🥇Wie man ein erfolgreicher Data Scientist und Datenanalyst wird

Es gibt viele Artikel über die Fähigkeiten, die nötig sind, um ein guter Data Scientist oder Datenanalyst zu sein, doch nur in wenigen Artikeln wird über die Fähigkeiten gesprochen, die für den Erfolg entscheidend sind – sei es durch herausragende Arbeitsbewertung, Lob von Vorgesetzten, Beförderungen oder all das zusammen. Heute stellen wir Ihnen einen Beitrag vor, dessen Autorin ihre persönlichen Erfahrungen als Data Scientist und Datenanalystin teilen möchte und erklärt, was sie gelernt hat, um erfolgreich zu sein.

Ich hatte das Glück, ein Angebot als Data Scientist zu erhalten, obwohl ich keine Erfahrung im Bereich Data Science hatte. Wie ich mit dieser Herausforderung umgegangen bin, ist eine andere Geschichte. Ich kann nur sagen, dass ich bis zu meiner Zusage für diesen Job nur eine vage Vorstellung davon hatte, was ein Data Scientist genau macht.

Ich wurde eingestellt, um Data-Pipelines zu erstellen, basierend auf meiner vorherigen Tätigkeit als Datenverarbeitungstechnikerin, wo ich ein Data Warehouse für prädiktive Analysen entwickelt hatte, das von einer Gruppe von Data Scientists genutzt wurde.

Mein erstes Jahr als Data Scientist bestand darin, Data-Pipelines zu erstellen, um Machine-Learning-Modelle zu trainieren und diese in die Produktion zu überführen. 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 Tätigkeit im Unternehmen verließ der Manager für Datenverarbeitung und -analyse, der für das Marketing zuständig war. Seitdem habe ich die Führung übernommen und war aktiver an der Entwicklung von Modellen sowie an der Diskussion von Projektzeitrahmen beteiligt.

Durch den Kontakt mit den Stakeholdern wurde mir klar, dass Data Science ein vages Konzept ist, von dem die Leute gehört haben, es aber nicht wirklich verstehen, insbesondere die oberen Führungsebenen.

Ich habe über hundert Modelle gebaut, aber nur ein Drittel davon wurde verwendet, da ich nicht wusste, wie ich ihren Wert darstellen könnte, obwohl diese Modelle ursprünglich vom Marketing angefordert wurden.

Ein Mitglied meines Teams hat monatelang an einem Modell gearbeitet, das laut der Unternehmensführung den Wert des Data-Science-Teams demonstrieren sollte. Die Idee war, dieses Modell nach seiner Entwicklung in der gesamten Organisation zu verteilen und die Marketingteams zu ermutigen, es anzuwenden.

Das endete als völliger Misserfolg, da niemand verstand, was ein maschinelles Lernmodell ist und den Wert seiner Anwendung nicht erkennen konnte. Am Ende wurden Monate verschwendet für etwas, das niemand wollte.

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

Lektion, die ich gelernt 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 nach der Datenkultur und wie viele Modelle des maschinellen Lernens in Entscheidungsprozesse integriert sind. Bitten Sie um Beispiele. Erkundigen Sie sich, ob die Dateninfrastruktur für das Modellieren vorbereitet ist. Wenn Sie 90 % Ihrer Zeit damit verbringen müssen, Rohdaten zu extrahieren und aufzubereiten, bleibt Ihnen kaum Zeit, um Modelle zu entwickeln, die Ihren Wert als Data Scientist zeigen. Seien Sie vorsichtig, wenn Sie zum ersten Mal als Data Scientist eingestellt werden. Dies kann sowohl positiv als auch negativ sein, abhängig von der Datenkultur. Es könnte Ihnen auf starken Widerstand stoßen, Modelle einzuführen, wenn das obere Management einen Data Science-Spezialisten nur anheuert, weil das Unternehmen als ein Unternehmen gelten möchte, das Data Science zur Verbesserung der Entscheidungsfindung nutzt, aber keine Ahnung hat, was das wirklich bedeutet. Wenn Sie jedoch ein Unternehmen finden, das datengetrieben (data driven) arbeitet, werden Sie gemeinsam wachsen.

2. Verstehen Sie die Daten und die Schlüsselkennzahlen (KPI).
Zu Beginn erwähnte ich, dass ich als Datenverarbeitungsingenieurin ein Dashboard für das Team der Datenwissenschaftler entwickelt habe. Nachdem ich selbst Datenwissenschaftlerin wurde, konnte ich neue Möglichkeiten finden, die die Genauigkeit der Modelle erhöhten, da ich intensiv mit Rohdaten in meiner vorherigen Position gearbeitet habe.

Indem ich die Ergebnisse einer unserer Kampagnen präsentierte, konnte ich Modelle zeigen, die höhere Conversion-Raten (in Prozent) generieren. Anschließend wurde eine unserer KPI-Kampagnen gemessen. Das demonstrierte den Wert des Modells für die Effizienz des Unternehmens, die mit Marketing in Verbindung stehen kann.

3. Stellen Sie den Wert des Modells für die Stakeholder sicher.
Sie werden als Data Scientist niemals erfolgreich sein, wenn die Stakeholder Ihre Modelle nicht zur Entscheidungsfindung im Geschäftsbereich nutzen. Ein Weg, um die Akzeptanz des Modells sicherzustellen, besteht darin, einen Schmerzpunkt im Unternehmen zu finden und zu zeigen, wie das Modell hierbei helfen kann.

Nach dem Gespräch mit unserem Vertriebsteam wurde mir klar, dass zwei Mitarbeiter Vollzeit damit beschäftigt sind, Millionen von Nutzern in der Unternehmensdatenbank manuell zu prüfen, um Einzelbenutzer zu identifizieren, die mit größerer Wahrscheinlichkeit auf Teamlizenzen umsteigen. Bei der Auswahl wurden eine Reihe von Kriterien angewandt, doch der Prozess war zeitaufwendig, da die Mitarbeiter jeweils nur einen Nutzer nach dem anderen durchgehen konnten. Mit dem von mir entwickelten Modell konnten die Mitarbeiter Nutzer mit der höchsten Kaufwahrscheinlichkeit für Teamlizenzen auswählen und die Konversionsrate in kürzerer Zeit erhöhen. Dies führte zu einer effektiveren Nutzung der Zeit durch die Steigerung der Konversionsrate bei Schlüsselleistungsindikatoren, die für das Vertriebsteam von Bedeutung sein können.

Einige Jahre sind vergangen, und ich habe immer wieder die gleichen Modelle entwickelt und hatte das Gefühl, nichts Neues mehr zu lernen. Daher beschloss ich, eine andere Position zu suchen, und schließlich erhielt ich die Stelle als Datenanalystin. Der Unterschied in den Aufgaben konnte nicht größer sein im Vergleich zu der Zeit, als ich Data Scientist war, obwohl ich wieder den Marketingbereich unterstützte.

Das war das erste Mal, dass ich A/B-Experimente analysierte und entdeckte alle Wege, wie Experimente schiefgehen können. Als Data Scientist habe ich nie an A/B-Tests gearbeitet, da dies dem Experimentatorenteam vorbehalten war. Ich habe an einer breiten Palette von Analyseprojekten gearbeitet, die durch Marketing beeinflusst wurden – von der Steigerung der Premium-Konversionsraten bis hin zur Benutzerbindung und der Verhinderung von Abwanderung. Ich habe viele verschiedene Ansätze zur Datenanalyse kennengelernt und viel Zeit damit verbracht, Ergebnisse zu konsolidieren und sie den Interessengruppen und der Unternehmensführung zu präsentieren. Als Data Scientist habe ich hauptsächlich an einem Modellentyp gearbeitet und selten Präsentationen gehalten. Spulen wir ein paar Jahre vor und kommen zu den Fähigkeiten, die ich gelernt habe, um ein erfolgreicher Analyst zu sein.

Die Fähigkeiten, die ich gelernt habe, um ein erfolgreicher Datenanalyst zu werden

1. Lernen, Geschichten mit Daten zu erzählen
Betrachten Sie die KPIs nicht isoliert. Verbinden Sie diese und sehen Sie das Unternehmen als Ganzes. Dies ermöglicht es Ihnen, zusammenhängende Bereiche zu identifizieren. Das obere Management betrachtet das Geschäft durch eine bestimmte Linse, und Personen, die diese Fähigkeit demonstrieren, werden wahrgenommen, wenn es Zeit für Entscheidungen über Beförderungen ist.

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 die Dringlichkeit des Problems angesprochen wird.

Wenn Sie beispielsweise dem Marketing sagen würden: „Ich habe bemerkt, dass die monatliche Anzahl der Besucher auf der Website in letzter Zeit zurückgeht“. Diese Tendenz könnten sie möglicherweise schon auf dem Dashboard bemerkt haben, und als Analyst haben Sie keinen wertvollen Lösungsvorschlag gemacht, weil Sie nur eine Beobachtung geäußert haben.

Stattdessen sollten Sie die Daten prüfen, 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 gesunken ist. Ich habe herausgefunden, dass die Ursache des Problems die organische Suche ist, aufgrund von kürzlichen Änderungen, die unseren Google-Rang negativ beeinflusst 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 Stakeholder mit Empfehlungen oder Fragen zu dem von Ihnen betreuten Bereich wenden. Es gibt keinen Abkürzungsweg, da es Zeit braucht, um diese Fähigkeiten zu demonstrieren. Der Schlüssel dazu ist, kontinuierlich hochwertige Analysen mit minimalen Fehlern bereitzustellen. Jeder Fehler in Ihren Berechnungen kostet Sie Punkte beim Vertrauen, denn beim nächsten Mal, wenn Sie eine Analyse präsentieren, könnten die Leute sich fragen: Wenn Sie beim letzten Mal falsch lagen, könnte es sein, dass Sie auch dieses Mal irren?. Überprüfen Sie immer zweimal Ihre Arbeit. Es schadet nicht, Ihren Manager oder Kollegen um einen Blick auf Ihre Zahlen zu bitten, bevor Sie diese präsentieren, wenn Sie Zweifel an Ihrer Analyse haben.

4. Lernen Sie, komplexe Ergebnisse klar zu kommunizieren
Es gibt keinen kurzen Weg, um effektive Kommunikation zu erlernen. Es erfordert Übung, und mit der Zeit werden Sie darin besser. Wichtig ist, die Kernpunkte dessen zu bestimmen, was Sie erreichen möchten, und alle Maßnahmen zu empfehlen, die die Stakeholder aufgrund Ihrer Analyse zur Verbesserung des Geschäfts ergreifen können. Je weiter Sie in der Karriereleiter einer Organisation aufsteigen, desto wichtiger wird Ihre Kommunikationsfähigkeit. Die Übermittlung komplexer Ergebnisse ist eine entscheidende Fähigkeit, die gezeigt werden muss. Ich habe Jahre damit verbracht, die Geheimnisse des Erfolgs als Data Scientist und Datenanalyst zu erlernen. Menschen definieren Erfolg unterschiedlich. Eine Beschreibung als „außergewöhnlicher“ und „herausragender“ Analyst zu erhalten, ist für mich der Inbegriff des Erfolgs. Jetzt, wo Sie diese Geheimnisse kennen, hoffe ich, dass Ihr Weg Sie schneller zum Erfolg führt, egal wie Sie diesen definieren.

Um Ihren Weg zum Erfolg noch schneller zu gestalten, beachten Sie den Gutscheincode HABR, mit dem Sie zusätzlich 10 % Rabatt auf den angegebenen Preis auf dem Banner erhalten können.