments A/B i vaig trobar tots maneres en què un experiment pot sortir malament. Com a científic de dades, no vaig treballar en absolut en proves A/B perquè estava reservat per a l'equip experimental. He treballat en una àmplia gamma d'analíticas amb impacte en el màrqueting, des de l'augment de les taxes de conversió premium fins a la implicació dels usuaris i la prevenció de l'abandonament. Vaig aprendre moltes maneres diferents de mirar les dades i vaig passar molt de temps recopilant els resultats i presentant-los als grups d'interès i a l'alta direcció. Com a científic de dades, vaig treballar principalment en un tipus de model i poques vegades vaig donar xerrades. Avança ràpidament uns quants anys a les habilitats que vaig aprendre per ser un analista d'èxit.
Habilitats que vaig aprendre per convertir-me en un analista de dades d'èxit
1. Aprendre a explicar històries amb dades
No mireu els KPI de manera aïllada. Connecteu-los, mireu el negoci en el seu conjunt. Això us permetrà identificar àrees que s'influeixen mútuament. L'alta direcció veu el negoci a través d'una lent, i una persona que demostra aquesta habilitat es nota quan arriba el moment de prendre decisions de promoció.
2. Proporcioneu idees útils.
Proporcionar negoci idea efectiva per resoldre el problema. Encara és millor si oferiu una solució de manera proactiva quan encara no s'ha dit que esteu tractant amb el problema subjacent.
Per exemple, si vau dir màrqueting: "Em vaig adonar que recentment el nombre de visitants del lloc ha anat disminuint cada mes".. Aquesta és una tendència que potser han notat al tauler i no vau oferir cap solució valuosa com a analista perquè només vau indicar l'observació.
En lloc d'això, examineu les dades per trobar la causa i proposar una solució. Un millor exemple de màrqueting seria: “He notat que hem tingut una disminució del nombre de visitants al nostre lloc web últimament. Vaig descobrir que l'origen del problema és la cerca orgànica, a causa dels canvis recents que han fet que el nostre rànquing de cerca de Google baixés".. Aquest enfocament mostra que heu fet un seguiment dels KPI de l'empresa, heu notat el canvi, heu investigat la causa i heu proposat una solució al problema.
3. Converteix-te en un assessor de confiança
Heu de ser la primera persona a la qual recorren els vostres grups d'interès per demanar consells o preguntes sobre l'empresa que doneu suport. No hi ha drecera perquè es necessita temps per demostrar aquestes habilitats. La clau d'això és oferir constantment anàlisis d'alta qualitat amb errors mínims. Qualsevol error de càlcul us costarà punts de credibilitat perquè la propera vegada que proporcioneu una anàlisi, la gent es pot preguntar: Si t'has equivocat l'última vegada, potser també t'has equivocat aquesta vegada?. Comproveu sempre el vostre treball. Tampoc no està de més demanar al vostre responsable o company que mireu els vostres números abans de presentar-los si teniu cap dubte sobre la vostra anàlisi.
4. Aprendre a comunicar resultats complexos amb claredat.
De nou, no hi ha cap drecera per aprendre a comunicar-se de manera eficaç. Això requereix pràctica i amb el temps milloraràs. La clau és identificar els punts principals del que vols fer i recomanar les accions que, com a resultat de la teva anàlisi, els grups d'interès puguin dur a terme per millorar el negoci. Com més amunt estiguis en una organització, més importants són les teves habilitats comunicatives. Comunicar resultats complexos és una habilitat important per demostrar. Vaig passar anys aprenent els secrets de l'èxit com a científic de dades i analista de dades. La gent defineix l'èxit de manera diferent. Ser descrit com un analista "increïble" i "estel·lar" és un èxit als meus ulls. Ara que coneixeu aquests secrets, espero que el vostre camí us porti ràpidament a l'èxit, sigui com el definiu.
I per fer que el vostre camí cap a l'èxit sigui encara més ràpid, manteniu el codi promocional HABR, pel qual podràs obtenir un 10% addicional al descompte indicat al bàner.
Més cursos
Articles destacats
Font: www.habr.com