Existuje mnoho článků o dovednostech potřebných k tomu, abyste byli dobrým datovým vědcem nebo datovým analytikem, ale jen málo článků hovoří o dovednostech potřebných k úspěchu – ať už jde o výjimečné hodnocení výkonu, pochvalu od vedení, povýšení nebo vše výše uvedené. Dnes vám představujeme materiál, jehož autorka by se ráda podělila o své osobní zkušenosti datové vědkyně a datové analytičky a také o tom, co se naučila, aby dosáhla úspěchu.
Měl jsem štěstí: bylo mi nabídnuto místo datového vědce, když jsem neměl žádné zkušenosti v Data Science. Jak jsem se s tímto úkolem popasoval, je jiný příběh a chci říct, že jsem měl jen mlhavou představu o tom, co datový vědec dělá, než jsem tu práci vzal.
Byl jsem najat, abych pracoval na datových kanálech, kvůli mé předchozí práci datového inženýra, kde jsem vyvinul datový trh pro prediktivní analýzy používané skupinou datových vědců.
Můj první rok jako datový vědec zahrnoval vytváření datových kanálů pro trénování modelů strojového učení a jejich uvedení do výroby. Držel jsem se nízko a neúčastnil jsem se mnoha schůzek s marketingovými partnery, kteří byli koncovými uživateli modelů.
Ve druhém roce mého působení ve firmě odešel manažer zpracování a analýzy dat zodpovědný za marketing. Od té doby jsem se stal hlavním hráčem a aktivněji se podílel na vývoji modelů a projednávání termínů projektů.
Když jsem komunikoval se zúčastněnými stranami, uvědomil jsem si, že Data Science je vágní pojem, o kterém lidé slyšeli, ale zcela mu nerozumí, zejména na úrovni vyššího managementu.
Postavil jsem přes sto modelů, ale jen třetina z nich byla použita, protože jsem nevěděl, jak ukázat jejich hodnotu, i když modely byly požadovány především marketingem.
Jeden z členů mého týmu strávil měsíce vyvíjením modelu, o kterém se vyšší management domníval, že by demonstroval hodnotu týmu vědy o datech. Záměrem bylo rozšířit model v rámci organizace, jakmile bude vyvinut, a povzbudit marketingové týmy, aby jej přijaly.
Ukázalo se, že to bylo naprosté selhání, protože nikdo nechápal, co je model strojového učení, ani nedokázal pochopit hodnotu jeho používání. V důsledku toho byly měsíce promarněny něčím, co nikdo nechtěl.
Z takových situací jsem si vzal určité ponaučení, které uvedu níže.
Lekce, které jsem se naučil, abych se stal úspěšným datovým vědcem
1. Nastavte si úspěch výběrem správné společnosti.
Při pohovoru ve společnosti se zeptejte na datovou kulturu a na to, kolik modelů strojového učení je přijato a používáno při rozhodování. Zeptejte se na příklady. Zjistěte, zda je vaše datová infrastruktura nastavena pro zahájení modelování. Pokud strávíte 90 % svého času pokusy získat nezpracovaná data a vyčistit je, zbude vám málo času nebo žádný čas na vytvoření modelů, které demonstrují vaši hodnotu jako datového vědce. Buďte opatrní, pokud jste poprvé přijati jako datový vědec. To může být dobrá nebo špatná věc, v závislosti na kultuře dat. Můžete se setkat s větším odporem vůči implementaci modelu, pokud vyšší management najme Data Scientist jen proto, že společnost chce být známá jako pomocí Data Science k lepším rozhodnutím, ale netuší, co to vlastně znamená. Navíc, pokud najdete společnost, která je řízena daty, porostete s ní.
2. Znát data a klíčové ukazatele výkonnosti (KPI).
Na začátku jsem zmínil, že jsem jako datový inženýr vytvořil analytický datový trh pro tým datových vědců. Sám jsem se stal datovým vědcem a mohl jsem najít nové příležitosti, které zvýšily přesnost modelů, protože jsem ve své předchozí roli intenzivně pracoval s nezpracovanými daty.
Prezentací výsledků jedné z našich kampaní jsem mohl ukázat modely generující vyšší konverzní poměry (v procentech) a následně změřit jeden z KPI kampaně. To demonstrovalo hodnotu modelu pro výkonnost podniku, s nímž lze marketing spojit.
3. Zajistit přijetí modelu předvedením jeho hodnoty zúčastněným stranám
Jako datový vědec nikdy neuspějete, pokud vaše zainteresované strany nikdy nepoužívají vaše modely k přijímání obchodních rozhodnutí. Jedním ze způsobů, jak zajistit přijetí modelu, je najít problémový bod podnikání a ukázat, jak může model pomoci.
Po rozhovoru s naším prodejním týmem jsem si uvědomil, že dva zástupci pracují na plný úvazek a manuálně prohledávají miliony uživatelů ve firemní databázi, aby identifikovali uživatele s jednotlivými licencemi, u nichž je pravděpodobnější, že upgradují na týmové licence. Při výběru byla použita sada kritérií, ale výběr trval dlouho, protože zástupci sledovali vždy jednoho uživatele. Pomocí modelu, který jsem vyvinul, byli zástupci schopni zacílit na uživatele, kteří si s největší pravděpodobností zakoupí týmovou licenci, a zvýšit pravděpodobnost konverze za kratší dobu. To vedlo k efektivnějšímu využití času zvýšením konverzních poměrů u klíčových ukazatelů výkonu, se kterými se může prodejní tým ztotožnit.
Uplynulo několik let a já jsem vyvíjel stejné modely znovu a znovu a cítil jsem, že se už neučím nic nového. Rozhodl jsem se hledat jinou pozici a nakonec jsem získal pozici datového analytika. Rozdíl v odpovědnostech nemohl být výraznější ve srovnání s dobou, kdy jsem byl datovým vědcem, i když jsem zpětně podporoval marketing.
To bylo poprvé, co jsem analyzoval A/B experimenty a zjistil vše způsoby, jak se experiment může pokazit. Jako datový vědec jsem na A/B testování vůbec nepracoval, protože to bylo vyhrazeno pro experimentální tým. Pracoval jsem na široké škále marketingově ovlivněných analýz – od zvyšování prémiových konverzních poměrů po zapojení uživatelů a prevenci odchodu. Naučil jsem se mnoho různých způsobů, jak nahlížet na data, a strávil jsem spoustu času sestavováním výsledků a jejich prezentací zúčastněným stranám a vyššímu vedení. Jako datový vědec jsem většinou pracoval na jednom typu modelu a málokdy jsem mluvil. Rychle vpřed o několik let k dovednostem, které jsem se naučil být úspěšným analytikem.
Dovednosti, které jsem se naučil, abych se stal úspěšným datovým analytikem
1. Naučte se vyprávět příběhy pomocí dat
Nedívejte se na KPI izolovaně. Propojte je, podívejte se na podnik jako celek. To vám umožní identifikovat oblasti, které se navzájem ovlivňují. Vrcholový management nahlíží na podnik optikou a člověka, který tuto dovednost prokáže, si všimne, když přijde čas na rozhodnutí o povýšení.
2. Poskytujte praktické nápady.
Poskytovat obchod efektivní nápad vyřešit problém. Ještě lepší je, když proaktivně nabídnete řešení, když ještě nebylo řečeno, že se zabýváte základním problémem.
Pokud jste například řekli marketingu: "Všiml jsem si, že v poslední době počet návštěvníků stránek každý měsíc klesá.". To je trend, kterého si mohli všimnout na palubní desce a vy jste jako analytik nenabídl žádné hodnotné řešení, protože jste pouze uvedl pozorování.
Místo toho prozkoumejte data, abyste našli příčinu a navrhli řešení. Lepším příkladem pro marketing by bylo: „Všiml jsem si, že v poslední době klesá návštěvnost našeho webu. Zjistil jsem, že zdrojem problému je organické vyhledávání kvůli nedávným změnám, které způsobily pokles našeho hodnocení ve vyhledávání Google.“. Tento přístup ukazuje, že jste sledovali KPI společnosti, všimli jste si změny, prozkoumali příčinu a navrhli řešení problému.
3. Staňte se důvěryhodným poradcem
Musíte být první osobou, na kterou se vaše zainteresované strany obracejí s žádostí o radu nebo otázky týkající se podnikání, které podporujete. Neexistuje žádná zkratka, protože předvedení těchto schopností vyžaduje čas. Klíčem k tomu je důsledné poskytování vysoce kvalitní analýzy s minimem chyb. Jakýkoli špatný výpočet vás bude stát body důvěryhodnosti, protože až příště poskytnete analýzu, lidé se mohou divit: Pokud jste se mýlili minule, možná se mýlíte i tentokrát?. Vždy dvakrát zkontrolujte svou práci. Také neuškodí požádat svého manažera nebo kolegu, aby se na vaše čísla před předložením podíval, pokud máte o své analýze nějaké pochybnosti.
4. Naučte se jasně komunikovat komplexní výsledky.
Opět neexistuje žádná zkratka, jak se naučit efektivně komunikovat. Chce to cvik a časem se v tom zdokonalíte. Klíčem je identifikovat hlavní body toho, co chcete dělat, a doporučit jakékoli kroky, které mohou zúčastněné strany na základě vaší analýzy podniknout ke zlepšení podnikání. Čím výše jste v organizaci, tím důležitější jsou vaše komunikační schopnosti. Sdělování komplexních výsledků je důležitou dovedností, kterou je třeba prokázat. Strávil jsem roky učením se tajemství úspěchu jako datový vědec a datový analytik. Lidé definují úspěch různě. Být popsán jako „úžasný“ a „hvězdný“ analytik je v mých očích úspěch. Nyní, když znáte tato tajemství, doufám, že vás vaše cesta rychle dovede k úspěchu, ať už jej definujete jakkoli.
A aby byla vaše cesta k úspěchu ještě rychlejší, uschovejte si promo kód HABR, čímž můžete získat dalších 10 % ke slevě uvedené na banneru.
Více kurzů
Doporučené články
Zdroj: www.habr.com