Hay muchos artículos sobre las habilidades necesarias para ser un buen científico de datos o analista de datos, pero solo en unos pocos artículos se habla de las habilidades necesarias para el éxito, ya sea una evaluación sobresaliente en el trabajo, elogios de la gerencia, un ascenso, o todas las anteriores. Hoy les presentamos un material cuyo autor desea compartir su experiencia personal trabajando como científico de datos y analista de datos, así como lo que ha aprendido para lograr el éxito.
Tuve suerte: me ofrecieron un puesto de científico de datos cuando no tenía ninguna experiencia en Ciencia de Datos. Cómo afronté ese desafío es otra historia, y quiero mencionar que tenía solo una idea vaga de lo que hace un científico de datos antes de aceptar este trabajo.
Me contrataron para trabajar en la creación de tuberías de datos debido a mi experiencia previa como ingeniera de procesamiento de datos, donde desarrollé un data warehouse para análisis predictivo utilizado por un grupo de científicos de datos.
Mi primer año trabajando como científico de datos incluyó la creación de tuberías de datos para el entrenamiento de modelos de aprendizaje automático y su implementación en producción. Me mantuve en un segundo plano y no participé en muchas reuniones con las partes interesadas en marketing, quienes eran los usuarios finales de los modelos.
En mi segundo año en la empresa, el gerente de procesamiento y análisis de datos a cargo de marketing se fue. Desde entonces, me convertí en la figura principal y participé de manera más activa en el desarrollo de modelos y en la discusión de los plazos de implementación de proyectos.
A medida que interactuaba con las partes interesadas, me di cuenta de que la Ciencia de Datos es un concepto difuso que las personas han oído, pero que no comprenden del todo, especialmente en lo que respecta a la alta dirección.
He construido más de cien modelos, pero solo un tercio de ellos se utilizaron, ya que no sabía cómo demostrar su valor, a pesar de que los modelos fueron solicitados en primer lugar por marketing.
Uno de los miembros de mi equipo pasó meses desarrollando un modelo que, según la alta dirección, demostraría el valor del equipo de científicos de datos. La idea era implementar este modelo en toda la organización después de su desarrollo y motivar a los equipos de marketing a aplicarlo.
Esto resultó ser un completo fracaso porque nadie entendía qué era un modelo de aprendizaje automático y no podían ver el valor de su aplicación. En última instancia, se desperdiciaron meses en algo que a nadie le interesaba.
De tales situaciones, he extraído ciertas lecciones que presentaré a continuación.
Lecciones que he aprendido para ser una científica de datos exitosa
1. Prepárate para el éxito eligiendo la empresa adecuada.
Durante la entrevista en la empresa, pregunta sobre la cultura de datos y cuántos modelos de aprendizaje automático se utilizan en la toma de decisiones. Pide ejemplos. Averigua si la infraestructura de datos está preparada para el modelado. Si pasas el 90% de tu tiempo tratando de obtener y limpiar datos en bruto, casi no te quedará tiempo para construir modelos que demuestren tu valor como científica de datos. Ten cuidado si eres contratado como científica de datos por primera vez. Esto puede ser tanto bueno como malo, dependiendo de la cultura de datos. Puedes enfrentar una gran resistencia al implementar el modelo si la alta dirección contrata un especialista en Ciencia de Datos solo porque la empresa quiere ser conocida como utilizando Ciencia de Datos para tomar mejores decisiones, pero no tiene idea de lo que eso significa en realidad. Además, si encuentras una empresa que está orientada a los datos, crecerás junto a ella.
2. Conoce los datos y los indicadores clave de rendimiento (KPI).
Al principio, mencioné que como ingeniera de procesamiento de datos creé una vitrina de datos analíticos para el equipo de científicos de datos. Al convertirme en científica de datos, pude encontrar nuevas oportunidades que mejoraron la precisión de los modelos porque trabajé intensamente con los datos en bruto en mi puesto anterior.
Al presentar los resultados de una de nuestras campañas, pude mostrar modelos que generan tasas de conversión más altas (en porcentaje), tras lo cual se midió una de las campañas KPI. Esto demostró el valor del modelo para la efectividad del negocio relacionada con el marketing.
3. Asegura la adopción del modelo mostrando su valor a las partes interesadas.
Nunca tendrás éxito como especialista en Data Science si las partes interesadas nunca aplican tus modelos para la toma de decisiones empresariales. Una forma de asegurar la adopción del modelo es encontrar un punto de dolor en el negocio y mostrar cómo el modelo puede ayudar.
Después de hablar con nuestro departamento de ventas, entendí que dos representantes trabajaban a tiempo completo revisando manualmente millones de usuarios en la base de datos de la empresa para identificar a los usuarios con licencias individuales que tenían más probabilidades de pasar a licencias de equipo. Se utilizó un conjunto de criterios, pero la selección tomó mucho tiempo porque los representantes revisaban un usuario a la vez. Con el modelo que desarrollé, los representantes pudieron seleccionar a los usuarios con mayor probabilidad de comprar una licencia de equipo, aumentando la tasa de conversión en menos tiempo. Esto llevó a un uso más eficiente del tiempo al incrementar la tasa de conversión para los KPI relevantes para el departamento de ventas.
Pasaron varios años y repetí los mismos modelos varias veces, sintiendo que ya no aprendía nada nuevo. Decidí buscar otro puesto y finalmente conseguí el cargo de analista de datos. La diferencia en las responsabilidades no podría haber sido más significativa en comparación con el tiempo en que era data scientist, a pesar de que nuevamente apoyaba al marketing.
Fue la primera vez que analicé experimentos A/B y descubrí cargas de trabajo dejarán de funcionar! formas en que un experimento puede salir mal. Como científico de datos, en realidad no trabajé en pruebas A/B, ya que eso estaba reservado para el equipo de experimentación. Trabajé en una amplia gama de estudios analíticos que fueron impactados por el marketing, desde aumentar la tasa de conversión premium hasta la participación de los usuarios y la retención. Aprendí muchas maneras diferentes de ver los datos y pasé mucho tiempo compaginando resultados, presentándolos a las partes interesadas y a la alta dirección. Como científico de datos, en su mayoría trabajé en un solo tipo de modelo y rara vez presenté informes. Avancemos unos años y hablemos de las habilidades que adquirí para ser un analista exitoso.
Habilidades que adquirí para convertirme en un analista de datos exitoso
1. Aprende a contar historias con datos
No mires los KPI por separado. Conéctalos, observa el negocio como un todo. Esto ayudará a identificar áreas que se afectan entre sí. La alta dirección ve el negocio a través de un prisma, y una persona que demuestre esa habilidad es notada cuando llega el momento de tomar una decisión sobre un ascenso.
2. Proporciona ideas accionables
Proporciona al negocio una idea valiosa para resolver un problema. Mejor aún, si proactivamente ofreces una solución antes de que se indique que estás tratando con un problema prioritario.
Por ejemplo, si le dijeras al marketing: "He notado que en los últimos meses la cantidad de visitantes al sitio web ha disminuido". Esta es una tendencia que podrían haber notado en el tablero, y no propusiste ninguna solución valiosa como analista, ya que solo declaraste una observación.
En su lugar, investiga los datos para encontrar la causa y proponer una solución. Un mejor ejemplo para el marketing sería: "He notado que en los últimos meses hemos perdido visitantes en nuestro sitio web. Descubrí que la fuente del problema es la búsqueda orgánica, debido a cambios recientes que llevaron a una caída en nuestro ranking en Google". Este enfoque muestra que has estado monitoreando los KPI de la empresa, notaste un cambio, investigaste la causa y propusiste una solución al problema.
3. Conviértete en un asesor confiable
Es necesario convertirse en la primera persona a la que se dirigen las partes interesadas para pedir recomendaciones o hacer preguntas sobre el área que usted apoya. No hay caminos cortos, ya que demostrar estas habilidades lleva tiempo. La clave es proporcionar continuamente análisis de alta calidad con el mínimo de errores. Cualquier error en los cálculos le costará puntos de confianza, porque la próxima vez que presente un análisis, las personas pueden preguntarse: Si se equivocó la última vez, ¿podría estar equivocado esta vez también?. Siempre revise su trabajo dos veces. También puede ser útil pedirle a su gerente o a un colega que revise sus números antes de presentarlos, si tiene alguna duda sobre su análisis.
4. Aprenda a comunicar resultados complejos de manera clara
Una vez más, no hay atajos para aprender comunicaciones efectivas. Esto requiere práctica, y con el tiempo se volverá mejor en ello. Lo principal es identificar los puntos clave de lo que desea hacer y recomendar cualquier acción que, a raíz de su análisis, puedan tomar las partes interesadas para mejorar el negocio. Cuanto más alto esté en la escalera profesional dentro de la organización, más importante será la habilidad de comunicarse. La transmisión de resultados complejos es una habilidad crucial que debe demostrarse. Pasé años aprendiendo los secretos del éxito como científico de datos y analista de datos. Las personas definen el éxito de diferentes maneras. Obtener una referencia como un analista “increíble” y “estrella” es el éxito a mis ojos. Ahora que usted conoce estos secretos, espero que su camino lo lleve más rápido hacia el éxito, sea cual sea su definición.
Y para que su camino hacia el éxito sea aún más rápido, use el código promocional HABR, con el que puede obtener un 10% adicional de descuento sobre el precio indicado en el banner.
Más cursos
Artículos recomendados
Fuente: habr.com
