Il existe de nombreux articles sur les compétences nécessaires pour être un bon data scientist ou analyste de données, mais peu d'entre eux abordent les compétences requises pour réussir — qu'il s'agisse d'évaluations exceptionnelles, de compliments de la direction, d'une promotion, ou de tout ce qui précède. Aujourd'hui, nous vous proposons un contenu d'une auteure qui souhaite partager son expérience personnelle en tant que data scientist et analyste de données, ainsi que ce qu'elle a appris pour réussir.
J'ai eu de la chance : on m'a proposé un poste de data scientist alors que je n'avais aucune expérience en Data Science. Comment j'ai relevé ce défi est une autre histoire, et je tiens à dire que j'avais à peine une idée de ce que faisait un data scientist avant d'accepter ce poste.
J'ai été embauchée pour créer des pipelines de données grâce à mon précédent emploi en tant qu'ingénieur en traitement des données, où j'ai développé un entrepôt de données pour l'analyse prédictive, utilisé par une équipe de data scientists.
Ma première année en tant que data scientist a consisté à créer des pipelines de données pour entraîner des modèles d'apprentissage automatique et les déployer en production. Je suis restée dans l'ombre et je n'ai pas beaucoup participé aux réunions avec les parties prenantes du marketing, qui étaient les utilisateurs finaux des modèles.
Au cours de ma deuxième année dans l'entreprise, le responsable du traitement et de l'analyse des données, qui était en charge du marketing, est parti. Depuis, je suis devenue le principal intervenant et j'ai participé plus activement au développement des modèles et à la discussion des délais de mise en œuvre des projets.
En discutant avec les parties prenantes, j'ai réalisé que la Data Science est un concept flou que les gens connaissent, mais qu'ils ne comprennent pas tout à fait, surtout en ce qui concerne la direction.
J'ai construit plus d'une centaine de modèles, mais seulement un tiers d'entre eux ont été utilisés, car je ne savais pas comment montrer leur valeur, malgré le fait que ces modèles aient été initialement demandés par le marketing.
Un membre de mon équipe a passé des mois à développer un modèle qui, selon la direction supérieure, démontrerait la valeur de l'équipe de data scientists. L'idée était de déployer ce modèle dans toute l'organisation après son développement et d'encourager les équipes marketing à l'appliquer.
Cela s'est soldé par un échec complet, car personne ne comprenait ce qu'était un modèle d'apprentissage automatique et ne pouvait saisir la valeur de son application. Au final, des mois ont été gaspillés pour quelque chose que personne ne voulait.
J'ai tiré certaines leçons de ces situations que je vais énumérer ci-dessous.
Leçons que j'ai apprises pour devenir un data scientist réussi.
1. Préparez-vous à réussir en choisissant la bonne entreprise.
Lors d'un entretien dans une entreprise, demandez des informations sur la culture des données et combien de modèles d'apprentissage automatique sont acceptés et utilisés dans la prise de décision. Demandez des exemples. Découvrez si l'infrastructure de données est prête à commencer le modélisation. Si vous passez 90 % de votre temps à extraire et nettoyer des données brutes, il ne vous restera presque plus de temps pour construire des modèles afin de démontrer votre valeur en tant que data scientist. Soyez prudent si vous êtes engagé en tant que data scientist pour la première fois. Cela peut être à la fois positif et négatif, selon la culture des données. Vous pourriez rencontrer une forte résistance à l'implémentation du modèle si la direction embauche un spécialiste en Data Science simplement parce que l'entreprise veut être connue comme utilisant la Data Science pour prendre de meilleures décisions, mais n'a aucune idée de ce que cela signifie réellement. De plus, si vous trouvez une entreprise qui est guidée par les données, vous aurez l'opportunité de grandir avec elle.
2. Connaître les données et les indicateurs clés de performance (KPI).
Au début, j'ai mentionné qu'en tant qu'ingénieur en traitement des données, j'avais créé une vitrine d'analytique pour l'équipe de data scientists. Devenue data scientist, j'ai pu identifier de nouvelles opportunités qui ont amélioré la précision des modèles, car j'ai travaillé intensivement avec des données brutes dans mon précédent poste.
En présentant les résultats d'une de nos campagnes, j'ai pu montrer des modèles générant des taux de conversion plus élevés (en pourcentage), après quoi l'une des campagnes KPI a été mesurée. Cela a démontré la valeur du modèle pour l'efficacité commerciale à laquelle le marketing peut être lié.
3. Assurez l'acceptation du modèle en montrant sa valeur aux parties prenantes.
Vous n'aurez jamais de succès en tant que spécialiste en Data Science si les parties prenantes n'appliquent jamais vos modèles pour prendre des décisions commerciales. Un moyen d'assurer l'acceptation du modèle est de trouver un point de douleur dans l'entreprise et de montrer comment le modèle peut aider.
Après avoir discuté avec notre département des ventes, j'ai compris que deux représentants travaillent à plein temps, examinant manuellement des millions d'utilisateurs dans la base de données de l'entreprise pour identifier les utilisateurs avec des licences individuelles susceptibles de passer à des licences d'équipe. Un ensemble de critères a été utilisé pour la sélection, mais cela prenait beaucoup de temps car les représentants examinaient un utilisateur à la fois. Avec le modèle que j'ai développé, les représentants pouvaient choisir les utilisateurs avec la plus élevée probabilité d'achat d'une licence d'équipe, augmentant ainsi la probabilité de conversion en moins de temps. Cela a conduit à une utilisation plus efficace du temps grâce à une augmentation du taux de conversion pour les indicateurs clés de performance auxquels le département des ventes peut être lié.
Après plusieurs années, j'ai réagi en développant sans cesse les mêmes modèles et j'avais l'impression de ne plus apprendre quoi que ce soit de nouveau. J'ai décidé de chercher un autre poste et j'ai finalement obtenu un poste d'analyste de données. La différence de responsabilités ne pouvait pas être plus marquée par rapport à l'époque où j'étais data scientist, même si je soutenais à nouveau le marketing.
C'était la première fois que j'analysais des expériences A/B et je découvrais tout les façons dont une expérience peut mal se dérouler. En tant que data scientist, je n'ai pas vraiment travaillé sur les tests A/B, car cela était réservé à l'équipe des expérimentateurs. J'ai travaillé sur un large éventail d'études analytiques influencées par le marketing — allant de l'augmentation du taux de conversion premium à l'engagement des utilisateurs et à la prévention du taux de désabonnement. J'ai appris de nombreuses façons d'analyser les données et j'ai passé beaucoup de temps à compiler les résultats, à les présenter aux parties prenantes et à la direction. En tant que data scientist, j'ai principalement travaillé sur un type de modèle et j'ai rarement donné des présentations. Avançons de quelques années et parlons des compétences que j'ai apprises pour réussir en tant qu'analyste.
Les compétences que j'ai apprises pour devenir un analyste de données performant
1. Apprenez à raconter des histoires avec des données
Ne regardez pas les KPI isolément. Reliez-les, regardez l'entreprise dans son ensemble. Cela permet d'identifier les domaines interconnectés. La direction examine l'entreprise à travers une lentille, et une personne démontrant cette compétence est remarquée au moment de prendre des décisions sur les promotions.
2. Fournissez des idées exploitables
Offrez à l'entreprise une idée exploitable pour résoudre un problème. Encore mieux si vous proposez proactivement une solution avant qu'on ait signalé que vous êtes confronté à un problème prioritaire.
Par exemple, si vous disiez au marketing : « J'ai remarqué qu'il y a une baisse du nombre de visiteurs sur le site web récemment ». C'est une tendance qu'ils auraient pu remarquer sur le tableau de bord et vous n'avez proposé aucune solution précieuse en tant qu'analyste, car vous vous êtes contenté de signaler l'observation.
Au lieu de cela, analysez les données pour trouver la cause et proposez une solution. Le meilleur exemple pour le marketing serait : « J'ai remarqué qu'il y a une baisse du nombre de visiteurs sur notre site web récemment. J'ai découvert que la source du problème était la recherche organique, en raison des changements récents qui ont entraîné une baisse de notre classement dans les recherches Google ». Cette approche montre que vous suivez les KPI de l'entreprise, que vous avez remarqué un changement, que vous avez enquêté sur la cause et que vous avez proposé une solution au problème.
3. Devenez un conseiller de confiance
Devenez la première personne vers laquelle vos parties prenantes se tournent pour des recommandations ou des questions concernant votre domaine d'activité. Il n'y a pas de raccourci, car il faut du temps pour démontrer ces compétences. La clé réside dans la fourniture cohérente d'analyses de haute qualité avec un minimum d'erreurs. Chaque erreur dans les calculs vous coûtera des points de crédibilité, car la prochaine fois que vous fournirez une analyse, les gens pourraient se demander : Si vous vous êtes trompé la dernière fois, pouvez-vous vous tromper cette fois aussi ?. Vérifiez toujours votre travail deux fois. Il peut également être utile de demander à votre manager ou à un collègue de jeter un œil à vos chiffres avant de les soumettre, si vous avez des doutes sur votre analyse.
4. Apprenez à communiquer clairement des résultats complexes
Encore une fois, il n'y a pas de raccourci pour apprendre une communication efficace. Cela nécessite de la pratique, et avec le temps, vous vous améliorerez dans ce domaine. L'essentiel est de déterminer les points clés de ce que vous souhaitez faire et de recommander toute action que, suite à votre analyse, les parties prenantes peuvent entreprendre pour améliorer l'entreprise. Plus vous êtes haut dans la hiérarchie d'une organisation, plus il est crucial de bien communiquer. Transmettre des résultats complexes est une compétence importante à démontrer. J'ai passé des années à étudier les secrets du succès en tant que data scientist et analyste de données. Les gens définissent le succès de différentes manières. Recevoir la caractérisation d'analyste « étonnant » et « étoile » constitue le succès à mes yeux. Maintenant que vous connaissez ces secrets, j'espère que votre chemin vous mènera plus rapidement au succès, peu importe comment vous le définissez.
Et pour que votre chemin vers le succès soit encore plus rapide, gardez le code promotionnel HABR, qui vous permet de bénéficier d'une réduction supplémentaire de 10 % sur celle indiquée sur la bannière.
Autres cours
Articles recommandés
Source : habr.com
