{"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\/de\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Wie man ein erfolgreicher Data Scientist und Datenanalyst wird","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Wie<\/a><\/noindex>
\nEs gibt viele Artikel \u00fcber die F\u00e4higkeiten, die notwendig sind, um ein guter Data Scientist oder Datenanalyst zu sein, aber nur in wenigen Artikeln wird auf die F\u00e4higkeiten eingegangen, die f\u00fcr den Erfolg notwendig sind \u2013 sei es durch herausragende Arbeitsbewertung, Lob vom Management, Bef\u00f6rderung oder all das oben Genannte. Heute pr\u00e4sentieren wir Ihnen ein Material, dessen Autorin ihre pers\u00f6nlichen Erfahrungen als Data Scientist und Datenanalystin mitteilen m\u00f6chte und was sie gelernt hat, um Erfolg zu haben.
\n<\/a><\/noindex><\/p>\n

Ich hatte Gl\u00fcck: 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 m\u00f6chte sagen, dass ich nur eine vage Vorstellung davon hatte, was ein Data Scientist macht, bevor ich diesen Job angenommen habe. <\/p>\n

Ich wurde eingestellt, um Data Pipelines zu erstellen, aufgrund meiner vorherigen Arbeit als Datenverarbeitungsingenieurin, wo ich ein Data Warehouse f\u00fcr die prognostische Analyse entwickelt habe, das von einem Team von Data Scientists verwendet wurde. <\/p>\n

Mein erstes Jahr als Data Scientist umfasste die Erstellung von Data Pipelines f\u00fcr 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. <\/p>\n

Im zweiten Jahr meiner Arbeit im Unternehmen ging der Manager f\u00fcr Datenverarbeitung und -analyse, der f\u00fcr das Marketing verantwortlich war. Seitdem bin ich zur Hauptansprechpartnerin geworden und habe aktiver an der Entwicklung von Modellen und der Diskussion von Projektzeitpl\u00e4nen teilgenommen.<\/p>\n

Im Austausch mit den Stakeholdern wurde mir klar, dass Data Science ein vages Konzept ist, von dem die Leute geh\u00f6rt haben, es aber nicht wirklich verstehen, besonders hochrangige F\u00fchrungskr\u00e4fte.<\/p><\/blockquote>\n

\nIch habe \u00fcber einhundert Modelle erstellt, aber nur ein Drittel davon wurde verwendet, da ich nicht wusste, wie ich ihren Wert zeigen konnte, obwohl die Modelle urspr\u00fcnglich vom Marketing angefragt wurden. <\/p>\n

Ein Mitglied meines Teams hat monatelang ein Modell entwickelt, das gem\u00e4\u00df 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.<\/p>\n

Das endete in einem v\u00f6lligen 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.<\/p><\/blockquote>\n

\nAus solchen Situationen habe ich bestimmte Lehren gezogen, die ich im Folgenden aufliste.<\/p>\n

Lehren, die ich gezogen habe, um ein erfolgreicher Data Scientist zu werden<\/h2>\n

\n1. Stellen Sie sich auf Erfolg ein, indem Sie das richtige Unternehmen w\u00e4hlen.<\/b>
\nFragen Sie w\u00e4hrend des Vorstellungsgespr\u00e4chs im Unternehmen nach der Datenkultur und wie viele maschinelle Lernmodelle \u00fcblicherweise in Entscheidungsprozesse einflie\u00dfen. Bitten Sie um Beispiele. Finden Sie heraus, ob die Dateninfrastruktur f\u00fcr das Modellieren vorbereitet ist. Wenn Sie 90 % Ihrer Zeit damit verbringen, rohe Daten abzurufen und zu bereinigen, bleibt Ihnen kaum Zeit, tats\u00e4chliche 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, abh\u00e4ngig von der Datenkultur. Sie k\u00f6nnten auf erheblichen Widerstand sto\u00dfen, wenn das obere Management einen Data-Science-Experten einstellt, nur weil das Unternehmen als eines, das Data Science f\u00fcr bessere Entscheidungen nutzt, bekannt sein m\u00f6chte<\/i>, aber keine Ahnung hat, was das wirklich bedeutet. Dar\u00fcber hinaus werden Sie, wenn Sie ein datengest\u00fctztes Unternehmen finden, mit diesem zusammen wachsen.<\/p>\n

2. Verstehen Sie die Daten und die wichtigsten Leistungskennzahlen (KPI).<\/b>
\nZu Beginn erw\u00e4hnt ich, dass ich als Datenverarbeitungsingenieur ein Datenanalyse-Dashboard f\u00fcr das Data-Science-Team erstellt habe. Als ich selbst Data Scientist wurde, konnte ich neue M\u00f6glichkeiten finden, die die Genauigkeit der Modelle erh\u00f6hten, da ich zuvor intensiv mit Rohdaten gearbeitet hatte. <\/p>\n

Durch die Pr\u00e4sentation der Ergebnisse einer unserer Kampagnen konnte ich Modelle zeigen, die h\u00f6here Konversionsraten (in Prozent) generieren, woraufhin eine der KPI-Kampagnen gemessen wurde. Dies verdeutlichte den Wert des Modells f\u00fcr die Gesch\u00e4ftseffektivit\u00e4t, die mit Marketing in Verbindung stehen kann.<\/p>\n

3. Stellen Sie die Akzeptanz des Modells sicher, indem Sie den Stakeholdern seinen Wert aufzeigen.<\/b>
\nSie werden als Data Scientist nicht erfolgreich sein, wenn die Stakeholder Ihre Modelle niemals zur Entscheidungsfindung im Gesch\u00e4ft einsetzen. Ein Weg, um die Akzeptanz des Modells sicherzustellen, besteht darin, einen Schmerzpunkt des Unternehmens zu finden und aufzuzeigen, wie das Modell helfen kann. <\/p>\n

Nach einem Gespr\u00e4ch 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 \u00fcberpr\u00fcften. Mit dem Modell, das ich entwickelt habe, konnten die Vertreter Nutzer mit der h\u00f6chsten Wahrscheinlichkeit f\u00fcr den Kauf einer Team-Lizenz ausw\u00e4hlen und die Konversionsrate in k\u00fcrzerer Zeit erh\u00f6hen. Dies f\u00fchrte zu einer effektiveren Nutzung der Zeit durch eine Erh\u00f6hung der Konversionsrate f\u00fcr die Schl\u00fcsselkennzahlen, die f\u00fcr die Verkaufsabteilung von Bedeutung sein k\u00f6nnen.<\/p>\n

Es sind einige Jahre vergangen, und ich habe wiederholt dieselben Modelle entwickelt und hatte das Gef\u00fchl, nichts Neues mehr zu lernen. Ich beschloss, eine andere Position zu suchen und erhielt schlie\u00dflich eine Stelle als Datenanalyst. Der Unterschied in den Aufgaben konnte einfach nicht gr\u00f6\u00dfer sein im Vergleich zu der Zeit, als ich Data Scientist war, obwohl ich wieder das Marketing unterst\u00fctzte.<\/p>\n

Es war das erste Mal, dass ich A\/B-Experimente analysierte und entdeckte. Ressourcen) abgeschlossen ist, l\u00f6sen wir<\/i> 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 \u2013 von der Steigerung der Konversionsrate im Premium-Segment bis hin zur Benutzerbindung und Abwanderungsvermeidung. Ich habe viele verschiedene M\u00f6glichkeiten zur Datenanalyse kennengelernt und viel Zeit damit verbracht, Ergebnisse zu kompilieren, sie den Stakeholdern und der Gesch\u00e4ftsleitung zu pr\u00e4sentieren. Als Data Scientist habe ich haupts\u00e4chlich an einem Modellentyp gearbeitet und selten Pr\u00e4sentationen gehalten. Lass uns einige Jahre vorspulen und zu den F\u00e4higkeiten kommen, die ich gelernt habe, um ein erfolgreicher Analyst zu sein.<\/p>\n

F\u00e4higkeiten, die ich erlernt habe, um ein erfolgreicher Datenanalyst zu werden<\/h2>\n

\n1. Lernen Sie, Geschichten mit Daten zu erz\u00e4hlen<\/b>
\nBetrachten Sie KPIs nicht einzeln. Verbinden Sie sie, betrachten Sie das Gesch\u00e4ft als Ganzes. Das wird Ihnen helfen, sich gegenseitig beeinflussende Bereiche zu identifizieren. Die Gesch\u00e4ftsleitung schaut durch eine Linse auf das Unternehmen, und jemand, der \u00fcber diese F\u00e4higkeit verf\u00fcgt, wird bemerkt, wenn es an der Zeit ist, Entscheidungen \u00fcber Bef\u00f6rderungen zu treffen.<\/p>\n

2. Geben Sie umsetzbare Ideen<\/b>
\nGeben Sie dem Gesch\u00e4ft eine umsetzbare Idee<\/i> zur L\u00f6sung eines Problems. Noch besser ist es, wenn Sie proaktiv eine L\u00f6sung anbieten, bevor klar ist, dass Sie mit einem dringenden Problem zu tun haben. <\/p>\n

Zum Beispiel, wenn Sie dem Marketing sagen w\u00fcrden: \u201eIch habe bemerkt, dass die Anzahl der Website-Besucher in den letzten Monaten zur\u00fcckgegangen ist\u201c<\/i>. 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. <\/p>\n

Stattdessen untersuchen Sie die Daten, um die Ursache zu finden und eine L\u00f6sung vorzuschlagen. Ein gutes Beispiel f\u00fcr das Marketing w\u00e4re: \u201eIch habe bemerkt, dass die Anzahl der Besucher auf unserer Website in letzter Zeit zur\u00fcckgegangen ist. Ich habe herausgefunden, dass das Problem durch die organische Suche verursacht wird, aufgrund von k\u00fcrzlichen \u00c4nderungen, die zu einem R\u00fcckgang unseres Rankings in Google gef\u00fchrt haben\u201c<\/i>. Dieser Ansatz zeigt, dass Sie die KPIs des Unternehmens verfolgt, eine Ver\u00e4nderung bemerkt, die Ursache untersucht und eine L\u00f6sung f\u00fcr das Problem vorgeschlagen haben.<\/p>\n

3. Werden Sie ein vertrauensw\u00fcrdiger Berater<\/b>
\nEs ist wichtig, die erste Person zu sein, an die sich Ihre Interessengruppen f\u00fcr Empfehlungen oder Fragen zu Ihrem unterst\u00fctzten Gesch\u00e4ftsbereich wenden. Es gibt keinen schnellen Weg, da es Zeit braucht, um diese F\u00e4higkeiten zu demonstrieren. Der Schl\u00fcssel dazu ist die konsequente Bereitstellung hochwertiger Analysen mit minimalen Fehlern. Jeder Fehler in den Berechnungen wird Ihnen Punkte in der Vertrauensw\u00fcrdigkeit kosten, denn beim n\u00e4chsten Mal, wenn Sie eine Analyse bereitstellen, k\u00f6nnten die Leute sich fragen: Wenn Sie beim letzten Mal falsch lagen, k\u00f6nnten Sie dieses Mal auch falsch liegen?<\/i>. \u00dcberpr\u00fcfen Sie immer Ihre Arbeit zweimal. Es schadet nicht, Ihren Manager oder einen Kollegen zu bitten, sich Ihre Zahlen anzusehen, bevor Sie diese pr\u00e4sentieren, wenn Sie Zweifel an Ihrer Analyse haben.<\/p>\n

4. Lernen Sie, komplexe Ergebnisse klar zu kommunizieren<\/b>
\nAuch hier gibt es keinen schnellen Weg, um effektive Kommunikation zu lernen. Es erfordert \u00dcbung, und im Laufe der Zeit werden Sie darin besser. Wichtig ist, die Hauptpunkte dessen, was Sie tun m\u00f6chten, klar zu definieren und alle Ma\u00dfnahmen zu empfehlen, die Ihre Interessengruppen aufgrund Ihrer Analyse ergreifen k\u00f6nnen, um das Gesch\u00e4ft zu verbessern. Je h\u00f6her Sie in der Karriereleiter Ihrer Organisation stehen, desto wichtiger wird die F\u00e4higkeit zu kommunizieren. Die \u00dcbermittlung komplexer Ergebnisse ist eine wichtige F\u00e4higkeit, die es zu demonstrieren gilt. Ich habe Jahre damit verbracht, die Geheimnisse des Erfolgs als Datenwissenschaftlerin und Datenanalystin zu erlernen. Menschen definieren Erfolg unterschiedlich. F\u00fcr mich ist es ein Erfolg, das Attribut \u201eerstaunlich\u201c und \u201estern\u00e4hnlich\u201c als Analyst zu erhalten. Jetzt, da Sie diese Geheimnisse kennen, hoffe ich, dass Ihr Weg schneller zu einem Erfolg f\u00fchrt, wie auch immer Sie ihn definieren.<\/p>\n

Und um Ihren Weg zum Erfolg noch schneller zu gestalten, halten Sie den Rabattcode HABR<\/b>, mit dem Sie zus\u00e4tzliche 10 % auf den im Banner angegebenen Rabatt erhalten k\u00f6nnen.<\/p>\n

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