🥇Wie man ein erfolgreicher Datenwissenschaftler und Datenanalyst wird

Es gibt viele Artikel über die Fähigkeiten, die notwendig sind, um ein guter Data Scientist oder Datenanalyst zu sein, aber nur in wenigen Artikeln wird auf die Fähigkeiten eingegangen, die für den Erfolg notwendig sind – sei es durch herausragende Arbeitsbewertung, Lob vom Management, Beförderung oder all das oben Genannte. Heute präsentieren wir Ihnen ein Material, dessen Autorin ihre persönlichen Erfahrungen als Data Scientist und Datenanalystin mitteilen möchte und was sie gelernt hat, um Erfolg zu haben.

Ich hatte Glück: Mir wurde eine Stelle als Data Scientist angeboten, als ich keinerlei Erfahrung im Bereich Data Science hatte. Wie ich mit dieser Herausforderung umgegangen bin, ist eine andere Geschichte, und ich möchte sagen, dass ich nur eine vage Vorstellung davon hatte, was ein Data Scientist macht, bevor ich diesen Job angenommen habe.

Ich wurde eingestellt, um Data Pipelines zu erstellen, aufgrund meiner vorherigen Arbeit als Datenverarbeitungsingenieurin, wo ich ein Data Warehouse für die prognostische Analyse entwickelt habe, das von einem Team von Data Scientists verwendet wurde.

Mein erstes Jahr als Data Scientist umfasste die Erstellung von Data Pipelines für das Training von Machine Learning-Modellen und deren Implementierung in die Produktion. Ich hielt mich im Hintergrund und nahm nicht an vielen Meetings mit den Stakeholdern im Marketing teil, die die Endbenutzer der Modelle waren.

Im zweiten Jahr meiner Arbeit im Unternehmen ging der Manager für Datenverarbeitung und -analyse, der für das Marketing verantwortlich war. Seitdem bin ich zur Hauptansprechpartnerin geworden und habe aktiver an der Entwicklung von Modellen und der Diskussion von Projektzeitplänen teilgenommen.

Im Austausch mit den Stakeholdern wurde mir klar, dass Data Science ein vages Konzept ist, von dem die Leute gehört haben, es aber nicht wirklich verstehen, besonders hochrangige Führungskräfte.

Ich habe über einhundert Modelle erstellt, aber nur ein Drittel davon wurde verwendet, da ich nicht wusste, wie ich ihren Wert zeigen konnte, obwohl die Modelle ursprünglich vom Marketing angefragt wurden.

Ein Mitglied meines Teams hat monatelang ein Modell entwickelt, das gemäß der Meinung des oberen Managements den Wert des Data-Science-Teams demonstrieren sollte. Die Idee war, dieses Modell nach seiner Entwicklung im gesamten Unternehmen zu verbreiten und die Marketingteams dazu zu bringen, es anzuwenden.

Das endete in einem völligen Misserfolg, da niemand verstand, was ein maschinelles Lernmodell ist, und den Wert seiner Anwendung nicht erkennen konnte. Letztendlich wurden Monate umsonst investiert in etwas, das niemand wollte.

Aus solchen Situationen habe ich bestimmte Lehren gezogen, die ich im Folgenden aufliste.

Lehren, die ich gezogen habe, um ein erfolgreicher Data Scientist zu werden

1. Stellen Sie sich auf Erfolg ein, indem Sie das richtige Unternehmen wählen.
Fragen Sie während des Vorstellungsgesprächs im Unternehmen nach der Datenkultur und wie viele maschinelle Lernmodelle üblicherweise in Entscheidungsprozesse einfließen. Bitten Sie um Beispiele. Finden Sie heraus, ob die Dateninfrastruktur für das Modellieren vorbereitet ist. Wenn Sie 90 % Ihrer Zeit damit verbringen, rohe Daten abzurufen und zu bereinigen, bleibt Ihnen kaum Zeit, tatsächliche Modelle zu entwickeln, um Ihren Wert als Data Scientist zu demonstrieren. Seien Sie vorsichtig, wenn Sie als Data Scientist zum ersten Mal eingestellt werden. Das kann sowohl gut als auch schlecht sein, abhängig von der Datenkultur. Sie könnten auf erheblichen Widerstand stoßen, wenn das obere Management einen Data-Science-Experten einstellt, nur weil das Unternehmen als eines, das Data Science für bessere Entscheidungen nutzt, bekannt sein möchte, aber keine Ahnung hat, was das wirklich bedeutet. Darüber hinaus werden Sie, wenn Sie ein datengestütztes Unternehmen finden, mit diesem zusammen wachsen.

2. Verstehen Sie die Daten und die wichtigsten Leistungskennzahlen (KPI).
Zu Beginn erwähnt ich, dass ich als Datenverarbeitungsingenieur ein Datenanalyse-Dashboard für das Data-Science-Team erstellt habe. Als ich selbst Data Scientist wurde, konnte ich neue Möglichkeiten finden, die die Genauigkeit der Modelle erhöhten, da ich zuvor intensiv mit Rohdaten gearbeitet hatte.

Durch die Präsentation der Ergebnisse einer unserer Kampagnen konnte ich Modelle zeigen, die höhere Konversionsraten (in Prozent) generieren, woraufhin eine der KPI-Kampagnen gemessen wurde. Dies verdeutlichte den Wert des Modells für die Geschäftseffektivität, die mit Marketing in Verbindung stehen kann.

3. Stellen Sie die Akzeptanz des Modells sicher, indem Sie den Stakeholdern seinen Wert aufzeigen.
Sie werden als Data Scientist nicht erfolgreich sein, wenn die Stakeholder Ihre Modelle niemals zur Entscheidungsfindung im Geschäft einsetzen. Ein Weg, um die Akzeptanz des Modells sicherzustellen, besteht darin, einen Schmerzpunkt des Unternehmens zu finden und aufzuzeigen, wie das Modell helfen kann.

Nach einem Gespräch mit unserer Verkaufsabteilung wurde mir klar, dass zwei Vertreter in Vollzeit manuell Millionen von Nutzern in der Unternehmensdatenbank durchsehen, um Nutzer mit Einzel-Lizenzen zu identifizieren, die eher auf Team-Lizenzen umsteigen. Es wurden Kriterien angewendet, aber die Suche dauerte viel Zeit, da die Vertreter jeden Nutzer einzeln überprüften. Mit dem Modell, das ich entwickelt habe, konnten die Vertreter Nutzer mit der höchsten Wahrscheinlichkeit für den Kauf einer Team-Lizenz auswählen und die Konversionsrate in kürzerer Zeit erhöhen. Dies führte zu einer effektiveren Nutzung der Zeit durch eine Erhöhung der Konversionsrate für die Schlüsselkennzahlen, die für die Verkaufsabteilung von Bedeutung sein können.

Es sind einige Jahre vergangen, und ich habe wiederholt dieselben Modelle entwickelt und hatte das Gefühl, nichts Neues mehr zu lernen. Ich beschloss, eine andere Position zu suchen und erhielt schließlich eine Stelle als Datenanalyst. Der Unterschied in den Aufgaben konnte einfach nicht größer sein im Vergleich zu der Zeit, als ich Data Scientist war, obwohl ich wieder das Marketing unterstützte.

Es war das erste Mal, dass ich A/B-Experimente analysierte und entdeckte. Ressourcen) abgeschlossen ist, lösen wir Wege, wie ein Experiment schiefgehen kann. Als Data Scientist habe ich nicht an A/B-Tests gearbeitet, da dies dem Experimentator-Team vorbehalten war. Ich habe an einem breiten Spektrum von analytischen Untersuchungen gearbeitet, die durch das Marketing beeinflusst wurden – von der Steigerung der Konversionsrate im Premium-Segment bis hin zur Benutzerbindung und Abwanderungsvermeidung. Ich habe viele verschiedene Möglichkeiten zur Datenanalyse kennengelernt und viel Zeit damit verbracht, Ergebnisse zu kompilieren, sie den Stakeholdern und der Geschäftsleitung zu präsentieren. Als Data Scientist habe ich hauptsächlich an einem Modellentyp gearbeitet und selten Präsentationen gehalten. Lass uns einige Jahre vorspulen und zu den Fähigkeiten kommen, die ich gelernt habe, um ein erfolgreicher Analyst zu sein.

Fähigkeiten, die ich erlernt habe, um ein erfolgreicher Datenanalyst zu werden

1. Lernen Sie, Geschichten mit Daten zu erzählen
Betrachten Sie KPIs nicht einzeln. Verbinden Sie sie, betrachten Sie das Geschäft als Ganzes. Das wird Ihnen helfen, sich gegenseitig beeinflussende Bereiche zu identifizieren. Die Geschäftsleitung schaut durch eine Linse auf das Unternehmen, und jemand, der über diese Fähigkeit verfügt, wird bemerkt, wenn es an der Zeit ist, Entscheidungen über Beförderungen zu treffen.

2. Geben Sie umsetzbare Ideen
Geben Sie dem Geschäft eine umsetzbare Idee zur Lösung eines Problems. Noch besser ist es, wenn Sie proaktiv eine Lösung anbieten, bevor klar ist, dass Sie mit einem dringenden Problem zu tun haben.

Zum Beispiel, wenn Sie dem Marketing sagen würden: „Ich habe bemerkt, dass die Anzahl der Website-Besucher in den letzten Monaten zurückgegangen ist“. Das ist eine Tendenz, die sie vielleicht auf dem Dashboard gesehen haben, und Sie haben als Analyst keinen wertvollen Vorschlag gemacht, weil Sie nur eine Beobachtung ausgesprochen haben.

Stattdessen untersuchen Sie die Daten, um die Ursache zu finden und eine Lösung vorzuschlagen. Ein gutes Beispiel für das Marketing wäre: „Ich habe bemerkt, dass die Anzahl der Besucher auf unserer Website in letzter Zeit zurückgegangen ist. Ich habe herausgefunden, dass das Problem durch die organische Suche verursacht wird, aufgrund von kürzlichen Änderungen, die zu einem Rückgang unseres Rankings in Google geführt haben“. Dieser Ansatz zeigt, dass Sie die KPIs des Unternehmens verfolgt, eine Veränderung bemerkt, die Ursache untersucht und eine Lösung für das Problem vorgeschlagen haben.

3. Werden Sie ein vertrauenswürdiger Berater
Es ist wichtig, die erste Person zu sein, an die sich Ihre Interessengruppen für Empfehlungen oder Fragen zu Ihrem unterstützten Geschäftsbereich wenden. Es gibt keinen schnellen Weg, da es Zeit braucht, um diese Fähigkeiten zu demonstrieren. Der Schlüssel dazu ist die konsequente Bereitstellung hochwertiger Analysen mit minimalen Fehlern. Jeder Fehler in den Berechnungen wird Ihnen Punkte in der Vertrauenswürdigkeit kosten, denn beim nächsten Mal, wenn Sie eine Analyse bereitstellen, könnten die Leute sich fragen: Wenn Sie beim letzten Mal falsch lagen, könnten Sie dieses Mal auch falsch liegen?. Überprüfen Sie immer Ihre Arbeit zweimal. Es schadet nicht, Ihren Manager oder einen 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 keinen schnellen Weg, um effektive Kommunikation zu lernen. Es erfordert Übung, und im Laufe der Zeit werden Sie darin besser. Wichtig ist, die Hauptpunkte dessen, was Sie tun möchten, klar zu definieren und alle Maßnahmen zu empfehlen, die Ihre Interessengruppen aufgrund Ihrer Analyse ergreifen können, um das Geschäft zu verbessern. Je höher Sie in der Karriereleiter Ihrer Organisation stehen, desto wichtiger wird die Fähigkeit zu kommunizieren. Die Übermittlung komplexer Ergebnisse ist eine wichtige Fähigkeit, die es zu demonstrieren gilt. Ich habe Jahre damit verbracht, die Geheimnisse des Erfolgs als Datenwissenschaftlerin und Datenanalystin zu erlernen. Menschen definieren Erfolg unterschiedlich. Für mich ist es ein Erfolg, das Attribut „erstaunlich“ und „sternähnlich“ als Analyst zu erhalten. Jetzt, da Sie diese Geheimnisse kennen, hoffe ich, dass Ihr Weg schneller zu einem Erfolg führt, wie auch immer Sie ihn definieren.

Und um Ihren Weg zum Erfolg noch schneller zu gestalten, halten Sie den Rabattcode HABR, mit dem Sie zusätzliche 10 % auf den im Banner angegebenen Rabatt erhalten können.