On palju artikleid oskustest, mis on vajalikud, et olla hea andmeta teadlane või andmeanalüütik, kuid vähestes artiklites käsitletakse oskusi, mis on vajalikud edu saavutamiseks – olgu need siis erandlikud töö hindamised, juhi kiidusõnad, ametikõrgendused või kõik eeltoodud. Täna esitleme teile materjali, mille autor soovib jagada oma isiklikku kogemust andmeteadlasena ja andmeanalüütikuna ning seda, mida ta on õppinud eduka saavutamiseks.
Mul oli vedamine: mulle pakuti andmeteadlase positsiooni, kui mul polnud Data Science'is mingit kogemust. Kuidas ma selle väljakutsega hakkama sain, on juba teine lugu, ja tahan öelda, et mul oli enne tööle asumist vaid ebamugav ettekujutus, mida andmeteadlane teeb.
Mind palkati andmepipelines töötama minu varasema kogemuse tõttu andmete töötlemise insenerina, kus ma lõin andmevitrine prognoosimise analüüsiks, mida kasutasid andmeteadlaste rühm.
Minu esimene aasta andmeteadlasena hõlmas andmepipelinesi loomist masinõppemudelite koolitamiseks ja nende rakendamiseks tootmisse. Hoidsin end varjus ja ei osalenud paljudes turunduse sidusrühmade koosolekutes, kes olid mudelite lõppkasutajad.
Teisel aastal ettevõttes lahkus andmete töötlemise ja analüüsi juht, kes vastutas turunduse eest. Sellest ajast alates on minust saanud peamine tegija ja osalenud aktiivsemalt mudelite arendamisel ja projektide rakendamise tähtaegade aruteludel.
Sidusrühmadega suheldes mõistsin, et Data Science on hägune mõiste, millest inimesed on kuulnud, kuid ei mõista seda täpselt, eriti kõrgem juhtkond.
Olen loonud üle saja mudeli, kuid ainult kolmandik neist on kasutatud, kuna ma ei teadnud, kuidas näidata nende väärtust, hoolimata sellest, et mudeleid küsis esmalt turundus.
Üks minu meeskonna liige kulutas kuu aega mudeli arendamisele, mis, nagu arvas juhtkond, näitaks andeteadlaste meeskonna väärtust. Idee oli levitada seda mudelit kogu organisatsioonis peale selle arendamist ja julgustada turundusmeeskondi seda rakendama.
See osutus täielikuks läbikukkumiseks, kuna keegi ei mõistnud, mis on masinõppemudel, ega suutnud mõista selle rakendamise väärtust. Lõppkokkuvõttes kulus kuu aega raisku selle peale, mida keegi ei soovinud.
Nendest olukordadest olen õppinud mõned õppetunnid, mida toon allpool.
Õppetunnid, mida olen õppinud, et saada edukaks andeteadlaseks
1. Valige õige ettevõte, et saavutada edu.
Tööintervjuu ajal küsige ettevõttes andmekultuuri ja selle kohta, kui palju masinõppemudeleid kasutatakse otsuste tegemisel. Küsige näiteid. Uurige, kas andme-infrastruktuur on ette valmistatud modelleerimise alustamiseks. Kui kulutate 90% oma ajast, püüdes tooreid andmeid kaevandada ja puhastada, jääb teil peaaegu üldse aega mudelite koostamiseks, et näidata oma väärtust andeteadlase rollis. Olge ettevaatlik, kui teid on esmakordselt palgatud andeteadlaseks. See võib olla nii hea kui halb, sõltuvalt andmekultuurist. Võite kohata suurt vastupanu mudeli rakendamisel, kui juhtkond palkab andeteadlase lihtsalt selleks, et ettevõte sooviks olla tuntud kui parimaid otsuseid tegeva andeteaduse kasutaja, kuid ei mõista tegelikult, mida see tähendab. Lisaks, kui leiate ettevõtte, mis on andmepõhine, siis kasvate koos nendega.
2. Tunneta andmeid ja võtme tulemusnäitajaid (KPI).
Alustuseks mainisin, et töötades andmeinsenerina, lõin analüütikateavituse vitriini andeteadlaste meeskonnale. Tulles andeteadlaseks, suutsin leida uusi võimalusi, mis tõstsid mudelite täpsust, kuna töötasin intensiivselt toorandmetega oma eelmisel ametikohal.
Esitlesin tulemused ühest meie kampaaniast, mis tõestas, et mudelid, mis genereerivad kõrgemaid konversioonimäära (protsentides), tõid kaasa ühe KPI kampaania mõõtmise. See näitas, kui väärtuslik on mudel ettevõtte tõhususe seisukohalt, millega saab seostada turundust.
3. Tagage mudeli omaksvõtt, näidates selle väärtust huvigruppidele
Te ei saavuta edu Data Science spetsialistina, kui huvirühmad ei kasuta kunagi teie mudeleid äriotsuste tegemiseks. Üks viis mudeli omaksvõtu tagamiseks on leida äri valupunkt ja näidata, kuidas mudel aitab selle lahendamisel.
Pärast vestlust meie müügiosakonnaga sain aru, et kaks esindajat töötasid täiskohaga, vaadates käsitsi läbi miljonid kasutajad ettevõtte andmebaasis, et tuvastada kasutajad, kellel on üksikload, kes tõenäoliselt üleminevad meeskonna lubadele. Kriteeriumide komplekti kasutati, kuid valimine kestis kaua, kuna esindajad vaatasid ühte kasutajat korraga. Minu loodud mudeli abil said esindajad valida kasutajaid, kellel on suurim tõenäosus osta meeskonna luba, suurendades konversioonivõimalust vähem aja jooksul. See tõi kaasa efektiivsema ajakasutuse, parandades konversioonimäära võtmesuundadele, millele müügiosakond võiks tähelepanu pöörata.
Möödus mitmeid aastaid, ja ma arendusisin korduvalt samu mudeleid ja tundsin, et ma ei õpi enam midagi uut. Otsustasin otsida teist ametikohta ja lõpuks sain andmeanalüütiku ametikoha. Kohustuste erinevus ei saanud olla enam märgatav võrreldes sellega, kui olin andmete teadlane, isegi kui ma toetasin turundust taas.
See oli esimene kord, kui ma analüüsisin A/B eksperimente ja avastasin kõik meetodid, kuidas eksperiment võib valesti minna. Andeteadlaseks töötades ei tegele ma üldiselt A/B testimisega, kuna see oli reserveeritud eksperimentide meeskonnale. Olen töötanud mitmesuguste analüütiliste uuringute kallal, millele on mõju olnud turundusel - alates esmaklassiliste konversioonimäärade suurendamisest kuni kasutajate kaasamise ja lahkumise ennetamiseni. Olen õppinud paljusid erinevaid viise andmete vaatamiseks ja kulutanud palju aega tulemuste kogumisele, nende esitamisele sidusrühmadele ja kõrgeima juhtkonna ees. Andeteadlase ametis olen töötanud peamiselt ühe tüüpi mudeli kallal ja harva esitanud ettekandeid. Kerime mitu aastat edasi ja räägime oskustest, mida olen õppinud, et olla edukas analüütik.
Oskused, mida ma õppisin, et saada edukaks andmeanalüütikuks
1. Õppige andmete abil lugusid rääkima
Ärge vaatake KPI-sid eraldi. Seostage need omavahel, vaadake ettevõtet kui tervikut. See aitab tuvastada omavahel seotud valdkondi. Ülemjuhatus vaatab ettevõtet läbi prisma ja inimesi, kes suudavad seda oskust demonstreerida, märgatakse, kui aeg on otsuste tegemiseks käes.
2. Esitage teostatavaid ideid
Pakkuge ettevõttele teostatavat ideed probleemi lahendamiseks. Veel parem oleks, kui te proaktiivselt pakuksite lahendust, enne kui on öeldud, et olete silmitsi esmatähtsa probleemiga.
Näiteks, kui te ütleksite turundusele: «Ma märkasin, et viimasel ajal on meie veebilehe külastajate arv kuus vähenenud». See on tendents, mida nad on võinud oma rikkumiste tahvlil märkida ja te ei pakkunud mingit väärtuslikku lahendust analüütikuna, kuna lihtsalt märkisite tähelepanekut.
Kui aga uurite andmeid, et leida põhjus ja pakkuda lahendust. Parim näide turunduse jaoks oleks: «Ma märkasin, et viimasel ajal on meie veebilehe külastajate arv vähenenud. Tuvastasin, et probleemide allikaks on tavaline otsimine, mille tõttu on meie Google'i otsinguhinne langenud.»Selline lähenemine näitab, et olete jälginud ettevõtte KPI-sid, märkisite muutust, uurisite põhjust ja pakkusite lahendust probleemile.
3. Saage usaldusväärseks nõustajaks
Sa pead olema esimene inimene, kelle poole teie sidusrühmad pöörduvad soovituste või küsimustega teie toetatava tegevusvaldkonna osas. Lühikest teed ei ole, sest nende oskuste demonstreerimiseks on vajalik aeg. Selle võtmeküsimus on järjepidev kõrge kvaliteediga analüüsi esitamine minimaalse arvu vigadega. Iga viga arvutustes maksab teile usalduspunktide kaotuse, sest järgmine kord, kui te analüüsi esitate, võivad inimesed küsida: Kui te olite eelmisel korral vale, kas te võisite seekord ka eksida?. Kontrollige alati oma tööd kaks korda. Samuti ei tee paha, kui palute oma juhil või kolleegil vaadata teie numbreid enne, kui need esitate, kui teil on mingisuguseid kahtlusi oma analüüsi osas.
4. Õppige edastama keerulisi tulemusi selgelt
Taaskord, lühikest teed tõhusate kommunikatsioonide õppimiseks ei ole. See vajab harjutamist ja aja jooksul muutute selles paremaks. Peamine on välja selgitada, millised on teie peamised punktid, mida soovite teha, ja soovitada kõiki samme, mida sidusrühmad teie analüüsi põhjal äri edendamiseks ette võivad võtta. Mida kõrgemal olete organisatsiooni karjääriredelil, seda olulisem on suhtlemisoskus. Keeruliste tulemuste edastamine on oluline oskus, mida tuleb demonstreerida. Olen aastaid õppinud, kuidas saavutada edu andmete teadlase ja analüütikuna. Inimesed defineerivad edu erinevalt. Saada silmapaistvaks ja „tärnanalüütikuks” — see on edu minu silmis. Nüüd, kui te teate neid saladusi, loodan, et teie tee toob teid kiiremini eduni, olenemata sellest, kuidas te seda defineerite.
Ja et teie tee eduni oleks veelgi kiirem, kasutage sooduskoodi HABR, millega saab lisaks 10% allahindlust, mis on näidatud bänneril.
Veel kursuseid
Soovitatud artiklid
Allikas: habr.com
