Il existe de nombreux articles sur les compétences nécessaires pour être un bon data scientist ou analyste de données, mais peu d'articles parlent des compétences nécessaires pour réussir, qu'il s'agisse d'une évaluation de performance exceptionnelle, d'éloges de la direction, d'une promotion ou de tout ce qui précède. Aujourd'hui, nous vous présentons un matériel dont l'auteur aimerait 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 le poste de data scientist alors que je n’avais aucune expérience en Data Science. La façon dont j'ai géré la tâche est une autre histoire, et je tiens à dire que je n'avais qu'une vague idée de ce que fait un data scientist avant d'accepter ce poste.
J'ai été embauché pour travailler sur des pipelines de données en raison de mon précédent emploi d'ingénieur de données, où j'ai développé un data mart pour l'analyse prédictive utilisé par un groupe de data scientists.
Ma première année en tant que data scientist consistait à créer des pipelines de données pour former des modèles d'apprentissage automatique et les mettre en production. J'ai fait profil bas et n'ai pas participé à de nombreuses réunions avec les acteurs marketing qui étaient les utilisateurs finaux des modèles.
Au cours de la deuxième année de mon travail dans l'entreprise, le responsable du traitement et de l'analyse des données responsable du marketing a quitté l'entreprise. Dès lors, je suis devenu l’acteur principal et j’ai participé plus activement à l’élaboration des modèles et à la discussion des délais des projets.
En interagissant avec les parties prenantes, j'ai réalisé que la science des données est un concept vague dont les gens ont entendu parler mais ne comprennent pas très bien, en particulier au niveau de la haute direction.
J'ai construit plus d'une centaine de modèles, mais seulement un tiers d'entre eux ont été utilisés parce que je ne savais pas comment montrer leur valeur, même si les modèles étaient avant tout demandés par le marketing.
L'un des membres de mon équipe a passé des mois à développer un modèle qui, selon la haute direction, démontrerait la valeur d'une équipe de science des données. L’idée était de diffuser le modèle dans toute l’organisation une fois développé et d’inciter les équipes marketing à l’adopter.
Cela s’est avéré être un échec complet, car personne ne comprenait ce qu’était un modèle d’apprentissage automatique ni ne pouvait comprendre l’intérêt de son utilisation. En conséquence, des mois ont été perdus sur quelque chose dont personne ne voulait.
De telles situations, j’ai tiré certaines leçons que je donnerai ci-dessous.
Leçons que j'ai apprises pour devenir un data scientist à succès
1. Préparez-vous au succès en choisissant la bonne entreprise.
Lors d'un entretien dans une entreprise, renseignez-vous sur la culture des données et sur le nombre de modèles d'apprentissage automatique adoptés et utilisés dans la prise de décision. Demandez des exemples. Découvrez si votre infrastructure de données est configurée pour démarrer la modélisation. Si vous passez 90 % de votre temps à essayer d'extraire des données brutes et de les nettoyer, il vous restera peu ou pas de temps pour créer des modèles démontrant votre valeur en tant que data scientist. Soyez prudent si vous êtes embauché pour la première fois en tant que data scientist. Cela peut être une bonne ou une mauvaise chose, selon la culture des données. Vous pourriez rencontrer plus de résistance à la mise en œuvre du modèle si la haute direction embauche un Data Scientist simplement parce que l'entreprise veut être connue comme utiliser la science des données pour prendre de meilleures décisions, mais je n'ai aucune idée de ce que cela signifie réellement. De plus, si vous trouvez une entreprise axée sur les données, vous évoluerez avec elle.
2. Connaître les données et les indicateurs clés de performance (KPI).
Au début, j'ai mentionné qu'en tant qu'ingénieur de données, j'avais créé un data mart analytique pour une équipe de data scientists. Devenu moi-même data scientist, j'ai pu trouver de nouvelles opportunités augmentant la précision des modèles car je travaillais intensivement avec des données brutes dans mon rôle précédent.
En présentant les résultats d'une de nos campagnes, j'ai pu montrer les modèles générant des taux de conversion plus élevés (en pourcentage) puis mesurer un des KPI de la campagne. Cela a démontré la valeur du modèle de performance commerciale auquel le marketing peut être lié.
3. Assurer l’adoption du modèle en démontrant sa valeur aux parties prenantes
Vous ne réussirez jamais en tant que data scientist si vos parties prenantes n'utilisent jamais vos modèles pour prendre des décisions commerciales. Une façon de garantir l’adoption du modèle consiste à identifier un problème commercial et à montrer comment le modèle peut aider.
Après avoir parlé avec notre équipe commerciale, j'ai réalisé que deux représentants travaillaient à plein temps pour passer au peigne fin manuellement les millions d'utilisateurs de la base de données de l'entreprise afin d'identifier les utilisateurs disposant de licences uniques qui étaient plus susceptibles de passer aux licences d'équipe. La sélection a utilisé un ensemble de critères, mais elle a pris beaucoup de temps car les représentants n'ont examiné qu'un utilisateur à la fois. Grâce au modèle que j'ai développé, les commerciaux ont pu cibler les utilisateurs les plus susceptibles d'acheter une licence d'équipe et augmenter les chances de conversion en moins de temps. Cela a abouti à une utilisation plus efficace du temps en augmentant les taux de conversion pour les indicateurs de performance clés auxquels l'équipe commerciale peut s'identifier.
Plusieurs années ont passé et j'ai développé encore et encore les mêmes modèles et j'avais l'impression de ne plus rien apprendre de nouveau. J'ai décidé de chercher un autre poste et j'ai fini par obtenir un poste d'analyste de données. La différence de responsabilités n'aurait pas pu être plus importante que lorsque j'étais data scientist, même si j'étais de nouveau en charge du marketing.
C'était la première fois que j'analysais des expériences A/B et que je trouvais tous façons dont une expérience peut mal tourner. En tant que data scientist, je n'ai pas du tout travaillé sur les tests A/B car c'était réservé à l'équipe expérimentale. J'ai travaillé sur un large éventail d'analyses à impact marketing - de l'augmentation des taux de conversion premium à l'engagement des utilisateurs et à la prévention du désabonnement. J'ai appris de nombreuses façons différentes d'examiner les données et j'ai passé beaucoup de temps à compiler les résultats et à les présenter aux parties prenantes et à la haute direction. En tant que data scientist, j'ai principalement travaillé sur un type de modèle et j'ai rarement donné des conférences. Quelques années plus tard, j'ai acquis les compétences que j'ai acquises pour devenir un analyste à succès.
Compétences que j'ai acquises pour devenir un analyste de données performant
1. Apprenez à raconter des histoires avec des données
Ne regardez pas les KPI de manière isolée. Connectez-les, regardez l'entreprise dans son ensemble. Cela vous permettra d’identifier les domaines qui s’influencent mutuellement. La haute direction voit l'entreprise sous un angle différent, et une personne qui démontre cette compétence est remarquée lorsque vient le temps de prendre des décisions de promotion.
2. Proposez des idées concrètes.
Fournir des affaires idée efficace résoudre le problème. C'est encore mieux si vous proposez une solution de manière proactive alors qu'il n'a pas encore été dit que vous résolvez le problème sous-jacent.
Par exemple, si vous dites au marketing : "J'ai remarqué que récemment, le nombre de visiteurs du site diminuait chaque mois.". C'est une tendance qu'ils ont peut-être remarquée sur le tableau de bord et vous n'avez proposé aucune solution intéressante en tant qu'analyste car vous n'avez fait qu'énoncer l'observation.
Examinez plutôt les données pour trouver la cause et proposer une solution. Un meilleur exemple pour le marketing serait : « J'ai remarqué que nous avons constaté une diminution du nombre de visiteurs sur notre site Web ces derniers temps. J'ai découvert que la source du problème était la recherche organique, en raison de changements récents qui ont entraîné une baisse de notre classement dans les recherches Google.". Cette approche montre que vous avez suivi les KPI de l'entreprise, remarqué le changement, étudié la cause et proposé une solution au problème.
3. Devenez un conseiller de confiance
Vous devez être la première personne vers laquelle vos parties prenantes se tournent pour obtenir des conseils ou des questions sur l’entreprise que vous soutenez. Il n’y a pas de raccourci car il faut du temps pour démontrer ces capacités. La clé pour y parvenir est de fournir systématiquement une analyse de haute qualité avec un minimum d’erreurs. Toute erreur de calcul vous coûtera des points de crédibilité, car la prochaine fois que vous fournirez une analyse, les gens pourraient se demander : Si vous aviez tort la dernière fois, peut-être que vous vous trompez cette fois aussi ?. Vérifiez toujours votre travail. Cela ne fait pas de mal non plus de demander à votre responsable ou collègue d'examiner vos chiffres avant de les présenter si vous avez des doutes sur votre analyse.
4. Apprenez à communiquer clairement des résultats complexes.
Encore une fois, il n’existe pas de raccourci pour apprendre à communiquer efficacement. Cela demande de la pratique et avec le temps, vous vous améliorerez. La clé est d’identifier les principaux points de ce que vous souhaitez faire et de recommander les actions que, à la suite de votre analyse, les parties prenantes peuvent entreprendre pour améliorer l’entreprise. Plus vous occupez un poste élevé dans une organisation, plus vos compétences en communication sont importantes. Communiquer des résultats complexes est une compétence importante à démontrer. J'ai passé des années à apprendre les secrets du succès en tant que data scientist et data analyst. Les gens définissent le succès différemment. Être décrit comme un analyste « incroyable » et « stellaire » est à mes yeux une réussite. Maintenant que vous connaissez ces secrets, j’espère que votre chemin vous mènera rapidement au succès, quelle que soit la façon dont vous le définissez.
Et pour rendre votre chemin vers le succès encore plus rapide, conservez le code promo CHARME, grâce auquel vous pouvez obtenir 10% supplémentaires à la réduction indiquée sur la bannière.
Plus de cours
Articles recommandés
Source: habr.com