Der er mange artikler om de færdigheder, der er nødvendige for at være en god data scientist eller dataanalytiker, men kun i få artikler tales der om de færdigheder, der er nødvendige for succes — uanset om det er fremragende evalueringer af arbejdet, ros fra ledelsen, forfremmelse, eller alt ovenstående. I dag præsenterer vi et materiale, hvis forfatter gerne vil dele sin personlige erfaring med at arbejde som data scientist og dataanalytiker samt hvad hun har lært for at opnå succes.
Jeg var heldig at få tilbudt en stilling som data scientist, da jeg ikke havde nogen erfaring med Data Science. Hvordan jeg klarede denne udfordring er en anden historie, og jeg vil sige, at jeg havde en meget vag opfattelse af, hvad en data scientist gjorde, før jeg accepterede dette job.
Jeg blev ansat til at arbejde med at opbygge datapipelines på grund af mit tidligere arbejde som databehandlingsingeniør, hvor jeg udviklede et datavarehus til prognoseanalyse, som blev brugt af en gruppe data scientists.
Mit første år som data scientist indebar opbygning af datapipelines til træning af maskinlæringsmodeller og implementering af dem i produktionen. Jeg holdt mig i baggrunden og deltog ikke i mange møder med interessenterne i marketing, som var de endelige brugere af modellerne.
I mit andet år i virksomheden forlod lederen for databehandling og analyse, som havde ansvaret for marketing. Siden da er jeg blevet hovedpersonen og har deltaget mere aktivt i udviklingen af modeller og diskussioner om projektets tidsplaner.
I takt med at jeg kommunikerede med interessenterne, indså jeg, at Data Science er et vagt begreb, som folk har hørt om, men som de ikke helt forstår, især ikke i forhold til topledelsen.
Jeg har bygget mere end hundrede modeller, men kun en tredjedel af dem blev brugt, da jeg ikke vidste, hvordan jeg skulle vise deres værdi, selvom modellerne blev efterspurgt først og fremmest af marketing.
Et af medlemmerne af mit team brugte måneder på at udvikle en model, som ledelsen mente ville demonstrere værdien af data science-teamet. Ideen var at udbrede denne model til hele organisationen efter dens udvikling og opmuntre marketingteamene til at anvende den.
Det viste sig at være en fuldstændig fiasko, fordi ingen forstod, hvad en maskinlæringsmodel var, og ikke kunne se værdien af dens anvendelse. I sidste ende blev måneder brugt forgæves på noget, som ingen ønskede.
Fra sådanne situationer har jeg draget visse lektioner, som jeg vil nævne nedenfor.
Lektioner, jeg har lært for at blive en succesfuld data scientist
1. Indstil dig på succes ved at vælge det rigtige firma.
Under interviewet i virksomheden skal du spørge om datakulturen og hvor mange maskinlæringsmodeller der anvendes i beslutningstagning. Bed om eksempler. Find ud af, om datainfrastrukturen er klar til at begynde modellering. Hvis du bruger 90 % af din tid på at trække rådata ud og rense dem, får du næsten ikke tid til at bygge nogle modeller, der kan demonstrere din værdi som data scientist. Vær forsigtig, hvis du ansættes som data scientist for første gang. Det kan være både godt og dårligt, afhængigt af datakulturen. Du kan støde på stort modstand, når du implementerer modellen, hvis ledelsen kun ansætter en Data Science-specialist, fordi virksomheden ønsker at være kendt som en virksomhed der bruger Data Science til at træffe bedre beslutninger, men ikke har nogen idé om, hvad det egentlig betyder. Derudover, hvis du finder et data-drevet selskab, vil du vokse sammen med det.
2. Kend dataene og nøglepræstationsindikatorerne (KPI).
I starten nævnte jeg, at når jeg var dataingeniør, skabte jeg et analytisk dashboards for data science-teamet. Da jeg selv blev data scientist, kunne jeg finde nye muligheder, der forbedrede modellernes nøjagtighed, fordi jeg havde arbejdet intensivt med de rå data i min tidligere stilling.
Ved at præsentere resultaterne af en af vores kampagner kunne jeg vise modeller, der genererede højere konverteringsrater (i procent), hvorefter en af KPI-kampagnerne blev målt. Dette viste værdien af modellen for forretningseffektiviteten, der kan være forbundet med marketing.
3. Sørg for at give accept af modellen ved at vise dens værdi for interessenterne.
Du vil aldrig få succes som specialist inden for Data Science, hvis interessenterne aldrig bruger dine modeller til at træffe forretningsbeslutninger. En måde at sikre accept af modellen på er at finde en forretningssmertepunk og vise, hvordan modellen kan hjælpe.
Efter en samtale med vores salgsteam indså jeg, at to repræsentanter arbejder fuld tid med manuelt at gennemgå millioner af brugere i virksomhedens database for at identificere brugere med individuelle licenser, som er mere tilbøjelige til at skifte til teamlicenser. Der blev anvendt et sæt kriterier, men udvælgelsen tog lang tid, da repræsentanterne gennemgik én bruger ad gangen. Med den model, jeg udviklede, kunne repræsentanterne vælge brugere med den højeste sandsynlighed for at købe en teamlicens og øge konverteringsraten på kortere tid. Dette førte til en mere effektiv brug af tiden ved at forøge konverteringsraten for de vigtigste nøgletal, som salgsteamet kan have indflydelse på.
Årene gik, og jeg udviklede gentagne gange de samme modeller og følte, at jeg ikke lærte noget nyt længere. Jeg besluttede at søge en anden stilling og endte med at få en stilling som dataanalytiker. Forskellen i opgaverne kunne simpelthen ikke have været mere betydelig sammenlignet med dengang, jeg var data scientist, selvom jeg igen støttede marketing.
Det var første gang, jeg analyserede A/B-experimenter og opdagede alle metoder, hvorpå eksperimentet kan gå galt. Som datavidenskabsmand har jeg ikke arbejdet med A/B-testning, da det var forbeholdt eksperimentatorerne. Jeg har arbejdet med et bredt spektrum af analytiske undersøgelser, der er påvirket af marketing – fra at øge konverteringsraten for premium til at engagere brugere og forhindre churn. Jeg har lært mange forskellige måder at se data på og tilbragt meget tid med at samle resultaterne, præsentere dem for interessenter og ledelsen. Som datavidenskabsmand har jeg primært arbejdet med én type model og sjældent præsenteret resultater. Lad os spole flere år frem og tale om de færdigheder, jeg har lært, for at være en succesfuld analytiker.
Færdigheder, jeg har lært for at blive en succesfuld dataanalytiker
1. Lær at fortælle historier med data
Se ikke på KPI'er hver for sig. Forbind dem, se på virksomheden som en helhed. Dette vil hjælpe med at identificere områder, der påvirker hinanden. Ledelsen ser på virksomheden gennem et filter, og en person, der viser denne evne, bliver bemærket, når det er tid til at træffe beslutning om forfremmelse.
2. Giv handlingsdygtige indsigt
Giv virksomheden handlingsdygtig indsigt til at løse et problem. Endnu bedre, hvis du proaktivt foreslår en løsning, før det er blevet sagt, at du beskæftiger dig med en presserende problemstilling.
For eksempel, hvis du sagde til marketing: "Jeg har bemærket, at antallet af besøgende på hjemmesiden er faldet månedligt på det seneste". Dette er en tendens, de måske har bemærket på dashboardet, og du har ikke tilbudt nogen værdifuld løsning som analytiker, fordi du blot bemærkede observationen.
I stedet skal du undersøge dataene for at finde årsagen og foreslå en løsning. Det bedste eksempel for marketing ville være: "Jeg har bemærket, at antallet af besøgende på vores hjemmeside er faldet på det seneste. Jeg har fundet ud af, at årsagen til problemet skyldes organisk søgning, på grund af de seneste ændringer, der har ført til et fald i vores rangering på Google". Denne tilgang viser, at du har overvåget virksomhedens KPI'er, bemærket en ændring, undersøgt årsagen og foreslået en løsning på problemet.
3. Bliv en pålidelig rådgiver
Du skal blive den første person, som dine interessenter henvender sig til for anbefalinger eller spørgsmål om det område, du støtter. Der er ingen genveje, fordi det tager tid at demonstrere disse evner. Nøglen til dette er konsekvent levere høj kvalitet analyse med minimal fejl. Enhver fejl i beregningerne vil koste dig tillid, fordi næste gang du leverer en analyse, kan folk begynde at tvivle: Hvis du tog fejl sidste gang, kan du være forkert på den igen denne gang også?. Tjek altid dit arbejde to gange. Det skader heller ikke at bede din leder eller en kollega om at kigge på dine tal, før du præsenterer dem, hvis du har nogen tvivl om din analyse.
4. Lær at kommunikere komplekse resultater klart
Igen, der er ingen genvej til at lære effektiv kommunikation. Det kræver øvelse, og med tiden bliver du bedre til det. Hovedsagen er at identificere de vigtigste punkter i det, du ønsker at gøre, og anbefale eventuelle handlinger, som interessenterne kan tage baseret på din analyse for at forbedre deres forretning. Jo højere oppe du er i karrierestigen i organisationen, desto vigtigere er kommunikationsevnen. At formidle komplekse resultater er en vigtig færdighed, der skal demonstreres. Jeg har brugt mange år på at studere hemmelighederne til succes som data scientist og dataanalytiker. Folk definerer succes på forskellige måder. At få betegnelserne "fremragende" og "stjerneanalytiker" er succes i mine øjne. Nu hvor du kender disse hemmeligheder, håber jeg, at din vej vil føre dig hurtigere til succes, ligesom du definerer det.
Og for at gøre din vej til succes endnu hurtigere, behold rabatkoden HABR, som giver dig yderligere 10% rabat på den pris, der er angivet på banneret.
Flere kurser
Anbefalede artikler
Kilde: habr.com
