Estas multaj artikoloj pri la kapabloj bezonataj por esti bona datuma sciencisto aŭ datuma analizisto, sed malmultaj artikoloj parolas pri la kapabloj necesaj por sukcesi—ĉu ĝi estas escepta agado-revizio, laŭdo de administrado, reklamado aŭ ĉio ĉi-supra. Hodiaŭ ni prezentas al vi materialon, kies aŭtorino ŝatus kunhavigi ŝian personan sperton kiel datuma sciencisto kaj datuma analizisto, kaj ankaŭ kion ŝi lernis por atingi sukceson.
Mi estis bonŝanca: oni proponis al mi la postenon de datuma sciencisto kiam mi ne havis sperton pri Datuma Scienco. Kiel mi traktis la taskon estas malsama rakonto, kaj mi volas diri, ke mi nur havis malklaran ideon pri tio, kion faras datumsciencisto antaŭ ol mi prenis la laboron.
Mi estis dungita por labori pri datumaj duktoj pro mia antaŭa laboro kiel datuma inĝeniero, kie mi evoluigis datuman markon por prognoza analizo uzata de grupo de datumsciencistoj.
Mia unua jaro kiel datuma sciencisto implikis krei datumduktojn por trejni maŝinlernajn modelojn kaj meti ilin en produktadon. Mi konservis malaltan profilon kaj ne partoprenis en multaj renkontiĝoj kun la merkataj koncernatoj, kiuj estis la finaj uzantoj de la modeloj.
En la dua jaro de mia laboro ĉe la kompanio foriris la administranto pri datumtraktado kaj analizo respondeca pri merkatado. Ekde tiam mi fariĝis la ĉefa ludanto kaj pli aktive partoprenis en disvolvado de modeloj kaj diskutado de projektaj templimoj.
Dum mi interagis kun koncernatoj, mi rimarkis, ke Datuma Scienco estas malklara koncepto pri kiu homoj aŭdis sed ne tute komprenas, precipe ĉe altrangaj administradniveloj.
Mi konstruis pli ol cent modelojn, sed nur triono de ili estis uzata ĉar mi ne sciis kiel montri ilian valoron, kvankam la modeloj estis petitaj ĉefe per merkatado.
Unu el miaj teamanoj pasigis monatojn evoluigi modelon, kiun la altranga administrado opiniis pruvus la valoron de datuma scienca teamo. La ideo estis disvastigi la modelon ĉie en la organizo post kiam ĝi estis evoluigita kaj instigi merkatigteamojn adopti ĝin.
Ĝi rezultis esti kompleta fiasko, ĉar neniu komprenis, kio estas maŝinlernada modelo aŭ povis kompreni la valoron uzi ĝin. Kiel rezulto, monatoj estis malŝparitaj por io, kion neniu volis.
El tiaj situacioj mi lernis certajn lecionojn, kiujn mi donos sube.
Lecionoj Mi Lernis Por Fariĝi Sukcesa Datuma Sciencisto
1. Agordu vin por sukceso elektante la ĝustan kompanion.
Intervjuante ĉe kompanio, demandu pri la datumkulturo kaj kiom da maŝinlernado-modeloj estas adoptitaj kaj uzataj en decidado. Petu ekzemplojn. Eksciu ĉu via datuma infrastrukturo estas agordita por komenci modeladon. Se vi pasigas 90% de via tempo provante eltiri krudajn datumojn kaj purigi ĝin, vi restos malmulte da tempo por konstrui iujn modelojn por pruvi vian valoron kiel datuma sciencisto. Atentu se vi estas dungita kiel datuma sciencisto por la unua fojo. Ĉi tio povas esti bona aŭ malbona afero, depende de la datumkulturo. Vi eble renkontos pli da rezisto al efektivigo de la modelo se altranga administrado dungas Datuman Scienciston nur ĉar la kompanio volas esti konata kiel uzante Data Science por fari pli bonajn decidojn, sed ne havas ideon, kion ĝi fakte signifas. Krome, se vi trovos kompanion, kiu estas datuma, vi kreskos kun ĝi.
2. Sciu la datumojn kaj ŝlosilajn rendimentajn indikilojn (KPIs).
Komence, mi menciis, ke kiel datuma inĝeniero, mi kreis analizan datuman markon por teamo de datumsciencistoj. Fariĝinte mi mem datuma sciencisto, mi povis trovi novajn ŝancojn, kiuj pliigis la precizecon de modeloj, ĉar mi intense laboris kun krudaj datumoj en mia antaŭa rolo.
Prezentante la rezultojn de unu el niaj kampanjoj, mi povis montri la modelojn generantajn pli altajn konvertajn indicojn (kiel procento) kaj tiam mezuris unu el la kampanjoj KPI-oj. Tio montris la valoron de la modelo por komerca efikeco al kiu merkatigo povas esti ligita.
3. Certigu adopton de la modelo pruvante ĝian valoron al koncernatoj
Vi neniam sukcesos kiel datuma sciencisto se viaj koncernatoj neniam uzos viajn modelojn por fari komercajn decidojn. Unu maniero certigi modelon adopton estas trovi komercan dolorpunkton kaj montri kiel la modelo povas helpi.
Post paroli kun nia venda teamo, mi rimarkis, ke du reprezentantoj plentempe laboras permane kombante la milionojn da uzantoj en la datumbazo de la kompanio por identigi uzantojn kun ununuraj permesiloj, kiuj pli verŝajne ĝisdatigos al teamlicencoj. La elekto uzis aron da kriterioj, sed la elekto daŭris longan tempon ĉar la reprezentantoj rigardis unu uzanton samtempe. Uzante la modelon, kiun mi evoluigis, reprezentantoj povis celi uzantojn plej verŝajne aĉeti teamlicencon kaj pliigi la verŝajnecon de konvertiĝo en malpli da tempo. Ĉi tio rezultigis pli efikan uzon de tempo pliigante konvertajn indicojn por ŝlosilaj agado-indikiloj, al kiuj la venda teamo povas rilati.
Pluraj jaroj pasis kaj mi ree disvolvis la samajn modelojn kaj sentis, ke mi ne plu lernas ion novan. Mi decidis serĉi alian postenon kaj finis akiri postenon kiel datuma analizisto. La diferenco en respondecoj ne povus esti pli grava kompare kun kiam mi estis datuma sciencisto, kvankam mi denove subtenis merkatadon.
Ĉi tio estis la unua fojo, kiam mi analizis A/B-eksperimentojn kaj trovis ĉiuj manieroj en kiuj eksperimento povas misfunkcii. Kiel datuma sciencisto, mi tute ne laboris pri A/B-testado ĉar ĝi estis rezervita por la eksperimenta teamo. Mi laboris pri ampleksa gamo de merkatig-trafitaj analizoj - de pliigado de altkvalitaj konvertaj indicoj ĝis uzanta engaĝiĝo kaj antaŭzorgo de falo. Mi lernis multajn malsamajn manierojn rigardi datumojn kaj pasigis multan tempon kompilante la rezultojn kaj prezentante ilin al koncernatoj kaj altranga administrado. Kiel datuma sciencisto, mi plejparte laboris pri unu speco de modelo kaj malofte faris prelegojn. Rapide antaŭen kelkajn jarojn al la kapabloj, kiujn mi lernis por esti sukcesa analizisto.
Kapabloj Mi Lernis Fariĝi Sukcesa Datuma Analizisto
1. Lernu rakonti rakontojn kun datumoj
Ne rigardu KPIojn izole. Konektu ilin, rigardu la komercon entute. Ĉi tio permesos al vi identigi areojn, kiuj influas unu la alian. Altranga administrado rigardas la komercon per lenso, kaj homo, kiu pruvas ĉi tiun kapablon, estas rimarkita kiam venas tempo por fari reklamajn decidojn.
2. Provizu ageblajn ideojn.
Provizi komercon efika ideo por solvi la problemon. Eĉ pli bone estas, se vi proaktive proponas solvon, kiam oni ankoraŭ ne diris, ke vi traktas la suban problemon.
Ekzemple, se vi diris al merkatado: "Mi rimarkis, ke lastatempe la nombro da vizitantoj de la retejo malpliiĝas ĉiumonate.". Ĉi tio estas tendenco, kiun ili eble rimarkis sur la panelo kaj vi ne proponis ajnan valoran solvon kiel analizisto ĉar vi nur deklaris la observon.
Anstataŭe, ekzamenu la datumojn por trovi la kaŭzon kaj proponi solvon. Pli bona ekzemplo por merkatado estus: “Mi rimarkis, ke ni havis malpliiĝon de la nombro da vizitantoj al nia retejo lastatempe. Mi malkovris, ke la fonto de la problemo estas organika serĉo, pro lastatempaj ŝanĝoj, kiuj kaŭzis fali niajn serĉajn rangojn en Guglo.". Ĉi tiu aliro montras, ke vi spuris la KPIojn de la kompanio, rimarkis la ŝanĝon, esploris la kaŭzon kaj proponis solvon al la problemo.
3. Fariĝu fidinda konsilisto
Vi devas esti la unua persono, al kiu viaj koncernatoj turniĝas por konsiloj aŭ demandoj pri la komerco, kiun vi subtenas. Ne ekzistas ŝparvojo ĉar necesas tempo por pruvi ĉi tiujn kapablojn. La ŝlosilo por ĉi tio estas konstante liveri altkvalitan analizon kun minimumaj eraroj. Ajna miskalkulo kostos al vi kredindeblecpunktojn ĉar la venontan fojon kiam vi liveros analizon, homoj eble demandos: Se vi eraris la lastan fojon, ĉu eble vi eraras ankaŭ ĉi-foje?. Ĉiam duoble kontrolu vian laboron. Ankaŭ ne malutilas peti vian administranton aŭ kolegon rigardi viajn numerojn antaŭ prezenti ilin se vi havas dubojn pri via analizo.
4. Lernu klare komuniki kompleksajn rezultojn.
Denove, ne ekzistas ŝparvojo por lerni kiel efike komuniki. Ĉi tio bezonas praktikon kaj kun la tempo vi pliboniĝos pri ĝi. La ŝlosilo estas identigi la ĉefajn punktojn de tio, kion vi volas fari kaj rekomendi iujn ajn agojn, kiujn, kiel rezulto de via analizo, koncernatoj povas fari por plibonigi la komercon. Ju pli alte vi estas en organizo, des pli gravaj estas viaj komunikadkapabloj. Komuniki kompleksajn rezultojn estas grava kapablo por pruvi. Mi pasigis jarojn lernante la sekretojn de sukceso kiel datuma sciencisto kaj datuma analizisto. Homoj difinas sukceson malsame. Esti priskribita kiel "mirinda" kaj "stela" analizisto estas sukceso en miaj okuloj. Nun kiam vi konas ĉi tiujn sekretojn, mi esperas, ke via vojo rapide kondukos vin al sukceso, kiel ajn vi difinas ĝin.
Kaj por fari vian vojon al sukceso eĉ pli rapida, konservu la reklaman kodon HABR, per kiu vi povas ricevi plian 10% al la rabato indikita sur la rubando.
Pli da kursoj
Elstaraj Artikoloj
fonto: www.habr.com