Hai moitos artigos sobre as habilidades necesarias para ser un bo científico de datos ou analista de datos, pero poucos artigos falan das habilidades necesarias para ter éxito, xa sexa unha revisión de rendemento excepcional, eloxios da dirección, unha promoción ou todo o anterior. Hoxe presentámosvos un material cuxa autora quere compartir a súa experiencia persoal como científica de datos e analista de datos, así como o que aprendeu para acadar o éxito.
Tiven sorte: ofrecéronme o posto de científico de datos cando non tiña experiencia en Data Science. Como manexen a tarefa é unha historia diferente, e quero dicir que só tiña unha vaga idea do que fai un científico de datos antes de asumir o traballo.
Contratáronme para traballar en canalizacións de datos debido ao meu traballo anterior como enxeñeiro de datos, onde desenvolvín un data mart para a análise preditiva utilizada por un grupo de científicos de datos.
O meu primeiro ano como científico de datos implicou a creación de canalizacións de datos para adestrar modelos de aprendizaxe automática e poñelos en produción. Mantín un perfil baixo e non participei en moitas reunións cos axentes de marketing que eran os usuarios finais dos modelos.
No segundo ano do meu traballo na empresa marchou o responsable de tratamento e análise de datos responsable de mercadotecnia. A partir de entón, convertínme no protagonista e participei máis activamente no desenvolvemento de modelos e na discusión dos prazos dos proxectos.
Mentres interactuaba coas partes interesadas, decateime de que Data Science é un concepto vago do que a xente escoitou falar pero que non entende moi ben, especialmente nos niveis de alta dirección.
Construín máis de cen modelos, pero só un terzo deles foron utilizados porque non sabía como mostrar o seu valor, aínda que os modelos foron solicitados principalmente polo marketing.
Un dos membros do meu equipo pasou meses desenvolvendo un modelo que a alta dirección consideraba que demostraría o valor dun equipo de ciencia de datos. A idea era difundir o modelo por toda a organización unha vez desenvolvido e animar aos equipos de marketing a adoptalo.
Resultou un completo fracaso porque ninguén entendía o que era un modelo de aprendizaxe automática nin podía entender o valor de usalo. Como resultado, perdéronse meses en algo que ninguén quería.
De tales situacións aprendín certas leccións, que vou dar a continuación.
Leccións que aprendín para converterse nun científico de datos exitoso
1. Prepárate para o éxito escollendo a empresa correcta.
Ao entrevistar nunha empresa, pregunta sobre a cultura dos datos e cantos modelos de aprendizaxe automática se adoptan e utilizan na toma de decisións. Pregunta por exemplos. Descubra se a súa infraestrutura de datos está configurada para comezar a modelar. Se pasas o 90 % do teu tempo intentando extraer datos en bruto e limpalos, terás pouco ou nada de tempo para construír ningún modelo que demostre o teu valor como científico de datos. Ten coidado se te contratan como científico de datos por primeira vez. Isto pode ser bo ou malo, dependendo da cultura dos datos. Podes atopar máis resistencia á implementación do modelo se a alta dirección contrata un Data Scientist só porque a empresa quere ser coñecida como usando Data Science para tomar mellores decisións, pero non ten idea do que realmente significa. Ademais, se atopas unha empresa que se basea en datos, creceras con ela.
2. Coñecer os datos e os indicadores clave de rendemento (KPI).
Ao principio, mencionei que, como enxeñeiro de datos, creei un data mart analítico para un equipo de científicos de datos. Como me convertín nun científico de datos, puiden atopar novas oportunidades que aumentaron a precisión dos modelos porque traballei intensamente con datos brutos na miña función anterior.
Ao presentar os resultados dunha das nosas campañas, puiden mostrar os modelos que xeran taxas de conversión máis altas (como porcentaxe) e despois medir un dos KPI da campaña. Isto demostrou o valor do modelo de rendemento empresarial ao que se pode vincular o marketing.
3. Garantir a adopción do modelo demostrando o seu valor aos grupos de interese
Nunca terás éxito como científico de datos se as túas partes interesadas nunca usan os teus modelos para tomar decisións comerciais. Unha forma de garantir a adopción do modelo é atopar un punto de dor empresarial e mostrar como pode axudar o modelo.
Despois de falar co noso equipo de vendas, decateime de que dous representantes estaban traballando a tempo completo repasando manualmente os millóns de usuarios da base de datos da empresa para identificar os usuarios con licenzas únicas que tiñan máis probabilidades de actualizar a licenzas de equipo. A selección utilizou un conxunto de criterios, pero a selección levou moito tempo porque os representantes miraban a un usuario á vez. Usando o modelo que desenvolvín, os representantes puideron orientarse aos usuarios máis propensos a comprar unha licenza de equipo e aumentar a probabilidade de conversión en menos tempo. Isto deu lugar a un uso máis eficiente do tempo ao aumentar as taxas de conversión dos indicadores clave de rendemento cos que se pode relacionar o equipo de vendas.
Pasaron varios anos e desenvolvín os mesmos modelos unha e outra vez e sentín que xa non estaba aprendendo nada novo. Decidín buscar outro posto e acabei conseguindo un posto de analista de datos. A diferenza de responsabilidades non puido ser máis significativa en comparación con cando era científico de datos, aínda que volvín apoiar o marketing.
Esta foi a primeira vez que analizei experimentos A/B e atopei todo formas en que un experimento pode saír mal. Como científico de datos, non traballei en probas A/B porque estaba reservado para o equipo experimental. Traballei nunha ampla gama de análises de mercadotecnia, desde o aumento das taxas de conversión premium ata a participación dos usuarios e a prevención de abandonos. Aprendín moitas formas diferentes de ver os datos e pasei moito tempo recompilando os resultados e presentándoos ás partes interesadas e á alta dirección. Como científico de datos, traballei principalmente nun tipo de modelo e poucas veces dei charlas. Avance uns anos ás habilidades que aprendín para ser un analista exitoso.
Habilidades que aprendín para converterse nun analista de datos exitoso
1. Aprende a contar historias con datos
Non mire os KPI de forma illada. Conéctaos, mira o negocio no seu conxunto. Isto permitirache identificar áreas que se inflúen mutuamente. A alta dirección ve o negocio a través dunha lente, e unha persoa que demostra esta habilidade nótase cando chega o momento de tomar decisións de promoción.
2. Proporcionar ideas accionables.
Proporcionar negocios idea eficaz para resolver o problema. Aínda é mellor se ofreces unha solución de forma proactiva cando aínda non se dixo que estás lidando co problema subxacente.
Por exemplo, se dixo marketing: "Notei que recentemente o número de visitantes do sitio foi diminuíndo cada mes".. Esta é unha tendencia que poden ter notado no panel e non ofreceches ningunha solución valiosa como analista porque só indicaches a observación.
En cambio, examina os datos para atopar a causa e propor unha solución. Un mellor exemplo de mercadotecnia sería: “Notei que tivemos unha diminución no número de visitantes da nosa web ultimamente. Descubrín que a fonte do problema é a busca orgánica, debido aos cambios recentes que provocaron a caída das nosas clasificacións de busca de Google".. Este enfoque mostra que seguiches os KPI da empresa, notaches o cambio, investigaches a causa e propuxo unha solución ao problema.
3. Convértete nun asesor de confianza
Debes ser a primeira persoa á que acuden as túas partes interesadas para obter consellos ou preguntas sobre a empresa á que apoias. Non hai atallo porque leva tempo demostrar estas habilidades. A clave para iso é ofrecer constantemente análises de alta calidade con erros mínimos. Calquera erro de cálculo custarache puntos de credibilidade porque a próxima vez que proporciones unha análise, a xente pode preguntarse: Se te equivocaches a última vez, quizais tamén te equivoques esta vez?. Comprobe sempre o seu traballo. Tampouco está de máis pedirlle ao teu xestor ou compañeiro que vexa os teus números antes de presentalos se tes algunha dúbida sobre a túa análise.
4. Aprende a comunicar resultados complexos con claridade.
De novo, non hai atallo para aprender a comunicarse de forma eficaz. Isto leva práctica e co paso do tempo mellorarás. A clave é identificar os puntos principais do que queres facer e recomendar as accións que, como resultado da túa análise, poidan levar a cabo as partes interesadas para mellorar o negocio. Canto máis arriba estea nunha organización, máis importantes serán as súas habilidades de comunicación. Comunicar resultados complexos é unha habilidade importante para demostrar. Pasei anos aprendendo os segredos do éxito como científico de datos e analista de datos. As persoas definen o éxito de forma diferente. Ser descrito como un analista "sorprendente" e "estelar" é un éxito aos meus ollos. Agora que coñeces estes segredos, espero que o teu camiño te leve axiña ao éxito, independentemente do que o definas.
E para que o teu camiño cara ao éxito sexa aínda máis rápido, mantén o código promocional HABR, polo que poderás obter un 10% adicional ao desconto indicado no banner.
Máis cursos
Artigos destacados
Fonte: www.habr.com