Der er mange artikler om de færdigheder, der skal til for at være en god dataforsker eller dataanalytiker, men få artikler taler om de færdigheder, der skal til for at få succes – det være sig en exceptionel præstationsgennemgang, ros fra ledelsen, en forfremmelse eller alt det ovenstående. I dag præsenterer vi dig for et materiale, hvis forfatter gerne vil dele sin personlige erfaring som dataforsker og dataanalytiker, samt hvad hun har lært for at opnå succes.
Jeg var heldig: Jeg blev tilbudt stillingen som dataforsker, da jeg ikke havde nogen erfaring med datavidenskab. Hvordan jeg klarede opgaven er en anden historie, og jeg vil gerne sige, at jeg kun havde en vag idé om, hvad en dataforsker laver, før jeg tog jobbet.
Jeg blev ansat til at arbejde med datapipelines på grund af mit tidligere job som dataingeniør, hvor jeg udviklede et datamarked til prædiktiv analyse, der blev brugt af en gruppe dataforskere.
Mit første år som dataforsker involverede at skabe datapipelines for at træne maskinlæringsmodeller og sætte dem i produktion. Jeg holdt lav profil og deltog ikke i mange møder med de marketinginteressenter, som var slutbrugerne af modellerne.
I mit andet år af mit arbejde i virksomheden gik den databehandlings- og analyseansvarlige med ansvar for marketing fra. Fra da af blev jeg hovedspiller og tog mere aktiv del i udvikling af modeller og diskussion af projektdeadlines.
Da jeg interagerede med interessenter, indså jeg, at Data Science er et vagt begreb, som folk har hørt om, men som ikke helt forstår, især på topledelsesniveau.
Jeg byggede over hundrede modeller, men kun en tredjedel af dem blev brugt, fordi jeg ikke vidste, hvordan jeg skulle vise deres værdi, selvom modellerne primært var efterspurgt af markedsføring.
Et af mine teammedlemmer brugte måneder på at udvikle en model, som den øverste ledelse mente ville demonstrere værdien af et datavidenskabsteam. Ideen var at sprede modellen i hele organisationen, når den var udviklet, og opmuntre marketingteams til at tage den i brug.
Det viste sig at være en fuldstændig fiasko, fordi ingen forstod, hvad en machine learning-model var eller kunne forstå værdien af at bruge den. Som et resultat blev måneder spildt på noget, som ingen ønskede.
Fra sådanne situationer har jeg lært visse lektioner, som jeg vil give nedenfor.
Lektioner, jeg lærte for at blive en succesfuld dataforsker
1. Sæt dig op til succes ved at vælge den rigtige virksomhed.
Når du interviewer en virksomhed, så spørg om datakulturen og hvor mange maskinlæringsmodeller, der er vedtaget og brugt i beslutningstagning. Spørg efter eksempler. Find ud af, om din datainfrastruktur er sat op til at starte modellering. Hvis du bruger 90 % af din tid på at prøve at hente rå data og rense dem, vil du have lidt eller ingen tid tilbage til at bygge nogen modeller for at demonstrere din værdi som dataforsker. Vær forsigtig, hvis du bliver ansat som data scientist for første gang. Dette kan være en god ting eller en dårlig ting, afhængigt af datakulturen. Du kan støde på mere modstand mod at implementere modellen, hvis topledelsen ansætter en Data Scientist, bare fordi virksomheden ønsker at blive kendt som bruge Data Science til at træffe bedre beslutninger, men aner ikke hvad det egentlig betyder. Plus, hvis du finder en virksomhed, der er datadrevet, vil du vokse med den.
2. Kend dataene og nøglepræstationsindikatorerne (KPI'er).
I begyndelsen nævnte jeg, at jeg som dataingeniør lavede et analytisk datamarked for et team af dataforskere. Da jeg selv er blevet data scientist, var jeg i stand til at finde nye muligheder, der øgede modellernes nøjagtighed, fordi jeg arbejdede intensivt med rådata i min tidligere rolle.
Ved at præsentere resultaterne af en af vores kampagner, var jeg i stand til at vise de modeller, der genererede højere konverteringsrater (i procent) og derefter målte en af kampagnens KPI'er. Dette demonstrerede værdien af den model for forretningspræstationer, som marketing kan kobles til.
3. Sikre adoption af modellen ved at demonstrere dens værdi for interessenter
Du vil aldrig få succes som dataforsker, hvis dine interessenter aldrig bruger dine modeller til at træffe forretningsbeslutninger. En måde at sikre modeladoption er at finde et forretningsmæssigt smertepunkt og vise, hvordan modellen kan hjælpe.
Efter at have talt med vores salgsteam, indså jeg, at to repræsentanter arbejdede på fuld tid med manuelt at finde frem til millioner af brugere i virksomhedens database for at identificere brugere med enkeltlicenser, som var mere tilbøjelige til at opgradere til teamlicenser. Udvælgelsen brugte et sæt kriterier, men udvælgelsen tog lang tid, fordi repræsentanterne så på én bruger ad gangen. Ved at bruge den model, jeg udviklede, var reps i stand til at målrette mod brugere, der mest sandsynligt ville købe en teamlicens og øge sandsynligheden for konvertering på kortere tid. Dette har resulteret i en mere effektiv udnyttelse af tiden ved at øge konverteringsraterne for key performance indicators, som salgsteamet kan forholde sig til.
Der gik flere år, og jeg udviklede de samme modeller igen og igen og følte, at jeg ikke længere lærte noget nyt. Jeg besluttede at søge en anden stilling og endte med at få en stilling som dataanalytiker. Forskellen i ansvarsområder kunne ikke have været mere markant sammenlignet med da jeg var dataforsker, selvom jeg var tilbage med at støtte marketing.
Dette var første gang, jeg analyserede A/B-eksperimenter og fandt alle måder, hvorpå et eksperiment kan gå galt. Som data scientist arbejdede jeg slet ikke med A/B-test, fordi det var forbeholdt forsøgsholdet. Jeg har arbejdet på en bred vifte af marketing-påvirkede analyser – fra at øge premium konverteringsrater til brugerengagement og churn-forebyggelse. Jeg lærte mange forskellige måder at se data på og brugte meget tid på at sammensætte resultaterne og præsentere dem for interessenter og den øverste ledelse. Som data scientist arbejdede jeg mest på én type model og holdt sjældent foredrag. Spol et par år frem til de færdigheder, jeg lærte for at være en succesfuld analytiker.
Færdigheder, jeg lærte for at blive en succesfuld dataanalytiker
1. Lær at fortælle historier med data
Se ikke på KPI'er isoleret. Forbind dem, se på virksomheden som en helhed. Dette vil give dig mulighed for at identificere områder, der påvirker hinanden. Seniorledelsen ser virksomheden gennem en linse, og en person, der demonstrerer denne færdighed, bliver bemærket, når det er tid til at træffe forfremmelsesbeslutninger.
2. Giv praktiske ideer.
Giv forretning effektiv idé at løse problemet. Det er endnu bedre, hvis du proaktivt tilbyder en løsning, når det endnu ikke er blevet sagt, at du har at gøre med det underliggende problem.
For eksempel, hvis du fortalte marketing: "Jeg har bemærket, at antallet af besøgende på siden for nylig er faldet hver måned.". Dette er en tendens, som de måske har bemærket på dashboardet, og du tilbød ikke nogen værdifuld løsning som analytiker, fordi du kun angav observationen.
Undersøg i stedet dataene for at finde årsagen og foreslå en løsning. Et bedre eksempel på markedsføring ville være: ”Jeg har bemærket, at vi har haft et fald i antallet af besøgende på vores hjemmeside på det seneste. Jeg opdagede, at kilden til problemet er organisk søgning på grund af de seneste ændringer, der har fået vores Google-søgningsrangering til at falde.". Denne tilgang viser, at du sporede virksomhedens KPI'er, bemærkede ændringen, undersøgte årsagen og foreslog en løsning på problemet.
3. Bliv en betroet rådgiver
Du skal være den første person, som dine interessenter henvender sig til for at få råd eller spørgsmål om den virksomhed, du støtter. Der er ingen genvej, fordi det tager tid at demonstrere disse evner. Nøglen til dette er konsekvent at levere analyser af høj kvalitet med minimale fejl. Enhver fejlberegning vil koste dig troværdighedspoint, fordi næste gang du giver en analyse, kan folk undre sig: Hvis du tog fejl sidste gang, tager du måske også fejl denne gang?. Dobbelttjek altid dit arbejde. Det skader heller ikke at bede din leder eller kollega om at se på dine tal, inden du præsenterer dem, hvis du er i tvivl om din analyse.
4. Lær at kommunikere komplekse resultater klart.
Igen er der ingen genvej til at lære at kommunikere effektivt. Dette kræver øvelse og med tiden vil du blive bedre til det. Nøglen er at identificere hovedpunkterne i det, du ønsker at gøre, og anbefale eventuelle handlinger, som interessenter kan tage for at forbedre forretningen som følge af din analyse. Jo højere oppe du er i en organisation, jo vigtigere er dine kommunikationsevner. Kommunikation af komplekse resultater er en vigtig færdighed at demonstrere. Jeg brugte år på at lære hemmelighederne bag succes som dataforsker og dataanalytiker. Folk definerer succes forskelligt. At blive beskrevet som en "fantastisk" og "stjerne" analytiker er succes i mine øjne. Nu hvor du kender disse hemmeligheder, håber jeg, at din vej hurtigt vil føre dig til succes, uanset hvordan du definerer det.
Og for at gøre din vej til succes endnu hurtigere, behold kampagnekoden HABR, hvorved du kan få yderligere 10% til rabatten angivet på banneret.
Flere kurser
Udvalgte artikler
Kilde: www.habr.com