Existuje mnoho článků o dovednostech, které jsou potřebné k tomu, abyste se stali dobrým datovým vědcem nebo analytikem dat, ale jen v několika článcích se píše o dovednostech potřebných k úspěchu — ať už jde o výjimečné hodnocení práce, pochvalu od vedení, povýšení nebo všechno výše zmíněné. Dnes vám představíme materiál, jehož autorka by se ráda podělila o své osobní zkušenosti z práce datového vědce a analytika dat a také o tom, co se naučila pro dosažení úspěchu.
Měla jsem štěstí: nabídli mi pozici datového vědce, když jsem neměla žádné zkušenosti v oblasti datové vědy. Jak jsem tuto výzvu zvládla, to je jiný příběh, a chci říct, že jsem měla pouze mlhavou představu o tom, co datový vědec dělá, než jsem tuto práci přijala.
Byla jsem najata k práci na vytváření datových potrubí díky své předchozí práci jako inženýr zpracování dat, kde jsem navrhla datový sklad pro prediktivní analýzu, který využíval tým datových vědců.
Můj první rok práce jako datového vědce zahrnoval vytváření datových potrubí pro školení modelů strojového učení a jejich uvedení do výroby. Držela jsem se ve stínu a nezúčastnila jsem se mnoha schůzek se zainteresovanými stranami v marketingu, kteří byli koncovými uživateli modelů.
Ve druhém roce mé práce ve firmě odešel manažer zpracování a analýzy dat, který byl odpovědný za marketing. Od té doby jsem se stala hlavním aktérem a aktivněji jsem se podílela na vývoji modelů a projednávání časového rámce realizace projektů.
S rostoucím kontaktem se zainteresovanými stranami jsem si uvědomila, že Data Science je neurčitý pojem, o kterém lidé slyšeli, ale ne zcela jej chápou, zejména to platí pro vyšší vedení.
Vytvořila jsem více než sto modelů, ale pouze jedna třetina z nich byla využita, protože jsem nevěděla, jak ukázat jejich hodnotu, přestože byly modely poprvé požadovány marketingem.
Jeden z členů mého týmu strávil měsíce vývojem modelu, který, jak si myslelo vyšší vedení, měl demonstrovat hodnotu týmu datových vědců. Myšlenka spočívala v tom, že tento model rozšíříme napříč celou organizací po jeho dokončení a podnítíme marketingové týmy k jeho využití.
To se však ukázalo jako naprostý propadák, protože nikdo nechápal, co model strojového učení vlastně je, a nedokázal pochopit hodnotu jeho aplikace. Nakonec měsíce vyšlo nazmar, na něco, co nikdo nechtěl.
Z takovýchto situací jsem si vzala určitá ponaučení, která uvedu níže.
Ponaučení, která jsem získala, abych se stala úspěšným datovým vědcem
1. Nastavte se na úspěch výběrem správné společnosti.
Během pohovoru se zeptejte na kulturu dat a na to, kolik modelů strojového učení se používá při rozhodování. Požádejte o příklady. Zjistěte, zda je datová infrastruktura nastavena pro začátek modelování. Pokud strávíte 90 % svého času pokusy o získání a vyčištění surových dat, nebude vám téměř zbývat čas na vytváření jakýchkoli modelů, abyste prokázali svou hodnotu jako datový vědec. Buďte opatrní, pokud vás jako datového vědce najímají poprvé. Může to být jak dobré, tak špatné, v závislosti na kultuře dat. Můžete se setkat s velkým odporem při zavádění modelu, pokud vyšší vedení najímá specialistu na data science jen proto, aby společnost vypadala, že používá data science pro lepší rozhodování, ale nemá ponětí, co to vlastně znamená. Navíc, pokud najdete společnost, která je řízená daty, pak s ní porostete.
2. Znáte data a klíčové ukazatele výkonnosti (KPI).
Na začátku jsem zmínila, že jako inženýr v oblasti zpracování dat jsem vytvořila datový sklad pro tým datových vědců. Když jsem se stala datovým vědcem, byla jsem schopna najít nové příležitosti, které zvýšily přesnost modelů, protože jsem intenzivně pracovala se surovými daty na předchozí pozici.
Prezentováním výsledků jedné z našich kampaní jsem mohla ukázat modely, které generovaly vyšší míry konverze (v procentech), po čemž byla změřena jedna z kampaní KPI. To demonstrovalo hodnotu modelu pro efektivitu podnikání, s níž může být spojena i marketing.
3. Zajistěte přijetí modelu tím, že ukážete jeho hodnotu zainteresovaným stranám.
Nikdy neuspějete jako odborník na Data Science, pokud zainteresované strany nikdy nebudou používat vaše modely k rozhodování. Jedním ze způsobů, jak zajistit přijetí modelu, je najít bolestivou oblast podnikání a ukázat, jak může model pomoci.
Po rozhovoru s naším prodejním oddělením jsem pochopila, že dva zástupci pracují na plný úvazek, ručně procházejí miliony uživatelů v databázi společnosti, aby identifikovali uživatele s jednotlivými licencemi, kteří mají největší pravděpodobnost přechodu na týmové licence. Při výběru byly použity určité kritéria, ale výběr trval hodně času, protože zástupci procházeli jednoho uživatele za druhým. S pomocí modelu, který jsem vytvořila, dokázali zástupci vybírat uživatele s největší pravděpodobností zakoupení týmové licence a tím zvýšit pravděpodobnost konverze v kratším čase. To vedlo k efektivnějšímu využití času díky zvýšení míry konverze pro klíčové ukazatele výkonnosti, které mohou být relevantní pro prodejní oddělení.
Uplynulo několik let a opakovaně jsem vyvíjela stejné modely a cítila jsem, že se už nic nového nenaučím. Rozhodla jsem se hledat jinou pozici a nakonec získala místo datového analytika. Rozdíl v povinnostech nemohl být větší ve srovnání s dobou, kdy jsem byla datovým vědcem, i přesto, že jsem opět podporovala marketing.
Byl to poprvé, co jsem analyzovala A/B experimenty a objevila všechny Způsoby, jakými může experiment selhat. Jako datový vědec jsem nikdy nepracovala na A/B testování, protože to bylo vyhrazeno týmu experimentátorů. Pracovala jsem na široké škále analytických studií, které ovlivnil marketing — od zvyšování konverzního poměru prémiových segmentů až po zapojení uživatelů a prevenci odlivu. Naučila jsem se různé způsoby, jak analyzovat data, a strávila jsem hodně času shromažďováním výsledků, jejich prezentováním zainteresovaným stranám a vrcholovému vedení. Jako datový vědec jsem se většinou soustředila na jeden typ modelu a zřídka vystupovala na prezentacích. Otočme se o pár let dál a pojďme k dovednostem, které jsem se naučila, abych se stala úspěšnou analytičkou.
Dovednosti, které jsem se naučila, abych se stala úspěšnou datovou analytičkou
1. Naučte se vyprávět příběhy s daty
Nedívejte se na KPI jednotlivě. Propojte je a pohleďte na podnik jako na celek. To umožňuje určit vzájemně se ovlivňující oblasti. Vrcholové vedení se na podnik dívá skrze tento objektiv a člověka, který prokazuje tuto schopnost, si všimnou, když je čas rozhodnout o povýšení.
2. Poskytujte akční nápady
Poskytněte podnikání akční nápad k řešení problému. Ještě lepší je, pokud proaktivně navrhnete řešení, ještě než se ukáže, že se jedná o prioritní problém.
Například, pokud byste řekli marketingu: „Všimla jsem si, že se v poslední době snižuje počet měsíčních návštěvníků na webu“. To je trend, který mohli na svém dashboardu zaznamenat, a jako analytik jste nenabídli žádné cenné řešení, protože jste pouze uvedli pozorování.
Místo toho prozkoumejte data, abyste zjistili příčinu a navrhli řešení. Nejlepší příklad pro marketing by byl: „Všimla jsem si, že se v poslední době snižuje počet návštěvníků našeho webu. Zjistila jsem, že příčinou problému je organické vyhledávání a nedávné změny, které vedly k poklesu našeho hodnocení ve vyhledávání Google“. Tento přístup ukazuje, že jste sledovali KPI společnosti, zaznamenali změnu, prozkoumali příčinu a navrhli řešení problému.
3. Staňte se důvěryhodným poradcem
Musíte se stát prvním člověkem, na kterého se vaši zainteresovaní strany obracejí s žádostmi o doporučení nebo dotazy k oblasti, kterou spravujete. Neexistuje žádná zkratka, protože pro prokázání těchto schopností je potřeba čas. Klíčem k tomu je důsledné poskytování vysoce kvalitních analýz s minimem chyb. Jakákoli chyba v vypočítání vás může stát body důvěry, protože příště, když poskytnete analýzu, se lidé mohou ptát: Pokud jste se minule mýlili, mohli byste se mýlit i tentokrát?. Vždy si svou práci dvakrát zkontrolujte. Také není na škodu požádat svého manažera nebo kolegu, aby se na vaše čísla podívali, než je představíte, pokud máte jakékoli pochybnosti o své analýze.
4. Naučte se jasně předávat složité výsledky
Opět neexistuje žádná zkratka k tomu, jak se naučit efektivní komunikaci. To vyžaduje praxi a s časem se v tom stanete lepšími. Hlavní je určit klíčové body toho, co chcete udělat, a doporučit jakékoliv kroky, které mohou zainteresované strany podniknout na základě vaší analýzy, aby zlepšily podnikání. Čím výše jste na kariérním žebříčku v organizaci, tím důležitější je umění komunikace. Předávání složitých výsledků je důležitá dovednost, kterou je třeba prokázat. Strávil(a) jsem roky studiem tajemství úspěchu jako datový vědec a analytik dat. Lidé definují úspěch různě. Získat hodnocení „úžasný“ a „hvězdný“ analytik – to je úspěch v mých očích. Nyní, když znáte tato tajemství, doufám, že vaše cesta rychleji povede k úspěchu, jakýmkoli způsobem jej definujete.
Aby byla vaše cesta k úspěchu ještě rychlejší, držte promo kód HABR, díky kterému můžete získat další 10% slevu na cenu uvedenou na banneru.
Další kurzy
Doporučené články
Zdroj: habr.com
