{"id":98221,"date":"2020-10-25T02:42:25","date_gmt":"2020-10-25T00:42:25","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh"},"modified":"2020-11-18T00:58:46","modified_gmt":"2020-11-17T22:58:46","slug":"kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Hvordan man bliver en succesfuld data scientist og dataanalytiker","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Hvordan<\/a><\/noindex>
\nDer er mange artikler om de f\u00e6rdigheder, der er n\u00f8dvendige for at v\u00e6re en god data scientist eller dataanalytiker, men kun i f\u00e5 artikler tales der om de f\u00e6rdigheder, der er n\u00f8dvendige for succes \u2014 uanset om det er fremragende evalueringer af arbejdet, ros fra ledelsen, forfremmelse, eller alt ovenst\u00e5ende. I dag pr\u00e6senterer vi et materiale, hvis forfatter gerne vil dele sin personlige erfaring med at arbejde som data scientist og dataanalytiker samt hvad hun har l\u00e6rt for at opn\u00e5 succes.
\n<\/a><\/noindex><\/p>\n

Jeg var heldig at f\u00e5 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, f\u00f8r jeg accepterede dette job. <\/p>\n

Jeg blev ansat til at arbejde med at opbygge datapipelines p\u00e5 grund af mit tidligere arbejde som databehandlingsingeni\u00f8r, hvor jeg udviklede et datavarehus til prognoseanalyse, som blev brugt af en gruppe data scientists. <\/p>\n

Mit f\u00f8rste \u00e5r som data scientist indebar opbygning af datapipelines til tr\u00e6ning af maskinl\u00e6ringsmodeller og implementering af dem i produktionen. Jeg holdt mig i baggrunden og deltog ikke i mange m\u00f8der med interessenterne i marketing, som var de endelige brugere af modellerne. <\/p>\n

I mit andet \u00e5r 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.<\/p>\n

I takt med at jeg kommunikerede med interessenterne, inds\u00e5 jeg, at Data Science er et vagt begreb, som folk har h\u00f8rt om, men som de ikke helt forst\u00e5r, is\u00e6r ikke i forhold til topledelsen.<\/p><\/blockquote>\n

\nJeg har bygget mere end hundrede modeller, men kun en tredjedel af dem blev brugt, da jeg ikke vidste, hvordan jeg skulle vise deres v\u00e6rdi, selvom modellerne blev efterspurgt f\u00f8rst og fremmest af marketing. <\/p>\n

Et af medlemmerne af mit team brugte m\u00e5neder p\u00e5 at udvikle en model, som ledelsen mente ville demonstrere v\u00e6rdien af data science-teamet. Ideen var at udbrede denne model til hele organisationen efter dens udvikling og opmuntre marketingteamene til at anvende den.<\/p>\n

Det viste sig at v\u00e6re en fuldst\u00e6ndig fiasko, fordi ingen forstod, hvad en maskinl\u00e6ringsmodel var, og ikke kunne se v\u00e6rdien af dens anvendelse. I sidste ende blev m\u00e5neder brugt forg\u00e6ves p\u00e5 noget, som ingen \u00f8nskede.<\/p><\/blockquote>\n

\nFra s\u00e5danne situationer har jeg draget visse lektioner, som jeg vil n\u00e6vne nedenfor.<\/p>\n

Lektioner, jeg har l\u00e6rt for at blive en succesfuld data scientist<\/h2>\n

\n1. Indstil dig p\u00e5 succes ved at v\u00e6lge det rigtige firma.<\/b>
\nUnder interviewet i virksomheden skal du sp\u00f8rge om datakulturen og hvor mange maskinl\u00e6ringsmodeller 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 p\u00e5 at tr\u00e6kke r\u00e5data ud og rense dem, f\u00e5r du n\u00e6sten ikke tid til at bygge nogle modeller, der kan demonstrere din v\u00e6rdi som data scientist. V\u00e6r forsigtig, hvis du ans\u00e6ttes som data scientist for f\u00f8rste gang. Det kan v\u00e6re b\u00e5de godt og d\u00e5rligt, afh\u00e6ngigt af datakulturen. Du kan st\u00f8de p\u00e5 stort modstand, n\u00e5r du implementerer modellen, hvis ledelsen kun ans\u00e6tter en Data Science-specialist, fordi virksomheden \u00f8nsker at v\u00e6re kendt som en virksomhed der bruger Data Science til at tr\u00e6ffe bedre beslutninger<\/i>, men ikke har nogen id\u00e9 om, hvad det egentlig betyder. Derudover, hvis du finder et data-drevet selskab, vil du vokse sammen med det.<\/p>\n

2. Kend dataene og n\u00f8glepr\u00e6stationsindikatorerne (KPI).<\/b>
\nI starten n\u00e6vnte jeg, at n\u00e5r jeg var dataingeni\u00f8r, skabte jeg et analytisk dashboards for data science-teamet. Da jeg selv blev data scientist, kunne jeg finde nye muligheder, der forbedrede modellernes n\u00f8jagtighed, fordi jeg havde arbejdet intensivt med de r\u00e5 data i min tidligere stilling. <\/p>\n

Ved at pr\u00e6sentere resultaterne af en af vores kampagner kunne jeg vise modeller, der genererede h\u00f8jere konverteringsrater (i procent), hvorefter en af KPI-kampagnerne blev m\u00e5lt. Dette viste v\u00e6rdien af modellen for forretningseffektiviteten, der kan v\u00e6re forbundet med marketing.<\/p>\n

3. S\u00f8rg for at give accept af modellen ved at vise dens v\u00e6rdi for interessenterne.<\/b>
\nDu vil aldrig f\u00e5 succes som specialist inden for Data Science, hvis interessenterne aldrig bruger dine modeller til at tr\u00e6ffe forretningsbeslutninger. En m\u00e5de at sikre accept af modellen p\u00e5 er at finde en forretningssmertepunk og vise, hvordan modellen kan hj\u00e6lpe. <\/p>\n

Efter en samtale med vores salgsteam inds\u00e5 jeg, at to repr\u00e6sentanter arbejder fuld tid med manuelt at gennemg\u00e5 millioner af brugere i virksomhedens database for at identificere brugere med individuelle licenser, som er mere tilb\u00f8jelige til at skifte til teamlicenser. Der blev anvendt et s\u00e6t kriterier, men udv\u00e6lgelsen tog lang tid, da repr\u00e6sentanterne gennemgik \u00e9n bruger ad gangen. Med den model, jeg udviklede, kunne repr\u00e6sentanterne v\u00e6lge brugere med den h\u00f8jeste sandsynlighed for at k\u00f8be en teamlicens og \u00f8ge konverteringsraten p\u00e5 kortere tid. Dette f\u00f8rte til en mere effektiv brug af tiden ved at for\u00f8ge konverteringsraten for de vigtigste n\u00f8gletal, som salgsteamet kan have indflydelse p\u00e5.<\/p>\n

\u00c5rene gik, og jeg udviklede gentagne gange de samme modeller og f\u00f8lte, at jeg ikke l\u00e6rte noget nyt l\u00e6ngere. Jeg besluttede at s\u00f8ge en anden stilling og endte med at f\u00e5 en stilling som dataanalytiker. Forskellen i opgaverne kunne simpelthen ikke have v\u00e6ret mere betydelig sammenlignet med dengang, jeg var data scientist, selvom jeg igen st\u00f8ttede marketing.<\/p>\n

Det var f\u00f8rste gang, jeg analyserede A\/B-experimenter og opdagede alle<\/i> metoder, hvorp\u00e5 eksperimentet kan g\u00e5 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 unders\u00f8gelser, der er p\u00e5virket af marketing \u2013 fra at \u00f8ge konverteringsraten for premium til at engagere brugere og forhindre churn. Jeg har l\u00e6rt mange forskellige m\u00e5der at se data p\u00e5 og tilbragt meget tid med at samle resultaterne, pr\u00e6sentere dem for interessenter og ledelsen. Som datavidenskabsmand har jeg prim\u00e6rt arbejdet med \u00e9n type model og sj\u00e6ldent pr\u00e6senteret resultater. Lad os spole flere \u00e5r frem og tale om de f\u00e6rdigheder, jeg har l\u00e6rt, for at v\u00e6re en succesfuld analytiker.<\/p>\n

F\u00e6rdigheder, jeg har l\u00e6rt for at blive en succesfuld dataanalytiker<\/h2>\n

\n1. L\u00e6r at fort\u00e6lle historier med data<\/b>
\nSe ikke p\u00e5 KPI'er hver for sig. Forbind dem, se p\u00e5 virksomheden som en helhed. Dette vil hj\u00e6lpe med at identificere omr\u00e5der, der p\u00e5virker hinanden. Ledelsen ser p\u00e5 virksomheden gennem et filter, og en person, der viser denne evne, bliver bem\u00e6rket, n\u00e5r det er tid til at tr\u00e6ffe beslutning om forfremmelse.<\/p>\n

2. Giv handlingsdygtige indsigt<\/b>
\nGiv virksomheden handlingsdygtig indsigt<\/i> til at l\u00f8se et problem. Endnu bedre, hvis du proaktivt foresl\u00e5r en l\u00f8sning, f\u00f8r det er blevet sagt, at du besk\u00e6ftiger dig med en presserende problemstilling. <\/p>\n

For eksempel, hvis du sagde til marketing: \"Jeg har bem\u00e6rket, at antallet af bes\u00f8gende p\u00e5 hjemmesiden er faldet m\u00e5nedligt p\u00e5 det seneste\"<\/i>. Dette er en tendens, de m\u00e5ske har bem\u00e6rket p\u00e5 dashboardet, og du har ikke tilbudt nogen v\u00e6rdifuld l\u00f8sning som analytiker, fordi du blot bem\u00e6rkede observationen. <\/p>\n

I stedet skal du unders\u00f8ge dataene for at finde \u00e5rsagen og foresl\u00e5 en l\u00f8sning. Det bedste eksempel for marketing ville v\u00e6re: \"Jeg har bem\u00e6rket, at antallet af bes\u00f8gende p\u00e5 vores hjemmeside er faldet p\u00e5 det seneste. Jeg har fundet ud af, at \u00e5rsagen til problemet skyldes organisk s\u00f8gning, p\u00e5 grund af de seneste \u00e6ndringer, der har f\u00f8rt til et fald i vores rangering p\u00e5 Google\"<\/i>. Denne tilgang viser, at du har overv\u00e5get virksomhedens KPI'er, bem\u00e6rket en \u00e6ndring, unders\u00f8gt \u00e5rsagen og foresl\u00e5et en l\u00f8sning p\u00e5 problemet.<\/p>\n

3. Bliv en p\u00e5lidelig r\u00e5dgiver<\/b>
\nDu skal blive den f\u00f8rste person, som dine interessenter henvender sig til for anbefalinger eller sp\u00f8rgsm\u00e5l om det omr\u00e5de, du st\u00f8tter. Der er ingen genveje, fordi det tager tid at demonstrere disse evner. N\u00f8glen til dette er konsekvent levere h\u00f8j kvalitet analyse med minimal fejl. Enhver fejl i beregningerne vil koste dig tillid, fordi n\u00e6ste gang du leverer en analyse, kan folk begynde at tvivle: Hvis du tog fejl sidste gang, kan du v\u00e6re forkert p\u00e5 den igen denne gang ogs\u00e5?<\/i>. Tjek altid dit arbejde to gange. Det skader heller ikke at bede din leder eller en kollega om at kigge p\u00e5 dine tal, f\u00f8r du pr\u00e6senterer dem, hvis du har nogen tvivl om din analyse.<\/p>\n

4. L\u00e6r at kommunikere komplekse resultater klart<\/b>
\nIgen, der er ingen genvej til at l\u00e6re effektiv kommunikation. Det kr\u00e6ver \u00f8velse, og med tiden bliver du bedre til det. Hovedsagen er at identificere de vigtigste punkter i det, du \u00f8nsker at g\u00f8re, og anbefale eventuelle handlinger, som interessenterne kan tage baseret p\u00e5 din analyse for at forbedre deres forretning. Jo h\u00f8jere oppe du er i karrierestigen i organisationen, desto vigtigere er kommunikationsevnen. At formidle komplekse resultater er en vigtig f\u00e6rdighed, der skal demonstreres. Jeg har brugt mange \u00e5r p\u00e5 at studere hemmelighederne til succes som data scientist og dataanalytiker. Folk definerer succes p\u00e5 forskellige m\u00e5der. At f\u00e5 betegnelserne \"fremragende\" og \"stjerneanalytiker\" er succes i mine \u00f8jne. Nu hvor du kender disse hemmeligheder, h\u00e5ber jeg, at din vej vil f\u00f8re dig hurtigere til succes, ligesom du definerer det.<\/p>\n

Og for at g\u00f8re din vej til succes endnu hurtigere, behold rabatkoden HABR<\/b>, som giver dig yderligere 10% rabat p\u00e5 den pris, der er angivet p\u00e5 banneret.<\/p>\n

\"Hvordan<\/a><\/noindex><\/p>\n