Hay muchos artículos sobre las habilidades necesarias para ser un buen científico o analista de datos, pero pocos artículos hablan sobre las habilidades necesarias para tener éxito, ya sea una evaluación de desempeño excepcional, elogios de la gerencia, un ascenso o todo lo anterior. Hoy les presentamos un material cuya autora quisiera compartir su experiencia personal como científica y analista de datos, así como lo que ha aprendido para alcanzar el éxito.
Tuve suerte: me ofrecieron el puesto de científico de datos cuando no tenía experiencia en ciencia de datos. La forma en que manejé la tarea es una historia diferente y quiero decir que solo tenía una vaga idea de lo que hace un científico de datos antes de aceptar el trabajo.
Me contrataron para trabajar en canalizaciones de datos debido a mi trabajo anterior como ingeniero de datos, donde desarrollé un mercado de datos para análisis predictivo utilizado por un grupo de científicos de datos.
Mi primer año como científico de datos implicó la creación de canales de datos para entrenar modelos de aprendizaje automático y ponerlos en producción. Mantuve un perfil bajo y no participé en muchas reuniones con las partes interesadas en marketing que eran los usuarios finales de los modelos.
En el segundo año de mi trabajo en la empresa, el responsable de procesamiento y análisis de datos responsable de marketing se fue. A partir de entonces me convertí en el actor principal y participé más activamente en el desarrollo de modelos y en la discusión de los plazos de los proyectos.
Al interactuar con las partes interesadas, me di cuenta de que la ciencia de datos es un concepto vago del que la gente ha oído hablar pero no comprende del todo, especialmente en los niveles directivos superiores.
Construí más de cien modelos, pero sólo se utilizó un tercio de ellos porque no sabía cómo mostrar su valor, a pesar de que los modelos fueron solicitados principalmente por marketing.
Uno de los miembros de mi equipo pasó meses desarrollando un modelo que la alta dirección consideró que demostraría el valor de un equipo de ciencia de datos. La idea era difundir el modelo por toda la organización una vez desarrollado y animar a los equipos de marketing a adoptarlo.
Resultó ser un completo fracaso porque nadie entendía qué era un modelo de aprendizaje automático ni podía entender el valor de usarlo. Como resultado, se desperdiciaron meses en algo que nadie quería.
De tales situaciones he aprendido ciertas lecciones, que daré a continuación.
Lecciones que aprendí para convertirme en un científico de datos exitoso
1. Prepárese para el éxito eligiendo la empresa adecuada.
Al realizar una entrevista en una empresa, pregunte sobre la cultura de los datos y cuántos modelos de aprendizaje automático se adoptan y utilizan en la toma de decisiones. Pida ejemplos. Descubra si su infraestructura de datos está configurada para comenzar a modelar. Si dedica el 90% de su tiempo a intentar extraer datos sin procesar y limpiarlos, le quedará poco o ningún tiempo para crear modelos que demuestren su valor como científico de datos. Tenga cuidado si lo contratan como científico de datos por primera vez. Esto puede ser algo bueno o malo, dependiendo de la cultura de los datos. Es posible que encuentre más resistencia a implementar el modelo si la alta dirección contrata a un científico de datos solo porque la empresa quiere ser conocida como Usar la ciencia de datos para tomar mejores decisiones., pero no tiene idea de lo que realmente significa. Además, si encuentra una empresa basada en datos, crecerá con ella.
2. Conocer los datos y los indicadores clave de desempeño (KPI).
Al principio mencioné que, como ingeniero de datos, creé un mercado de datos analíticos para un equipo de científicos de datos. Al convertirme en científico de datos, pude encontrar nuevas oportunidades que aumentaron la precisión de los modelos porque trabajé intensamente con datos sin procesar en mi puesto anterior.
Al presentar los resultados de una de nuestras campañas, pude mostrar los modelos que generaban tasas de conversión más altas (como porcentaje) y luego medí uno de los KPI de la campaña. Esto demostró el valor del modelo de desempeño empresarial al que se puede vincular el marketing.
3. Garantizar la adopción del modelo demostrando su valor a las partes interesadas.
Nunca tendrá éxito como científico de datos si sus partes interesadas nunca utilizan sus modelos para tomar decisiones comerciales. Una forma de garantizar la adopción del modelo es encontrar un punto débil empresarial y mostrar cómo el modelo puede ayudar.
Después de hablar con nuestro equipo de ventas, me di cuenta de que dos representantes estaban trabajando a tiempo completo revisando manualmente los millones de usuarios en la base de datos de la empresa para identificar a los usuarios con licencias únicas que tenían más probabilidades de actualizar a licencias de equipo. La selección utilizó un conjunto de criterios, pero tomó mucho tiempo porque los representantes miraban a un usuario a la vez. Utilizando el modelo que desarrollé, los representantes pudieron dirigirse a los usuarios con más probabilidades de comprar una licencia de equipo y aumentar la probabilidad de conversión en menos tiempo. Esto ha dado como resultado un uso más eficiente del tiempo al aumentar las tasas de conversión de los indicadores clave de rendimiento con los que el equipo de ventas puede identificarse.
Pasaron varios años y desarrollé los mismos modelos una y otra vez y sentí que ya no estaba aprendiendo nada nuevo. Decidí buscar otro puesto y terminé consiguiendo un puesto como analista de datos. La diferencia de responsabilidades no podría haber sido más significativa en comparación con cuando era científico de datos, a pesar de que volvía a apoyar el marketing.
Esta fue la primera vez que analicé experimentos A/B y encontré todos Maneras en las que un experimento puede salir mal. Como científico de datos, no trabajé en absoluto en pruebas A/B porque estaban reservadas para el equipo experimental. He trabajado en una amplia gama de análisis impactados por el marketing, desde aumentar las tasas de conversión premium hasta la participación de los usuarios y la prevención de abandono. Aprendí muchas formas diferentes de ver los datos y dediqué mucho tiempo a recopilar los resultados y presentarlos a las partes interesadas y a la alta dirección. Como científico de datos, trabajaba principalmente en un tipo de modelo y rara vez daba charlas. Avancemos unos años y veamos las habilidades que aprendí para ser un analista exitoso.
Habilidades que aprendí para convertirme en un analista de datos exitoso
1. Aprenda a contar historias con datos
No mire los KPI de forma aislada. Conéctelos, mire el negocio en su conjunto. Esto le permitirá identificar áreas que se influyen entre sí. La alta dirección ve el negocio a través de una lente, y una persona que demuestra esta habilidad se destaca cuando llega el momento de tomar decisiones de promoción.
2. Proporcione ideas prácticas.
proporcionar negocios idea efectiva para resolver el problema. Es incluso mejor si ofreces una solución de forma proactiva cuando aún no se ha dicho que estás lidiando con el problema subyacente.
Por ejemplo, si le dijeras a marketing: "Me di cuenta de que últimamente el número de visitantes del sitio ha ido disminuyendo cada mes".. Esta es una tendencia que quizás hayan notado en el tablero y usted no ofreció ninguna solución valiosa como analista porque solo indicó la observación.
En su lugar, examine los datos para encontrar la causa y proponer una solución. Un mejor ejemplo de marketing sería: “He notado que últimamente hemos tenido una disminución en el número de visitantes a nuestro sitio web. Descubrí que la fuente del problema es la búsqueda orgánica, debido a cambios recientes que han causado que nuestra clasificación de búsqueda en Google caiga".. Este enfoque muestra que realizó un seguimiento de los KPI de la empresa, notó el cambio, investigó la causa y propuso una solución al problema.
3. Conviértete en un asesor de confianza
Debe ser la primera persona a la que sus partes interesadas acuden en busca de consejos o preguntas sobre la empresa que respalda. No hay atajos porque lleva tiempo demostrar estas habilidades. La clave para esto es ofrecer constantemente análisis de alta calidad con errores mínimos. Cualquier error de cálculo le costará puntos de credibilidad porque la próxima vez que proporcione un análisis, la gente puede preguntarse: Si te equivocaste la última vez, ¿tal vez también te equivocaste esta vez?. Siempre revisa dos veces tu trabajo. Tampoco está de más pedirle a su gerente o colega que revise sus números antes de presentarlos si tiene alguna duda sobre su análisis.
4. Aprenda a comunicar resultados complejos con claridad.
Una vez más, no existe ningún atajo para aprender a comunicarse de forma eficaz. Esto requiere práctica y con el tiempo mejorarás. La clave es identificar los puntos principales de lo que desea hacer y recomendar cualquier acción que, como resultado de su análisis, las partes interesadas puedan tomar para mejorar el negocio. Cuanto más alto esté en una organización, más importantes serán sus habilidades de comunicación. Comunicar resultados complejos es una habilidad importante que se debe demostrar. Pasé años aprendiendo los secretos del éxito como científico y analista de datos. La gente define el éxito de manera diferente. Ser descrito como un analista "asombroso" y "estelar" es, en mi opinión, un éxito. Ahora que conoces estos secretos, espero que tu camino te lleve rápidamente al éxito, como sea que lo definas.
Y para acelerar aún más tu camino hacia el éxito, conserva el código promocional HABR, mediante el cual podrás obtener un 10% adicional al descuento indicado en el banner.
Más cursos
Artículos recomendados
Fuente: habr.com