Υπάρχουν πολλά άρθρα σχετικά με τις δεξιότητες που απαιτούνται για να είσαι καλός επιστήμονας δεδομένων ή αναλυτής δεδομένων, αλλά λίγα άρθρα μιλούν για τις δεξιότητες που χρειάζονται για να πετύχεις—είτε πρόκειται για εξαιρετική αξιολόγηση απόδοσης, έπαινο από τη διοίκηση, προαγωγή ή όλα τα παραπάνω. Σήμερα σας παρουσιάζουμε ένα υλικό του οποίου η συγγραφέας θα ήθελε να μοιραστεί την προσωπική της εμπειρία ως επιστήμονας δεδομένων και αναλύτρια δεδομένων, καθώς και όσα έχει μάθει για να πετύχει.
Ήμουν τυχερός: Μου πρότειναν τη θέση του επιστήμονα δεδομένων όταν δεν είχα καμία εμπειρία στην Επιστήμη των Δεδομένων. Το πώς χειρίστηκα την εργασία είναι μια διαφορετική ιστορία και θέλω να πω ότι είχα μια αόριστη ιδέα για το τι κάνει ένας επιστήμονας δεδομένων πριν αναλάβω τη δουλειά.
Προσλήφθηκα να δουλέψω σε αγωγούς δεδομένων λόγω της προηγούμενης δουλειάς μου ως μηχανικός δεδομένων, όπου ανέπτυξα ένα data mart για προγνωστική ανάλυση που χρησιμοποιείται από μια ομάδα επιστημόνων δεδομένων.
Το πρώτο μου έτος ως επιστήμονας δεδομένων περιελάμβανε τη δημιουργία αγωγών δεδομένων για την εκπαίδευση μοντέλων μηχανικής μάθησης και τη θέση τους στην παραγωγή. Κράτησα χαμηλό προφίλ και δεν συμμετείχα σε πολλές συναντήσεις με τα ενδιαφερόμενα μέρη του μάρκετινγκ που ήταν οι τελικοί χρήστες των μοντέλων.
Τον δεύτερο χρόνο της εργασίας μου στην εταιρεία, έφυγε ο υπεύθυνος επεξεργασίας και ανάλυσης δεδομένων που ήταν υπεύθυνος για το μάρκετινγκ. Από τότε, έγινα ο κύριος παίκτης και συμμετείχα πιο ενεργά στην ανάπτυξη μοντέλων και στη συζήτηση των προθεσμιών του έργου.
Καθώς αλληλεπιδρούσα με τα ενδιαφερόμενα μέρη, συνειδητοποίησα ότι η Επιστήμη των Δεδομένων είναι μια ασαφής έννοια για την οποία οι άνθρωποι έχουν ακούσει αλλά δεν την κατανοούν καλά, ειδικά σε επίπεδο ανώτερης διοίκησης.
Έφτιαξα πάνω από εκατό μοντέλα, αλλά μόνο το ένα τρίτο από αυτά χρησιμοποιήθηκαν επειδή δεν ήξερα πώς να δείξω την αξία τους, παρόλο που τα μοντέλα ζητήθηκαν κυρίως από το μάρκετινγκ.
Ένα από τα μέλη της ομάδας μου πέρασε μήνες αναπτύσσοντας ένα μοντέλο που η ανώτερη διοίκηση θεώρησε ότι θα αποδείκνυε την αξία μιας ομάδας επιστήμης δεδομένων. Η ιδέα ήταν να διαδοθεί το μοντέλο σε ολόκληρο τον οργανισμό μόλις αναπτυχθεί και να ενθαρρυνθούν οι ομάδες μάρκετινγκ να το υιοθετήσουν.
Αποδείχθηκε ότι ήταν μια πλήρης αποτυχία, επειδή κανείς δεν κατάλαβε τι ήταν ένα μοντέλο μηχανικής μάθησης ή δεν μπορούσε να καταλάβει την αξία της χρήσης του. Ως αποτέλεσμα, χάθηκαν μήνες σε κάτι που κανείς δεν ήθελε.
Από τέτοιες καταστάσεις έχω πάρει ορισμένα μαθήματα, τα οποία θα δώσω παρακάτω.
Μαθήματα που έμαθα για να γίνω επιτυχημένος επιστήμονας δεδομένων
1. Προετοιμαστείτε για την επιτυχία επιλέγοντας τη σωστή εταιρεία.
Όταν κάνετε συνέντευξη σε μια εταιρεία, ρωτήστε για την κουλτούρα δεδομένων και πόσα μοντέλα μηχανικής μάθησης υιοθετούνται και χρησιμοποιούνται στη λήψη αποφάσεων. Ζητήστε παραδείγματα. Μάθετε εάν η υποδομή δεδομένων σας έχει ρυθμιστεί για να ξεκινήσει η μοντελοποίηση. Εάν ξοδεύετε το 90% του χρόνου σας προσπαθώντας να τραβήξετε ακατέργαστα δεδομένα και να τα καθαρίσετε, θα έχετε ελάχιστο έως καθόλου χρόνο για να δημιουργήσετε μοντέλα που θα αποδείξουν την αξία σας ως επιστήμονας δεδομένων. Να είστε προσεκτικοί εάν προσλαμβάνεστε ως επιστήμονας δεδομένων για πρώτη φορά. Αυτό μπορεί να είναι καλό ή κακό, ανάλογα με την κουλτούρα δεδομένων. Μπορεί να αντιμετωπίσετε μεγαλύτερη αντίσταση στην εφαρμογή του μοντέλου εάν η ανώτερη διοίκηση προσλάβει έναν επιστήμονα δεδομένων μόνο και μόνο επειδή η εταιρεία θέλει να γίνει γνωστή ως χρησιμοποιώντας την Επιστήμη των Δεδομένων για τη λήψη καλύτερων αποφάσεων, αλλά δεν έχει ιδέα τι σημαίνει στην πραγματικότητα. Επιπλέον, αν βρείτε μια εταιρεία που βασίζεται στα δεδομένα, θα αναπτυχθείτε μαζί της.
2. Γνωρίστε τα δεδομένα και τους βασικούς δείκτες απόδοσης (KPI).
Στην αρχή, ανέφερα ότι ως μηχανικός δεδομένων, δημιούργησα μια ανάλυση δεδομένων mart για μια ομάδα επιστημόνων δεδομένων. Έχοντας γίνει ο ίδιος επιστήμονας δεδομένων, μπόρεσα να βρω νέες ευκαιρίες που αύξησαν την ακρίβεια των μοντέλων επειδή δούλεψα εντατικά με ακατέργαστα δεδομένα στον προηγούμενο ρόλο μου.
Παρουσιάζοντας τα αποτελέσματα μιας από τις καμπάνιες μας, μπόρεσα να δείξω τα μοντέλα που παράγουν υψηλότερα ποσοστά μετατροπών (ως ποσοστό) και στη συνέχεια μέτρησα ένα από τα KPI της καμπάνιας. Αυτό κατέδειξε την αξία του μοντέλου για την απόδοση της επιχείρησης με το οποίο μπορεί να συνδεθεί το μάρκετινγκ.
3. Διασφαλίστε την υιοθέτηση του μοντέλου αποδεικνύοντας την αξία του στα ενδιαφερόμενα μέρη
Δεν θα πετύχετε ποτέ ως επιστήμονας δεδομένων εάν οι ενδιαφερόμενοι φορείς σας δεν χρησιμοποιήσουν ποτέ τα μοντέλα σας για να λάβουν επιχειρηματικές αποφάσεις. Ένας τρόπος για να διασφαλίσετε την υιοθέτηση του μοντέλου είναι να βρείτε ένα επιχειρηματικό σημείο πόνου και να δείξετε πώς το μοντέλο μπορεί να βοηθήσει.
Αφού μίλησα με την ομάδα πωλήσεών μας, συνειδητοποίησα ότι δύο αντιπρόσωποι εργάζονταν πλήρους απασχόλησης με μη αυτόματο τρόπο χτενίζοντας τα εκατομμύρια των χρηστών στη βάση δεδομένων της εταιρείας για να εντοπίσουν χρήστες με μεμονωμένες άδειες που ήταν πιο πιθανό να αναβαθμιστούν σε άδειες ομάδας. Η επιλογή χρησιμοποίησε ένα σύνολο κριτηρίων, αλλά η επιλογή πήρε πολύ χρόνο επειδή οι εκπρόσωποι εξέταζαν έναν χρήστη κάθε φορά. Χρησιμοποιώντας το μοντέλο που ανέπτυξα, οι εκπρόσωποι μπόρεσαν να στοχεύσουν χρήστες που ήταν πιο πιθανό να αγοράσουν μια άδεια ομάδας και να αυξήσουν την πιθανότητα μετατροπής σε λιγότερο χρόνο. Αυτό είχε ως αποτέλεσμα την αποτελεσματικότερη χρήση του χρόνου αυξάνοντας τα ποσοστά μετατροπής για βασικούς δείκτες απόδοσης με τους οποίους μπορεί να σχετίζεται η ομάδα πωλήσεων.
Πέρασαν αρκετά χρόνια και ανέπτυξα τα ίδια μοντέλα ξανά και ξανά και ένιωθα ότι δεν μάθαινα πια τίποτα καινούργιο. Αποφάσισα να ψάξω για άλλη θέση και κατέληξα να πάρω μια θέση ως αναλυτής δεδομένων. Η διαφορά στις αρμοδιότητες δεν θα μπορούσε να είναι πιο σημαντική σε σύγκριση με όταν ήμουν επιστήμονας δεδομένων, παρόλο που υποστήριζα ξανά το μάρκετινγκ.
Αυτή ήταν η πρώτη φορά που ανέλυσα πειράματα A/B και βρήκα όλα τρόπους με τους οποίους ένα πείραμα μπορεί να πάει στραβά. Ως επιστήμονας δεδομένων, δεν δούλεψα καθόλου στο A/B testing γιατί προοριζόταν για την πειραματική ομάδα. Έχω εργαστεί σε ένα ευρύ φάσμα αναλυτικών στοιχείων που επηρεάζονται από το μάρκετινγκ - από την αύξηση των premium ποσοστών μετατροπών έως την αφοσίωση των χρηστών και την αποτροπή εκτροπής. Έμαθα πολλούς διαφορετικούς τρόπους προβολής δεδομένων και αφιέρωσα πολύ χρόνο στη συλλογή των αποτελεσμάτων και στην παρουσίασή τους σε ενδιαφερόμενα μέρη και ανώτερα στελέχη. Ως επιστήμονας δεδομένων, δούλεψα ως επί το πλείστον σε έναν τύπο μοντέλου και σπάνια έκανα ομιλίες. Γρήγορα προς τα εμπρός μερικά χρόνια στις δεξιότητες που έμαθα για να γίνω επιτυχημένος αναλυτής.
Δεξιότητες που έμαθα για να γίνω επιτυχημένος αναλυτής δεδομένων
1. Μάθετε να λέτε ιστορίες με δεδομένα
Μην κοιτάτε τους KPI μεμονωμένα. Συνδέστε τα, δείτε την επιχείρηση στο σύνολό της. Αυτό θα σας επιτρέψει να εντοπίσετε τομείς που επηρεάζουν ο ένας τον άλλον. Η ανώτερη διοίκηση βλέπει την επιχείρηση μέσα από ένα φακό και ένα άτομο που επιδεικνύει αυτή την ικανότητα γίνεται αντιληπτό όταν έρχεται η ώρα να ληφθούν αποφάσεις προώθησης.
2. Παρέχετε ιδέες που να μπορούν να υλοποιηθούν.
Παροχή επιχείρησης αποτελεσματική ιδέα για να λυθει το προβλημα. Είναι ακόμη καλύτερα αν προσφέρετε προληπτικά μια λύση όταν δεν έχει ειπωθεί ακόμη ότι αντιμετωπίζετε το υποκείμενο πρόβλημα.
Για παράδειγμα, αν είπατε στο μάρκετινγκ: "Παρατήρησα ότι πρόσφατα ο αριθμός των επισκεπτών του ιστότοπου μειώνεται κάθε μήνα.". Αυτή είναι μια τάση που μπορεί να έχουν παρατηρήσει στο ταμπλό και δεν προσέφερες κάποια πολύτιμη λύση ως αναλυτής επειδή δήλωσες μόνο την παρατήρηση.
Αντίθετα, εξετάστε τα δεδομένα για να βρείτε την αιτία και να προτείνετε μια λύση. Ένα καλύτερο παράδειγμα για το μάρκετινγκ θα ήταν: «Έχω παρατηρήσει ότι είχαμε μείωση στον αριθμό των επισκεπτών στον ιστότοπό μας τον τελευταίο καιρό. Ανακάλυψα ότι η πηγή του προβλήματος είναι η οργανική αναζήτηση, λόγω πρόσφατων αλλαγών που προκάλεσαν πτώση της κατάταξής μας στην αναζήτηση Google.". Αυτή η προσέγγιση δείχνει ότι παρακολουθήσατε τους KPI της εταιρείας, παρατηρήσατε την αλλαγή, ερευνήσατε την αιτία και προτείνατε μια λύση στο πρόβλημα.
3. Γίνετε ένας έμπιστος σύμβουλος
Πρέπει να είστε το πρώτο άτομο στο οποίο απευθύνονται τα ενδιαφερόμενα μέρη σας για συμβουλές ή ερωτήσεις σχετικά με την επιχείρηση που υποστηρίζετε. Δεν υπάρχει συντόμευση γιατί χρειάζεται χρόνος για να επιδειχθούν αυτές οι ικανότητες. Το κλειδί για αυτό είναι η συνεχής παροχή υψηλής ποιότητας ανάλυσης με ελάχιστα σφάλματα. Οποιοσδήποτε λάθος υπολογισμός θα σας κοστίσει πόντους αξιοπιστίας, επειδή την επόμενη φορά που θα παρέχετε μια ανάλυση, οι άνθρωποι μπορεί να αναρωτηθούν: Αν κάνατε λάθος την προηγούμενη φορά, ίσως κάνετε λάθος και αυτή τη φορά;. Ελέγχετε πάντα την εργασία σας. Επίσης, δεν βλάπτει να ζητήσετε από τον διευθυντή ή τον συνάδελφό σας να κοιτάξει τους αριθμούς σας πριν τους παρουσιάσετε εάν έχετε αμφιβολίες σχετικά με την ανάλυσή σας.
4. Μάθετε να επικοινωνείτε με σαφήνεια περίπλοκων αποτελεσμάτων.
Και πάλι, δεν υπάρχει συντόμευση για να μάθετε πώς να επικοινωνείτε αποτελεσματικά. Αυτό θέλει εξάσκηση και με τον καιρό θα γίνεστε καλύτεροι σε αυτό. Το κλειδί είναι να προσδιορίσετε τα κύρια σημεία αυτού που θέλετε να κάνετε και να προτείνετε τυχόν ενέργειες που, ως αποτέλεσμα της ανάλυσής σας, οι ενδιαφερόμενοι μπορούν να κάνουν για να βελτιώσουν την επιχείρηση. Όσο πιο ψηλά βρίσκεστε σε έναν οργανισμό, τόσο πιο σημαντικές είναι οι επικοινωνιακές σας δεξιότητες. Η επικοινωνία σύνθετων αποτελεσμάτων είναι μια σημαντική δεξιότητα που πρέπει να επιδειχθεί. Πέρασα χρόνια μαθαίνοντας τα μυστικά της επιτυχίας ως επιστήμονας δεδομένων και ως αναλυτής δεδομένων. Οι άνθρωποι ορίζουν διαφορετικά την επιτυχία. Το να χαρακτηρίζομαι ως «καταπληκτικός» και «αστρικός» αναλυτής είναι επιτυχία στα μάτια μου. Τώρα που ξέρετε αυτά τα μυστικά, ελπίζω η πορεία σας να σας οδηγήσει γρήγορα στην επιτυχία, όπως κι αν την ορίσετε.
Και για να κάνετε την πορεία σας προς την επιτυχία ακόμα πιο γρήγορη, κρατήστε τον κωδικό προσφοράς HABR, με το οποίο μπορείτε να λάβετε επιπλέον 10% στην έκπτωση που αναγράφεται στο banner.
Περισσότερα μαθήματα
Επιλεγμένα άρθρα
Πηγή: www.habr.com