Es gibt viele Artikel über die Fähigkeiten, die man braucht, um ein guter Datenwissenschaftler oder Datenanalyst zu sein, aber nur wenige Artikel sprechen über die Fähigkeiten, die man braucht, um erfolgreich zu sein – sei es eine außergewöhnliche Leistungsbeurteilung, Lob vom Management, eine Beförderung oder alles oben Genannte. Heute präsentieren wir Ihnen ein Material, dessen Autorin ihre persönlichen Erfahrungen als Datenwissenschaftlerin und Datenanalystin sowie das, was sie gelernt hat, um erfolgreich zu sein, teilen möchte.
Ich hatte Glück: Mir wurde die Stelle als Datenwissenschaftler angeboten, als ich noch keine Erfahrung in der Datenwissenschaft hatte. Wie ich mit der Aufgabe umgegangen bin, ist eine andere Geschichte, und ich möchte sagen, dass ich nur eine vage Vorstellung davon hatte, was ein Datenwissenschaftler macht, bevor ich den Job annahm.
Ich wurde aufgrund meines vorherigen Jobs als Dateningenieur eingestellt, um an Datenpipelines zu arbeiten, wo ich einen Data Mart für prädiktive Analysen entwickelte, der von einer Gruppe von Datenwissenschaftlern verwendet wurde.
In meinem ersten Jahr als Datenwissenschaftler habe ich Datenpipelines erstellt, um Modelle für maschinelles Lernen zu trainieren und in die Produktion zu überführen. Ich habe mich zurückgehalten und an vielen Treffen mit den Marketing-Stakeholdern, die die Endnutzer der Modelle waren, nicht teilgenommen.
Im zweiten Jahr meiner Tätigkeit im Unternehmen verließ der für das Marketing zuständige Datenverarbeitungs- und Analysemanager das Unternehmen. Von da an wurde ich zum Hauptakteur und beteiligte mich aktiver an der Entwicklung von Modellen und der Besprechung von Projektterminen.
Als ich mit Stakeholdern interagierte, wurde mir klar, dass Data Science ein vages Konzept ist, von dem die Leute zwar gehört haben, es aber nicht ganz verstehen, insbesondere auf der Ebene der oberen Führungsebene.
Ich habe über hundert Modelle gebaut, aber nur ein Drittel davon wurde verwendet, weil ich nicht wusste, wie ich ihren Wert darstellen sollte, obwohl die Modelle hauptsächlich vom Marketing nachgefragt wurden.
Eines meiner Teammitglieder hat Monate damit verbracht, ein Modell zu entwickeln, von dem die Geschäftsleitung glaubte, dass es den Wert eines Data-Science-Teams demonstrieren würde. Die Idee bestand darin, das Modell nach seiner Entwicklung im gesamten Unternehmen zu verbreiten und Marketingteams zu ermutigen, es zu übernehmen.
Es stellte sich als völliger Misserfolg heraus, da niemand verstand, was ein Modell für maschinelles Lernen war oder welchen Wert seine Verwendung hatte. Dadurch wurden Monate für etwas verschwendet, das niemand wollte.
Aus solchen Situationen habe ich bestimmte Lehren gezogen, die ich im Folgenden darlegen werde.
Lektionen, die ich gelernt habe, um ein erfolgreicher Datenwissenschaftler zu werden
1. Machen Sie sich auf Erfolgskurs, indem Sie das richtige Unternehmen auswählen.
Fragen Sie bei Vorstellungsgesprächen in einem Unternehmen nach der Datenkultur und wie viele Modelle des maschinellen Lernens übernommen und bei der Entscheidungsfindung verwendet werden. Fragen Sie nach Beispielen. Finden Sie heraus, ob Ihre Dateninfrastruktur für den Beginn der Modellierung eingerichtet ist. Wenn Sie 90 % Ihrer Zeit damit verbringen, Rohdaten abzurufen und zu bereinigen, bleibt Ihnen kaum oder gar keine Zeit mehr, Modelle zu erstellen, um Ihren Wert als Datenwissenschaftler zu demonstrieren. Seien Sie vorsichtig, wenn Sie zum ersten Mal als Datenwissenschaftler eingestellt werden. Das kann je nach Datenkultur eine gute oder eine schlechte Sache sein. Möglicherweise stoßen Sie auf größeren Widerstand gegen die Implementierung des Modells, wenn die Geschäftsleitung einen Data Scientist einstellt, nur weil das Unternehmen als solcher bekannt sein möchte Nutzen Sie Data Science, um bessere Entscheidungen zu treffen, hat aber keine Ahnung, was das eigentlich bedeutet. Und wenn Sie ein datengesteuertes Unternehmen finden, werden Sie mit ihm wachsen.
2. Kennen Sie die Daten und Key Performance Indicators (KPIs).
Zu Beginn erwähnte ich, dass ich als Dateningenieur einen analytischen Data Mart für ein Team von Datenwissenschaftlern erstellt habe. Da ich selbst Datenwissenschaftler geworden bin, konnte ich neue Möglichkeiten finden, die Genauigkeit von Modellen zu erhöhen, da ich in meiner vorherigen Rolle intensiv mit Rohdaten gearbeitet habe.
Durch die Präsentation der Ergebnisse einer unserer Kampagnen konnte ich die Modelle zeigen, die höhere Konversionsraten (in Prozent) erzielen, und anschließend einen der Kampagnen-KPIs messen. Dies zeigte den Wert des Modells für die Geschäftsleistung, mit dem Marketing verknüpft werden kann.
3. Stellen Sie sicher, dass das Modell angenommen wird, indem Sie den Stakeholdern seinen Wert demonstrieren
Sie werden als Datenwissenschaftler niemals erfolgreich sein, wenn Ihre Stakeholder Ihre Modelle niemals für Geschäftsentscheidungen verwenden. Eine Möglichkeit, die Modellakzeptanz sicherzustellen, besteht darin, einen geschäftlichen Schwachpunkt zu finden und zu zeigen, wie das Modell helfen kann.
Nachdem ich mit unserem Vertriebsteam gesprochen hatte, wurde mir klar, dass zwei Vertreter Vollzeit damit beschäftigt waren, die Millionen von Benutzern in der Datenbank des Unternehmens manuell zu durchsuchen, um Benutzer mit Einzellizenzen zu identifizieren, die eher zu einem Upgrade auf Teamlizenzen neigen würden. Bei der Auswahl wurden eine Reihe von Kriterien verwendet, die Auswahl dauerte jedoch lange, da die Vertreter jeweils einen Benutzer betrachteten. Mithilfe des von mir entwickelten Modells konnten Vertriebsmitarbeiter die Benutzer gezielt ansprechen, die am ehesten eine Teamlizenz kaufen würden, und die Wahrscheinlichkeit einer Konvertierung in kürzerer Zeit erhöhen. Dies hat zu einer effizienteren Zeitnutzung geführt, indem die Conversion-Raten für wichtige Leistungsindikatoren erhöht wurden, auf die sich das Vertriebsteam beziehen kann.
Mehrere Jahre vergingen und ich entwickelte immer wieder die gleichen Modelle und hatte das Gefühl, nichts Neues mehr zu lernen. Ich beschloss, mich nach einer anderen Stelle umzusehen und bekam schließlich eine Stelle als Datenanalystin. Der Unterschied in den Verantwortlichkeiten hätte im Vergleich zu meiner Zeit als Datenwissenschaftler nicht größer sein können, obwohl ich wieder das Marketing unterstützte.
Dies war das erste Mal, dass ich A/B-Experimente analysierte und herausfand alle Möglichkeiten, wie ein Experiment schiefgehen kann. Als Datenwissenschaftler habe ich mich überhaupt nicht mit A/B-Tests beschäftigt, da diese dem experimentellen Team vorbehalten waren. Ich habe an einer breiten Palette marketingrelevanter Analysen gearbeitet – von der Steigerung der Premium-Conversion-Raten bis hin zur Benutzereinbindung und Abwanderungsprävention. Ich habe viele verschiedene Arten der Datenbetrachtung kennengelernt und viel Zeit damit verbracht, die Ergebnisse zusammenzustellen und sie den Stakeholdern und der Geschäftsleitung zu präsentieren. Als Datenwissenschaftler habe ich hauptsächlich an einem Modelltyp gearbeitet und selten Vorträge gehalten. Spulen wir ein paar Jahre vor zu den Fähigkeiten, die ich gelernt habe, um ein erfolgreicher Analyst zu sein.
Fähigkeiten, die ich gelernt habe, um ein erfolgreicher Datenanalyst zu werden
1. Lernen Sie, mit Daten Geschichten zu erzählen
Betrachten Sie KPIs nicht isoliert. Verbinden Sie sie und betrachten Sie das Unternehmen als Ganzes. Dadurch können Sie Bereiche identifizieren, die sich gegenseitig beeinflussen. Die Geschäftsleitung betrachtet das Unternehmen durch eine Linse, und eine Person, die diese Fähigkeit unter Beweis stellt, wird wahrgenommen, wenn es darum geht, Beförderungsentscheidungen zu treffen.
2. Bieten Sie umsetzbare Ideen.
Bieten Sie Geschäfte an wirksame Idee um das Problem zu lösen. Noch besser ist es, wenn Sie proaktiv eine Lösung anbieten, wenn noch nicht gesagt wurde, dass Sie sich mit dem zugrunde liegenden Problem befassen.
Wenn Sie dem Marketing beispielsweise sagen: „Mir ist aufgefallen, dass die Zahl der Seitenbesucher in letzter Zeit jeden Monat abnimmt.“. Dies ist ein Trend, den sie möglicherweise auf dem Dashboard bemerkt haben, und Sie haben als Analyst keine wertvolle Lösung angeboten, weil Sie nur die Beobachtung angegeben haben.
Untersuchen Sie stattdessen die Daten, um die Ursache zu finden und eine Lösung vorzuschlagen. Ein besseres Beispiel für Marketing wäre: „Mir ist aufgefallen, dass die Besucherzahlen auf unserer Website in letzter Zeit zurückgegangen sind. Ich habe herausgefunden, dass die Ursache des Problems in der organischen Suche liegt, da kürzlich Änderungen dazu geführt haben, dass unsere Google-Suchrankings gesunken sind.“. Dieser Ansatz zeigt, dass Sie die KPIs des Unternehmens verfolgt, die Änderung bemerkt, die Ursache untersucht und eine Lösung für das Problem vorgeschlagen haben.
3. Werden Sie ein vertrauenswürdiger Berater
Sie müssen die erste Person sein, an die sich Ihre Stakeholder wenden, wenn sie Ratschläge oder Fragen zu dem von Ihnen unterstützten Unternehmen haben. Es gibt keine Abkürzung, denn es braucht Zeit, diese Fähigkeiten zu demonstrieren. Der Schlüssel dazu liegt in der kontinuierlichen Bereitstellung qualitativ hochwertiger Analysen mit minimalen Fehlern. Jede Fehleinschätzung kostet Sie Glaubwürdigkeitspunkte, denn wenn Sie das nächste Mal eine Analyse vorlegen, fragen sich die Leute vielleicht: Wenn Sie sich letztes Mal geirrt haben, liegen Sie vielleicht dieses Mal auch falsch?. Überprüfen Sie Ihre Arbeit immer noch einmal. Es schadet auch nicht, Ihren Vorgesetzten oder Kollegen zu bitten, sich Ihre Zahlen anzusehen, bevor Sie diese präsentieren, wenn Sie Zweifel an Ihrer Analyse haben.
4. Lernen Sie, komplexe Ergebnisse klar zu kommunizieren.
Auch hier gibt es keine Abkürzung, um zu lernen, wie man effektiv kommuniziert. Dies erfordert Übung und mit der Zeit werden Sie darin besser. Der Schlüssel besteht darin, die Hauptpunkte dessen zu identifizieren, was Sie tun möchten, und alle Maßnahmen zu empfehlen, die die Stakeholder als Ergebnis Ihrer Analyse ergreifen können, um das Geschäft zu verbessern. Je höher Sie in einer Organisation stehen, desto wichtiger sind Ihre Kommunikationsfähigkeiten. Die Kommunikation komplexer Ergebnisse ist eine wichtige Fähigkeit, die es zu demonstrieren gilt. Ich habe Jahre damit verbracht, die Erfolgsgeheimnisse als Datenwissenschaftler und Datenanalyst zu erlernen. Menschen definieren Erfolg unterschiedlich. Als „erstaunlicher“ und „herausragender“ Analytiker beschrieben zu werden, bedeutet in meinen Augen Erfolg. Nachdem Sie diese Geheimnisse nun kennen, hoffe ich, dass Ihr Weg Sie schnell zum Erfolg führt, wie auch immer Sie ihn definieren.
Und um Ihren Weg zum Erfolg noch schneller zu machen, behalten Sie den Promo-Code Hainbuche, wodurch Sie zusätzlich zu dem auf dem Banner angegebenen Rabatt 10 % erhalten können.
Weitere Kurse
Ausgewählte Artikel
Source: habr.com