{"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 Datenanalytiker wird","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Wie<\/a><\/noindex>
\nEs gibt viele Artikel \u00fcber die F\u00e4higkeiten, die n\u00f6tig sind, um ein guter Data Scientist oder Datenanalyst zu sein, doch nur in wenigen Artikeln wird \u00fcber die F\u00e4higkeiten gesprochen, die f\u00fcr den Erfolg entscheidend sind \u2013 sei es durch herausragende Arbeitsbewertung, Lob von Vorgesetzten, Bef\u00f6rderungen oder all das zusammen. Heute stellen wir Ihnen einen Beitrag vor, dessen Autorin ihre pers\u00f6nlichen Erfahrungen als Data Scientist und Datenanalystin teilen m\u00f6chte und erkl\u00e4rt, was sie gelernt hat, um erfolgreich zu sein.
\n<\/a><\/noindex><\/p>\n

Ich hatte das Gl\u00fcck, 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 f\u00fcr diesen Job nur eine vage Vorstellung davon hatte, was ein Data Scientist genau macht. <\/p>\n

Ich wurde eingestellt, um Data-Pipelines zu erstellen, basierend auf meiner vorherigen T\u00e4tigkeit als Datenverarbeitungstechnikerin, wo ich ein Data Warehouse f\u00fcr pr\u00e4diktive Analysen entwickelt hatte, das von einer Gruppe von Data Scientists genutzt wurde. <\/p>\n

Mein erstes Jahr als Data Scientist bestand darin, Data-Pipelines zu erstellen, um Machine-Learning-Modelle zu trainieren und diese in die Produktion zu \u00fcberf\u00fchren. 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 T\u00e4tigkeit im Unternehmen verlie\u00df der Manager f\u00fcr Datenverarbeitung und -analyse, der f\u00fcr das Marketing zust\u00e4ndig war. Seitdem habe ich die F\u00fchrung \u00fcbernommen und war aktiver an der Entwicklung von Modellen sowie an der Diskussion von Projektzeitrahmen beteiligt.<\/p>\n

Durch den Kontakt 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, insbesondere die oberen F\u00fchrungsebenen.<\/p><\/blockquote>\n

\nIch habe \u00fcber hundert Modelle gebaut, aber nur ein Drittel davon wurde verwendet, da ich nicht wusste, wie ich ihren Wert darstellen k\u00f6nnte, obwohl diese Modelle urspr\u00fcnglich vom Marketing angefordert wurden. <\/p>\n

Ein Mitglied meines Teams hat monatelang an einem Modell gearbeitet, das laut der Unternehmensf\u00fchrung 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.<\/p>\n

Das endete als v\u00f6lliger Misserfolg, da niemand verstand, was ein maschinelles Lernmodell ist und den Wert seiner Anwendung nicht erkennen konnte. Am Ende wurden Monate verschwendet f\u00fcr etwas, das niemand wollte.<\/p><\/blockquote>\n

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

Lektion, die ich gelernt 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 nach der Datenkultur und wie viele Modelle des maschinellen Lernens in Entscheidungsprozesse integriert sind. Bitten Sie um Beispiele. Erkundigen Sie sich, ob die Dateninfrastruktur f\u00fcr das Modellieren vorbereitet ist. Wenn Sie 90 % Ihrer Zeit damit verbringen m\u00fcssen, 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, abh\u00e4ngig von der Datenkultur. Es k\u00f6nnte Ihnen auf starken Widerstand sto\u00dfen, Modelle einzuf\u00fchren, wenn das obere Management einen Data Science-Spezialisten nur anheuert, weil das Unternehmen als ein Unternehmen gelten m\u00f6chte, das Data Science zur Verbesserung der Entscheidungsfindung nutzt<\/i>, aber keine Ahnung hat, was das wirklich bedeutet. Wenn Sie jedoch ein Unternehmen finden, das datengetrieben (data driven) arbeitet, werden Sie gemeinsam wachsen.<\/p>\n

2. Verstehen Sie die Daten und die Schl\u00fcsselkennzahlen (KPI).<\/b>
\nZu Beginn erw\u00e4hnte ich, dass ich als Datenverarbeitungsingenieurin ein Dashboard f\u00fcr das Team der Datenwissenschaftler entwickelt habe. Nachdem ich selbst Datenwissenschaftlerin wurde, konnte ich neue M\u00f6glichkeiten finden, die die Genauigkeit der Modelle erh\u00f6hten, da ich intensiv mit Rohdaten in meiner vorherigen Position gearbeitet habe. <\/p>\n

Indem ich die Ergebnisse einer unserer Kampagnen pr\u00e4sentierte, konnte ich Modelle zeigen, die h\u00f6here Conversion-Raten (in Prozent) generieren. Anschlie\u00dfend wurde eine unserer KPI-Kampagnen gemessen. Das demonstrierte den Wert des Modells f\u00fcr die Effizienz des Unternehmens, die mit Marketing in Verbindung stehen kann.<\/p>\n

3. Stellen Sie den Wert des Modells f\u00fcr die Stakeholder sicher.<\/b>
\nSie werden als Data Scientist niemals erfolgreich sein, wenn die Stakeholder Ihre Modelle nicht zur Entscheidungsfindung im Gesch\u00e4ftsbereich 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. <\/p>\n

Nach dem Gespr\u00e4ch mit unserem Vertriebsteam wurde mir klar, dass zwei Mitarbeiter Vollzeit damit besch\u00e4ftigt sind, Millionen von Nutzern in der Unternehmensdatenbank manuell zu pr\u00fcfen, um Einzelbenutzer zu identifizieren, die mit gr\u00f6\u00dferer 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 h\u00f6chsten Kaufwahrscheinlichkeit f\u00fcr Teamlizenzen ausw\u00e4hlen und die Konversionsrate in k\u00fcrzerer Zeit erh\u00f6hen. Dies f\u00fchrte zu einer effektiveren Nutzung der Zeit durch die Steigerung der Konversionsrate bei Schl\u00fcsselleistungsindikatoren, die f\u00fcr das Vertriebsteam von Bedeutung sein k\u00f6nnen.<\/p>\n

Einige Jahre sind vergangen, und ich habe immer wieder die gleichen Modelle entwickelt und hatte das Gef\u00fchl, nichts Neues mehr zu lernen. Daher beschloss ich, eine andere Position zu suchen, und schlie\u00dflich erhielt ich die Stelle als Datenanalystin. Der Unterschied in den Aufgaben konnte nicht gr\u00f6\u00dfer sein im Vergleich zu der Zeit, als ich Data Scientist war, obwohl ich wieder den Marketingbereich unterst\u00fctzte.<\/p>\n

Das war das erste Mal, dass ich A\/B-Experimente analysierte und entdeckte alle<\/i> Wege, wie Experimente schiefgehen k\u00f6nnen. 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 \u2013 von der Steigerung der Premium-Konversionsraten bis hin zur Benutzerbindung und der Verhinderung von Abwanderung. Ich habe viele verschiedene Ans\u00e4tze zur Datenanalyse kennengelernt und viel Zeit damit verbracht, Ergebnisse zu konsolidieren und sie den Interessengruppen und der Unternehmensf\u00fchrung zu pr\u00e4sentieren. Als Data Scientist habe ich haupts\u00e4chlich an einem Modellentyp gearbeitet und selten Pr\u00e4sentationen gehalten. Spulen wir ein paar Jahre vor und kommen zu den F\u00e4higkeiten, die ich gelernt habe, um ein erfolgreicher Analyst zu sein.<\/p>\n

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

\n1. Lernen, Geschichten mit Daten zu erz\u00e4hlen<\/b>
\nBetrachten Sie die KPIs nicht isoliert. Verbinden Sie diese und sehen Sie das Unternehmen als Ganzes. Dies erm\u00f6glicht es Ihnen, zusammenh\u00e4ngende Bereiche zu identifizieren. Das obere Management betrachtet das Gesch\u00e4ft durch eine bestimmte Linse, und Personen, die diese F\u00e4higkeit demonstrieren, werden wahrgenommen, wenn es Zeit f\u00fcr Entscheidungen \u00fcber Bef\u00f6rderungen ist.<\/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 die Dringlichkeit des Problems angesprochen wird. <\/p>\n

Wenn Sie beispielsweise dem Marketing sagen w\u00fcrden: \u201eIch habe bemerkt, dass die monatliche Anzahl der Besucher auf der Website in letzter Zeit zur\u00fcckgeht\u201c<\/i>. Diese Tendenz k\u00f6nnten sie m\u00f6glicherweise schon auf dem Dashboard bemerkt haben, und als Analyst haben Sie keinen wertvollen L\u00f6sungsvorschlag gemacht, weil Sie nur eine Beobachtung ge\u00e4u\u00dfert haben. <\/p>\n

Stattdessen sollten Sie die Daten pr\u00fcfen, um die Ursache zu finden und eine L\u00f6sung vorzuschlagen. Ein gutes Beispiel f\u00fcr das Marketing w\u00e4re: 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 k\u00fcrzlichen \u00c4nderungen, die unseren Google-Rang negativ beeinflusst haben.<\/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 Stakeholder mit Empfehlungen oder Fragen zu dem von Ihnen betreuten Bereich wenden. Es gibt keinen Abk\u00fcrzungsweg, da es Zeit braucht, um diese F\u00e4higkeiten zu demonstrieren. Der Schl\u00fcssel dazu ist, kontinuierlich hochwertige Analysen mit minimalen Fehlern bereitzustellen. Jeder Fehler in Ihren Berechnungen kostet Sie Punkte beim Vertrauen, denn beim n\u00e4chsten Mal, wenn Sie eine Analyse pr\u00e4sentieren, k\u00f6nnten die Leute sich fragen: Wenn Sie beim letzten Mal falsch lagen, k\u00f6nnte es sein, dass Sie auch dieses Mal irren?<\/i>. \u00dcberpr\u00fcfen Sie immer zweimal Ihre Arbeit. Es schadet nicht, Ihren Manager oder Kollegen um einen Blick auf Ihre Zahlen zu bitten, bevor Sie diese pr\u00e4sentieren, wenn Sie Zweifel an Ihrer Analyse haben.<\/p>\n

4. Lernen Sie, komplexe Ergebnisse klar zu kommunizieren<\/b>
\nEs gibt keinen kurzen Weg, um effektive Kommunikation zu erlernen. Es erfordert \u00dcbung, und mit der Zeit werden Sie darin besser. Wichtig ist, die Kernpunkte dessen zu bestimmen, was Sie erreichen m\u00f6chten, und alle Ma\u00dfnahmen zu empfehlen, die die Stakeholder aufgrund Ihrer Analyse zur Verbesserung des Gesch\u00e4fts ergreifen k\u00f6nnen. Je weiter Sie in der Karriereleiter einer Organisation aufsteigen, desto wichtiger wird Ihre Kommunikationsf\u00e4higkeit. Die \u00dcbermittlung komplexer Ergebnisse ist eine entscheidende F\u00e4higkeit, 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 \u201eau\u00dfergew\u00f6hnlicher\u201c und \u201eherausragender\u201c Analyst zu erhalten, ist f\u00fcr mich der Inbegriff des Erfolgs. Jetzt, wo Sie diese Geheimnisse kennen, hoffe ich, dass Ihr Weg Sie schneller zum Erfolg f\u00fchrt, egal wie Sie diesen definieren.<\/p>\n

Um Ihren Weg zum Erfolg noch schneller zu gestalten, beachten Sie den Gutscheincode HABR<\/b>, mit dem Sie zus\u00e4tzlich 10 % Rabatt auf den angegebenen Preis auf dem Banner erhalten k\u00f6nnen.<\/p>\n

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