Datu-zientzialari edo datu-analista on bat izateko beharrezkoak diren trebetasunei buruzko artikulu asko daude, baina artikulu gutxik hitz egiten dute arrakasta izateko beharrezkoak diren trebetasunei buruz, izan aparteko errendimenduaren berrikuspena, zuzendaritzaren laudorioak, sustapena edo aurreko guztia. Gaurkoan, bere egileak datu-zientzialari eta datu-analista gisa bere esperientzia pertsonala partekatu nahiko lukeen material bat aurkezten dizuegu, baita arrakasta lortzeko ikasitakoa ere.
Zortea izan nuen: Data Sciencen esperientziarik ez nuenean datu zientzilari postua eskaini zidaten. Zeregin hori nola kudeatu nuen beste istorio bat da, eta esan nahi dut datu-zientzialari batek zer egiten duenaren ideia lauso bat besterik ez nuela lana hartu aurretik.
Datu-hodietan lan egiteko kontratatu ninduten datu-ingeniari gisa egin nuen aurreko lana zela eta, non datu-zientzialari talde batek erabilitako analisi prediktiborako datu-mart bat garatu nuen.
Nire lehen urtea datu-zientzialari gisa datu-hodiak sortzea izan zen, ikasketa automatikoko ereduak trebatzeko eta horiek produkzioan jartzeko. Profil baxua mantentzen nuen eta ez nuen parte hartu ereduen azken erabiltzaileak ziren marketin eragileekin bilera askotan.
Enpresan lan egiten nuen bigarren urtean, marketineko arduradunak datuen tratamendu eta analisiko arduradunak alde egin zuen. Handik aurrera, eragile nagusi bihurtu nintzen eta parte aktiboagoa hartu nuen ereduak garatzen eta proiektuen epeak eztabaidatzen.
Interesdunekin elkarreraginean, konturatu nintzen Datuen Zientzia kontzeptu lausoa dela jendeak entzundakoa baina oso ulertzen ez duena, batez ere zuzendaritza mailan.
Ehun modelotik gora eraiki nituen, baina horien heren bat besterik ez zen erabili, ez nekielako nola erakutsi haien balioa, nahiz eta ereduak batez ere marketinek eskatzen zituzten.
Nire taldeko kide batek hilabeteak eman zituen goi-zuzendaritzak datu zientzien talde baten balioa erakutsiko zuen eredu bat garatzen. Eredua garatu ondoren erakunde osoan zabaltzea eta marketin-taldeak hartzera bultzatzea zen.
Erabateko porrota izan zen, inork ez baitzuen ulertzen zer zen ikaskuntza automatikoko eredu bat edo ezin zuelako hura erabiltzearen balioa ulertu. Ondorioz, hilabeteak alferrik galdu ziren inork nahi ez zuen zerbaitetan.
Horrelako egoeretatik zenbait ikasgai atera ditut, jarraian emango ditudanak.
Datuen zientzialari arrakastatsu bat izateko ikasi ditudan ikasgaiak
1. Konfiguratu zeure burua arrakasta lortzeko enpresa egokia aukeratuz.
Enpresa batean elkarrizketak egiterakoan, galdetu datuen kulturari buruz eta zenbat ikaskuntza automatikoko eredu hartzen diren eta erabakiak hartzeko orduan. Eskatu adibideak. Jakin ezazu zure datu-azpiegitura modelatzen hasteko konfiguratuta dagoen. Zure denboraren % 90 datu gordinak atera eta garbitzen saiatzen bazara, denbora gutxi izango duzu zure datu-zientzialari gisa zure balioa erakusteko ereduak eraikitzeko. Kontuz ibili datu-zientzialari gisa lehen aldiz kontratatzen bazaituzte. Hau gauza ona edo txarra izan daiteke, datuen kulturaren arabera. Baliteke eredua ezartzeko erresistentzia handiagoa topatzea, goi-zuzendaritzak datu-zientzialari bat kontratatzen badu konpainiak bezala ezagutu nahi duelako. Data Science erabiltzea erabaki hobeak hartzeko, baina ez daki zer esan nahi duen benetan. Gainera, datuetan oinarritutako enpresa bat aurkitzen baduzu, horrekin haziko zara.
2. Datuak eta funtsezko errendimendu-adierazleak (KPI) ezagutzea.
Hasieran aipatu nuen datu-ingeniari gisa datu-mart analitiko bat sortu nuela datu-zientzialari talde baterako. Ni neu datu-zientzialari bihurtuta, ereduen zehaztasuna areagotzen zuten aukera berriak aurkitu ahal izan nituen, nire aurreko zereginean datu gordinak intentsiboki lan egin nuelako.
Gure kanpainetako baten emaitzak aurkeztean, bihurketa tasa handiagoak sortzen dituzten ereduak erakutsi ahal izan ditut (ehunekotan) eta gero kanpainaren KPIren bat neurtu dut. Horrek marketina lotu daitekeen negozio-errendimendurako ereduaren balioa erakutsi zuen.
3. Ereduaren onarpena ziurtatzea, interesdunei duen balioa erakutsiz
Inoiz ez duzu arrakasta izango datu-zientzialari gisa zure interesdunek inoiz zure ereduak erabiltzen ez badituzte negozio-erabakiak hartzeko. Ereduaren adopzioa ziurtatzeko modu bat negozioaren mina puntu bat aurkitzea eta ereduak nola lagun dezakeen erakustea da.
Gure salmenta-taldearekin hitz egin ondoren, konturatu nintzen bi ordezkari lanaldi osoan ari zirela eskuz orrazten konpainiaren datu-baseko milioika erabiltzaileak, talde-lizentzietara eguneratzeko aukera gehiago zuten lizentzia bakarrak dituzten erabiltzaileak identifikatzeko. Hautaketak irizpide multzo bat erabili zuen, baina hautaketak denbora luzea izan zuen, ordezkariek aldi berean erabiltzaile bati begiratzen ziotelako. Garatu dudan eredua erabiliz, ordezkariek talde-lizentzia bat erosteko eta denbora gutxiagoan bihurtzeko probabilitatea handitzeko aukera izan zuten erabiltzaileei zuzenduta. Honek denboraren erabilera eraginkorragoa izan du salmenta-taldeak erlazionatu ditzakeen errendimendu-adierazle nagusien bihurketa-tasak handituz.
Hainbat urte pasa ziren eta eredu berdinak garatu nituen behin eta berriz eta jada ezer berririk ikasten ez nuela sentitu nuen. Beste postu bat bilatzea erabaki nuen eta azkenean datu-analista postu bat lortu nuen. Arduren aldea ezin zitekeen esanguratsuagoa izan datu-zientzialaria nintzenekoarekin alderatuta, nahiz eta marketinaren alde itzuli nintzen.
Hau izan zen A/B esperimentuak aztertu eta aurkitu nituen lehen aldia guztiak esperimentu bat gaizki atera daitekeen moduak. Datuen zientzialari gisa, ez nuen A/B probetan batere lanik egin, talde esperimentalarentzat gordeta zegoelako. Marketin-eragindako analisi sorta zabal batean lan egin dut, premium bihurtze-tasak handitzen hasi eta erabiltzaileen konpromisoa eta iraulpenen prebentzioa. Datuak aztertzeko modu ezberdin asko ikasi nituen eta denbora asko eman nuen emaitzak biltzen eta interesdunei eta zuzendaritza nagusiei aurkezten. Datuen zientzialari gisa, gehienbat eredu mota batean lan egin nuen eta gutxitan hitzaldiak ematen nituen. Aurreratu urte batzuk analista arrakastatsu izateko ikasi nituen gaitasunetara.
Datu-analista arrakastatsu bat izateko ikasi ditudan gaitasunak
1. Datuekin istorioak kontatzen ikasi
Ez begiratu KPIak isolatuta. Konektatu itzazu, begiratu negozioa bere osotasunean. Horri esker, elkarri eragiten dioten eremuak identifikatu ahal izango dituzu. Goi-zuzendaritzak negozioa ikuspegi batetik ikusten du, eta trebetasun hori erakusten duen pertsona bat nabaritzen da promozio erabakiak hartzeko garaian.
2. Ideia ekintzaileak ematea.
Negozioak eskaintzea ideia eraginkorra arazoa konpontzeko. Are hobea da proaktiboki irtenbide bat eskaintzen baduzu oraindik azpiko arazoari aurre egiten ari zarela esan ez denean.
Adibidez, marketinari esan badiozu: "Ohartu nintzen duela gutxi guneko bisitarien kopurua hilero gutxitzen ari dela".. Arbelean agian nabaritu duten joera da eta analista gisa ez duzu irtenbide baliotsurik eskaini behaketa soilik adierazi duzulako.
Horren ordez, aztertu datuak kausa aurkitzeko eta irtenbide bat proposatzeko. Marketinerako adibide hobea izango litzateke: βOhartu naiz azkenaldian gure webguneko bisitari kopurua gutxitu dela. Arazoaren iturria bilaketa organikoa dela deskubritu nuen, gure Google bilaketaren sailkapena jaitsi egin duten azken aldaketen ondorioz".. Planteamendu honek erakusten du konpainiaren KPIen jarraipena egin duzula, aldaketa nabaritu duzula, kausa ikertu duzula eta arazoari irtenbide bat proposatu duzula.
3. Bihurtu aholkulari fidagarri bat
Zure alderdi interesdunek babesten duzun negozioari buruzko aholkuak edo galderak jasotzeko jotzen duten lehen pertsona izan behar duzu. Ez dago lasterbiderik gaitasun horiek erakusteko denbora behar baita. Horretarako gakoa kalitate handiko analisiak etengabe eskaintzea da, errore minimoekin. Kalkulu okerrak sinesgarritasun puntuak kostatuko zaizkizu, analisi bat ematen duzun hurrengo aldian jendeak hau galdetuko diolako: Azken aldian oker bazaude, agian oker zaude oraingoan ere?. Egiaztatu beti zure lana. Zure analisiari buruzko zalantzarik izanez gero, zure arduradunari edo lankideari zure zenbakiak aztertzeko eskatzea ere ez du kalterik aurkeztu aurretik.
4. Ikasi emaitza konplexuak argi eta garbi komunikatzen.
Berriz ere, ez dago lasterbiderik modu eraginkorrean komunikatzen ikasteko. Horrek praktika behar du eta denborarekin hobetuko zara. Egin nahi duzunaren puntu nagusiak identifikatzea eta zure analisiaren ondorioz interes-taldeek negozioa hobetzeko egin ditzaketen ekintzak gomendatzea da gakoa. Erakunde batean zenbat eta gorago egon, orduan eta garrantzitsuagoa izango da zure komunikazio-gaitasunak. Emaitza konplexuak komunikatzea erakusteko trebetasun garrantzitsua da. Urteak eman nituen arrakastaren sekretuak ikasten datuen zientzialari eta datuen analista gisa. Jendeak modu ezberdinean definitzen du arrakasta. Analista "harrigarri" eta "izarra" gisa deskribatzea arrakasta da nire begietan. Orain sekretu hauek ezagutzen dituzunean, zure bideak arrakastara azkar eramango zaituela espero dut, hala ere definitzen duzun.
Eta arrakasta lortzeko bidea are azkarragoa izan dadin, mantendu promozio kodea HABR, horren bidez, pankartan adierazitako deskontuaren % 10 gehiago lor dezakezu.
Ikastaro gehiago
Artikulu aipagarriak
Iturria: www.habr.com