D'r binne in protte artikels oer de feardigens dy't nedich binne om in goede gegevenswittenskipper of gegevensanalist te wêzen, mar in pear artikels prate oer de feardigens dy't nedich binne om te slagjen - of it no in útsûnderlike prestaasjesbeoardieling is, lof fan management, in promoasje, of al it boppesteande. Hjoed presintearje wy jo in materiaal wêrfan de auteur har persoanlike ûnderfining as gegevenswittenskipper en gegevensanalist diele wol, lykas wat se leard hat om sukses te berikken.
Ik hie gelok: ik waard de posysje fan gegevenswittenskipper oanbean doe't ik gjin ûnderfining hie yn Data Science. Hoe't ik de taak ôfhannele is in oar ferhaal, en ik wol sizze dat ik allinich in vague idee hie fan wat in gegevenswittenskipper docht foardat ik de baan naam.
Ik waard ynhierd om te wurkjen oan datapipelines fanwegen myn eardere baan as data-yngenieur, wêr't ik in datamart ûntwikkele foar foarsizzende analytyk brûkt troch in groep datawittenskippers.
Myn earste jier as gegevenswittenskipper belutsen by it meitsjen fan gegevenspipes om masine-learmodellen te trainen en yn produksje te setten. Ik hold in leech profyl en die net mei oan in protte gearkomsten mei de marketingstakeholders dy't de ein brûkers fan 'e modellen wiene.
Yn it twadde jier fan myn wurk by it bedriuw ferliet de gegevensferwurkings- en analysemanager ferantwurdlik foar marketing. Fan doe ôf waard ik de haadspiler en naam ik in mear aktive diel oan it ûntwikkeljen fan modellen en it besprekken fan projektdeadlines.
As ik ynteraksje mei belanghawwenden, realisearre ik dat Data Science in vague konsept is dat minsken oer heard hawwe, mar net hielendal begripe, foaral op senior managementnivo.
Ik boude mear as hûndert modellen, mar mar in tredde dêrfan waard brûkt om't ik net wist hoe't se har wearde sjen litte moast, ek al waarden de modellen foaral troch marketing oanfrege.
Ien fan myn teamleden hat moannen bestege oan it ûntwikkeljen fan in model dat senior management fielde de wearde fan in datawittenskipteam te demonstrearjen. It idee wie om it model troch de organisaasje te fersprieden as it ienris ûntwikkele wie en marketingteams oanmoedigje om it oan te nimmen.
It die bliken in folsleine mislearring te wêzen, om't gjinien begriep wat in masine-learmodel wie of de wearde fan it brûken dêrfan koe begripe. Dêrtroch waarden moannen fergriemd oan eat dat gjinien woe.
Fan sokke situaasjes haw ik guon lessen leard, dy't ik hjirûnder jaan sil.
Lessen dy't ik learde om in suksesfolle gegevenswittenskipper te wurden
1. Stel josels op foar sukses troch it rjocht bedriuw te kiezen.
As jo ynterviewje by in bedriuw, freegje dan nei de gegevenskultuer en hoefolle masinelearmodellen wurde oannommen en brûkt yn beslútfoarming. Freegje om foarbylden. Fyn út as jo gegevensynfrastruktuer is ynsteld om te begjinnen mei modellering. As jo 90% fan jo tiid besteegje oan it besykjen om rauwe gegevens te lûken en it skjin te meitsjen, sille jo net folle oant gjin tiid hawwe om modellen te bouwen om jo wearde as gegevenswittenskipper te demonstrearjen. Wês foarsichtich as jo foar it earst as datawittenskipper ynhierd wurde. Dit kin in goede of in minne ding wêze, ôfhinklik fan 'e gegevenskultuer. Jo kinne mear wjerstân tsjinkomme tsjin it ymplementearjen fan it model as senior management in Data Scientist ynhiert krekt om't it bedriuw bekend wurde wol as mei help fan Data Science om bettere besluten te nimmen, mar hat gjin idee wat it eins betsjut. Plus, as jo in bedriuw fine dat wurdt oandreaun troch gegevens, sille jo dermei groeie.
2. Kennis de gegevens en kaai prestaasjes yndikatoaren (KPIs).
Oan it begjin neamde ik dat ik as data-yngenieur in analytyske datamart makke foar in team fan datawittenskippers. Nei't ik sels in gegevenswittenskipper wurden wie, koe ik nije kânsen fine dy't de krektens fan modellen fergrutte, om't ik yn myn eardere rol yntinsyf wurke mei rauwe gegevens.
Troch de resultaten fan ien fan ús kampanjes te presintearjen, koe ik de modellen sjen litte dy't hegere konverzjeraten generearje (as persintaazje) en dan ien fan 'e kampanje KPI's mjitten. Dit demonstrearre de wearde fan it model foar bedriuwsprestaasjes wêrmei marketing kin wurde keppele.
3. Fersekerje oannimmen fan it model troch syn wearde oan te toanen foar belanghawwenden
Jo sille nea slagje as in gegevenswittenskipper as jo belanghawwenden jo modellen nea brûke om saaklike besluten te nimmen. Ien manier om it oannimmen fan model te garandearjen is om in saaklik pinepunt te finen en sjen te litten hoe't it model kin helpe.
Nei't ik mei ús ferkeapteam praat hie, realisearre ik dat twa fertsjintwurdigers foltiids wurken oan it manueel kammen troch de miljoenen brûkers yn 'e database fan it bedriuw om brûkers te identifisearjen mei inkele lisinsjes dy't wierskynliker wiene om te upgrade nei teamlisinsjes. De seleksje brûkt in set fan kritearia, mar de seleksje duorre lang om't de fertsjintwurdigers seagen nei ien brûker tagelyk. Mei it brûken fan it model dat ik ûntwikkele, koene reps brûkers rjochtsje op it meast wierskynlik in teamlisinsje te keapjen en de kâns op konverzje yn minder tiid te fergrutsjen. Dit hat resultearre yn effisjinter gebrûk fan tiid troch tanimmende konverzje tariven foar wichtige prestaasjes yndikatoaren wêrmei it ferkeapteam kin relatearje.
Ferskate jierren ferrûn en ik ûntwikkele deselde modellen hieltyd wer en fielde dat ik net mear wat nijs learde. Ik besleat om in oare posysje te sykjen en kaam úteinlik in posysje as data-analist. It ferskil yn ferantwurdlikheden koe net wichtiger west hawwe yn ferliking mei doe't ik in gegevenswittenskipper wie, ek al wie ik werom foar marketing.
Dit wie de earste kear dat ik analysearre A / B eksperiminten en fûn allegear manieren wêrop in eksperimint ferkeard gean kin. As datawittenskipper wurke ik hielendal net oan A/B-testen, om't it reservearre wie foar it eksperimintele team. Ik haw wurke oan in breed oanbod fan marketing-ynfloed analytics - fan tanimmende premium konverzje tariven oant brûkersbetrokkenheid en churn previnsje. Ik learde in protte ferskillende manieren om te sjen nei gegevens en bestege in protte tiid oan it gearstallen fan de resultaten en presintearje se oan belanghawwenden en senior management. As datawittenskipper wurke ik meast oan ien type model en joech komselden petearen. Snel foarút in pear jier nei de feardichheden dy't ik learde om in suksesfolle analist te wêzen.
Feardigens dy't ik learde om in suksesfolle gegevensanalist te wurden
1. Learje ferhalen te fertellen mei gegevens
Sjoch KPI's net yn isolaasje. Ferbine se, sjoch nei it bedriuw as gehiel. Hjirmei kinne jo gebieten identifisearje dy't elkoar beynfloedzje. Senior management besjocht it bedriuw troch in lins, en in persoan dy't dizze feardigens toant wurdt opmurken as it tiid komt om promoasjebesluten te nimmen.
2. Soargje foar aksjebere ideeën.
Biede saken effektyf idee om it probleem op te lossen. It is noch better as jo proaktyf in oplossing biede as der noch net sein is dat jo mei it ûnderlizzende probleem te krijen hawwe.
As jo bygelyks marketing ferteld hawwe: "Ik fernaam dat koartlyn it oantal sidebesikers elke moanne ôfnommen is.". Dit is in trend dy't se miskien hawwe opmurken op it dashboard en jo hawwe gjin weardefolle oplossing oanbean as analist, om't jo allinich de observaasje hawwe oanjûn.
Undersykje ynstee de gegevens om de oarsaak te finen en in oplossing foar te stellen. In better foarbyld foar marketing soe wêze: “Ik ha opfallen dat wy de lêste tiid in ôfname hân hawwe yn it tal besikers op ús webside. Ik ûntduts dat de boarne fan it probleem organysk sykjen is, fanwege resinte feroarings dy't ús Google-sykranglist hawwe laat sakje.". Dizze oanpak lit sjen dat jo de KPI's fan it bedriuw hawwe folge, de feroaring opmurken, de oarsaak ûndersocht en in oplossing foar it probleem foarstelde.
3. Wês in fertroude adviseur
Jo moatte de earste persoan wêze wêr't jo belanghawwenden nei wende foar advys of fragen oer it bedriuw dat jo stypje. D'r is gjin fluchtoets, om't it tiid nimt om dizze kapasiteiten te demonstrearjen. De kaai foar dit is konsekwint leverjen fan hege kwaliteit analyse mei minimale flaters. Elke misrekkening sil jo leauwensweardigenspunten kostje, om't de folgjende kear as jo in analyse leverje, minsken har miskien ôffreegje: As jo de lêste kear ferkeard wiene, binne jo miskien dizze kear ek ferkeard?. Kontrolearje altyd jo wurk dûbel. It kin ek gjin sear om jo manager of kollega te freegjen om jo nûmers te besjen foardat jo se presintearje as jo twifels hawwe oer jo analyse.
4. Learje om komplekse resultaten dúdlik te kommunisearjen.
Nochris is d'r gjin fluchtoets om te learen hoe effektyf te kommunisearjen. Dit freget oefening en mei de tiid wurde jo der better yn. De kaai is om de haadpunten te identifisearjen fan wat jo wolle dwaan en alle aksjes oan te rieden dy't, as gefolch fan jo analyse, belanghawwenden kinne nimme om it bedriuw te ferbetterjen. Hoe heger jo yn in organisaasje binne, hoe wichtiger jo kommunikaasjefeardigens binne. It kommunisearjen fan komplekse resultaten is in wichtige feardigens om te demonstrearjen. Ik haw jierren trochbrocht mei it learen fan de geheimen fan sukses as gegevenswittenskipper en gegevensanalist. Minsken definiearje sukses oars. Om te beskriuwen as in "geweldich" en "stellêre" analist is sukses yn myn eagen. No't jo dizze geheimen kenne, hoopje ik dat jo paad jo fluch sil liede ta sukses, lykas jo it definiearje.
En om jo paad nei sukses noch rapper te meitsjen, hâld de promo-koade HABR, wêrmei jo in ekstra 10% krije kinne op 'e koarting oanjûn op' e banner.
Mear kursussen
Featured Articles
Boarne: www.habr.com