કેવી રીતે સફળ ડેટા સાયન્ટિસ્ટ અને ડેટા એનાલિસ્ટ બનવું

સારા ડેટા સાયન્ટિસ્ટ અથવા ડેટા વિશ્લેષક બનવા માટે જરૂરી કૌશલ્યો વિશે ઘણા લેખો છે, પરંતુ થોડા લેખો સફળ થવા માટે જરૂરી કૌશલ્યો વિશે વાત કરે છે - પછી તે અસાધારણ પ્રદર્શન સમીક્ષા, મેનેજમેન્ટ તરફથી પ્રશંસા, પ્રમોશન અથવા ઉપરોક્ત તમામ હોય. આજે અમે તમને એક એવી સામગ્રી રજૂ કરીએ છીએ જેના લેખક ડેટા સાયન્ટિસ્ટ અને ડેટા વિશ્લેષક તરીકેના પોતાના અંગત અનુભવ તેમજ સફળતા હાંસલ કરવા માટે તેણીએ શું શીખ્યા છે તે શેર કરવા માંગે છે.

હું ભાગ્યશાળી હતો: જ્યારે મને ડેટા સાયન્સમાં કોઈ અનુભવ ન હતો ત્યારે મને ડેટા સાયન્ટિસ્ટના પદની ઓફર કરવામાં આવી હતી. મેં કાર્યને કેવી રીતે હેન્ડલ કર્યું તે એક અલગ વાર્તા છે, અને હું કહેવા માંગુ છું કે મેં નોકરી લીધી તે પહેલાં ડેટા સાયન્ટિસ્ટ શું કરે છે તેનો મને માત્ર અસ્પષ્ટ ખ્યાલ હતો.

ડેટા એન્જિનિયર તરીકેની મારી અગાઉની નોકરીને કારણે મને ડેટા પાઇપલાઇન્સ પર કામ કરવા માટે રાખવામાં આવ્યો હતો, જ્યાં મેં ડેટા વૈજ્ઞાનિકોના જૂથ દ્વારા ઉપયોગમાં લેવાતા અનુમાનિત વિશ્લેષણો માટે ડેટા માર્ટ વિકસાવ્યો હતો.

ડેટા સાયન્ટિસ્ટ તરીકેનું મારું પ્રથમ વર્ષ મશીન લર્નિંગ મોડલ્સને તાલીમ આપવા અને ઉત્પાદનમાં મૂકવા માટે ડેટા પાઇપલાઇન્સ બનાવવાનો સમાવેશ કરે છે. મેં નીચી પ્રોફાઇલ રાખી હતી અને માર્કેટિંગ હિતધારકો સાથેની ઘણી મીટિંગોમાં ભાગ લીધો ન હતો જેઓ મોડલના અંતિમ વપરાશકારો હતા.

કંપનીમાં મારા કામના બીજા વર્ષમાં, માર્કેટિંગ માટે જવાબદાર ડેટા પ્રોસેસિંગ અને એનાલિસિસ મેનેજર બાકી છે. ત્યારથી, હું મુખ્ય ખેલાડી બન્યો અને મોડેલો વિકસાવવામાં અને પ્રોજેક્ટની સમયમર્યાદાની ચર્ચા કરવામાં વધુ સક્રિય ભાગ લીધો.

જેમ જેમ મેં હિતધારકો સાથે વાર્તાલાપ કર્યો, મને સમજાયું કે ડેટા સાયન્સ એ એક અસ્પષ્ટ ખ્યાલ છે જેના વિશે લોકોએ સાંભળ્યું છે પરંતુ તે બરાબર સમજી શકતા નથી, ખાસ કરીને વરિષ્ઠ મેનેજમેન્ટ સ્તરે.

મેં સો કરતાં વધુ મૉડલ બનાવ્યાં છે, પરંતુ તેમાંથી માત્ર ત્રીજા ભાગનો જ ઉપયોગ થયો હતો કારણ કે હું જાણતો ન હતો કે તેમની કિંમત કેવી રીતે દર્શાવવી, જોકે મૉડલની પ્રાથમિક રીતે માર્કેટિંગ દ્વારા વિનંતી કરવામાં આવી હતી.

મારી ટીમના એક સભ્યએ એક મોડેલ વિકસાવવામાં મહિનાઓ ગાળ્યા જે વરિષ્ઠ મેનેજમેન્ટને લાગ્યું કે ડેટા સાયન્સ ટીમનું મૂલ્ય દર્શાવશે. એક વખત મોડલ વિકસિત થઈ જાય પછી તેને સમગ્ર સંસ્થામાં ફેલાવવાનો અને માર્કેટિંગ ટીમોને તેને અપનાવવા પ્રોત્સાહિત કરવાનો વિચાર હતો.

તે સંપૂર્ણ નિષ્ફળ સાબિત થયું કારણ કે મશીન લર્નિંગ મોડલ શું છે તે કોઈ સમજી શક્યું નથી અથવા તેનો ઉપયોગ કરવાનું મૂલ્ય સમજી શક્યું નથી. પરિણામે, મહિનાઓ એવી વસ્તુમાં વેડફાઈ ગયા જે કોઈને જોઈતું ન હતું.

આવી પરિસ્થિતિઓમાંથી મેં કેટલાક પાઠ શીખ્યા છે, જે હું નીચે આપીશ.

એક સફળ ડેટા સાયન્ટિસ્ટ બનવા માટે મેં શીખ્યા પાઠ

1. યોગ્ય કંપની પસંદ કરીને તમારી જાતને સફળતા માટે સેટ કરો.
જ્યારે કોઈ કંપનીમાં ઇન્ટરવ્યુ લેતી હોય, ત્યારે ડેટા કલ્ચર વિશે પૂછો અને કેટલા મશીન લર્નિંગ મોડલ અપનાવવામાં આવે છે અને નિર્ણય લેવામાં ઉપયોગમાં લેવાય છે. ઉદાહરણો માટે પૂછો. મોડેલિંગ શરૂ કરવા માટે તમારું ડેટા ઇન્ફ્રાસ્ટ્રક્ચર સેટઅપ છે કે કેમ તે શોધો. જો તમે તમારો 90% સમય કાચા ડેટાને ખેંચવા અને તેને સાફ કરવાનો પ્રયાસ કરો છો, તો તમારી પાસે ડેટા સાયન્ટિસ્ટ તરીકે તમારા મૂલ્યને દર્શાવવા માટે કોઈપણ મોડેલ બનાવવા માટે થોડો સમય બાકી રહેશે નહીં. જો તમને પહેલીવાર ડેટા સાયન્ટિસ્ટ તરીકે રાખવામાં આવ્યા હોય તો સાવચેત રહો. ડેટા કલ્ચરના આધારે આ સારી કે ખરાબ વસ્તુ હોઈ શકે છે. જો સિનિયર મેનેજમેન્ટ ડેટા સાયન્ટિસ્ટને માત્ર એટલા માટે રાખે છે કે કંપની તરીકે ઓળખાવા માંગે છે તો તમે મોડેલને અમલમાં મૂકવા માટે વધુ પ્રતિકારનો સામનો કરી શકો છો. વધુ સારા નિર્ણયો લેવા માટે ડેટા સાયન્સનો ઉપયોગ કરવો, પરંતુ તેનો વાસ્તવમાં અર્થ શું છે તેની કોઈ જાણ નથી. ઉપરાંત, જો તમને એવી કંપની મળે કે જે ડેટા આધારિત હોય, તો તમે તેની સાથે વૃદ્ધિ પામશો.

2. ડેટા અને મુખ્ય પ્રદર્શન સૂચકાંકો (KPIs) જાણો.
શરૂઆતમાં, મેં ઉલ્લેખ કર્યો હતો કે ડેટા એન્જિનિયર તરીકે, મેં ડેટા વૈજ્ઞાનિકોની ટીમ માટે વિશ્લેષણાત્મક ડેટા માર્ટ બનાવ્યું છે. પોતે ડેટા સાયન્ટિસ્ટ બન્યા પછી, હું નવી તકો શોધી શક્યો કે જેનાથી મોડલ્સની ચોકસાઈ વધી કારણ કે મેં મારી અગાઉની ભૂમિકામાં કાચા ડેટા સાથે સઘન રીતે કામ કર્યું હતું.

અમારી એક ઝુંબેશના પરિણામો રજૂ કરીને, હું ઉચ્ચ રૂપાંતરણ દરો (ટકાવારી તરીકે) જનરેટ કરતા મોડેલો બતાવવામાં સક્ષમ હતો અને પછી એક ઝુંબેશ KPI ને માપ્યો. આનાથી વ્યાપાર પ્રદર્શન માટેના મોડેલનું મૂલ્ય દર્શાવવામાં આવ્યું કે જેની સાથે માર્કેટિંગને જોડી શકાય.

3. સ્ટેકહોલ્ડરોને તેનું મૂલ્ય દર્શાવીને મોડેલને અપનાવવાની ખાતરી કરો
તમે ડેટા સાયન્ટિસ્ટ તરીકે ક્યારેય સફળ થશો નહીં જો તમારા હિતધારકો વ્યવસાયિક નિર્ણયો લેવા માટે ક્યારેય તમારા મોડલનો ઉપયોગ નહીં કરે. મૉડલ અપનાવવાની ખાતરી કરવાની એક રીત એ છે કે બિઝનેસ પેઇન પૉઇન્ટ શોધો અને બતાવો કે મૉડલ કેવી રીતે મદદ કરી શકે છે.

અમારી સેલ્સ ટીમ સાથે વાત કર્યા પછી, મને સમજાયું કે બે પ્રતિનિધિઓ એકલ લાઇસન્સ ધરાવતા વપરાશકર્તાઓને ઓળખવા માટે કંપનીના ડેટાબેઝમાં લાખો વપરાશકર્તાઓ દ્વારા મેન્યુઅલી કોમ્બિંગ કરવા માટે પૂર્ણ સમય કામ કરી રહ્યા હતા કે જેઓ ટીમ લાયસન્સ પર અપગ્રેડ થવાની શક્યતા વધારે છે. પસંદગીમાં માપદંડોના સમૂહનો ઉપયોગ કરવામાં આવ્યો હતો, પરંતુ પસંદગીમાં લાંબો સમય લાગ્યો હતો કારણ કે પ્રતિનિધિઓએ એક સમયે એક વપરાશકર્તાને જોયો હતો. મેં વિકસિત કરેલ મોડેલનો ઉપયોગ કરીને, પ્રતિનિધિઓ ટીમ લાયસન્સ ખરીદવાની સંભાવના ધરાવતા વપરાશકર્તાઓને લક્ષ્ય બનાવવામાં સક્ષમ હતા અને ઓછા સમયમાં રૂપાંતરણની સંભાવનામાં વધારો કરે છે. આના પરિણામે વેચાણ ટીમ સંબંધિત કરી શકે તેવા મુખ્ય પ્રદર્શન સૂચકાંકો માટે રૂપાંતરણ દર વધારીને સમયનો વધુ કાર્યક્ષમ ઉપયોગ થયો છે.

ઘણા વર્ષો વીતી ગયા અને મેં તે જ મોડેલો વારંવાર વિકસાવ્યા અને લાગ્યું કે હવે હું કંઈપણ નવું શીખતો નથી. મેં બીજી સ્થિતિ શોધવાનું નક્કી કર્યું અને ડેટા વિશ્લેષક તરીકે સ્થાન મેળવ્યું. જ્યારે હું ડેટા સાયન્ટિસ્ટ હતો ત્યારે જવાબદારીઓમાં તફાવત વધુ નોંધપાત્ર ન હોઈ શકે, તેમ છતાં હું માર્કેટિંગને સપોર્ટ કરતો હતો.

આ પ્રથમ વખત હતું જ્યારે મેં A/B પ્રયોગોનું વિશ્લેષણ કર્યું અને તે મળ્યું બધા જે રીતે પ્રયોગ ખોટો થઈ શકે છે. ડેટા સાયન્ટિસ્ટ તરીકે, મેં A/B પરીક્ષણ પર બિલકુલ કામ કર્યું નથી કારણ કે તે પ્રાયોગિક ટીમ માટે આરક્ષિત હતું. મેં પ્રીમિયમ રૂપાંતરણ દરો વધારવાથી લઈને વપરાશકર્તાની સગાઈ અને મંથન નિવારણ સુધી - માર્કેટિંગ-અસરગ્રસ્ત વિશ્લેષણોની વિશાળ શ્રેણી પર કામ કર્યું છે. મેં ડેટાને જોવાની ઘણી જુદી જુદી રીતો શીખી અને પરિણામોનું સંકલન કરવામાં અને તેને હિતધારકો અને વરિષ્ઠ મેનેજમેન્ટ સમક્ષ રજૂ કરવામાં ઘણો સમય વિતાવ્યો. ડેટા સાયન્ટિસ્ટ તરીકે, મેં મોટાભાગે એક પ્રકારના મોડેલ પર કામ કર્યું અને ભાગ્યે જ વાર્તાલાપ આપ્યા. એક સફળ વિશ્લેષક બનવા માટે મેં જે કૌશલ્યો શીખ્યા છે તેના માટે થોડા વર્ષો ઝડપી આગળ વધો.

કૌશલ્યો મેં એક સફળ ડેટા વિશ્લેષક બનવા માટે શીખ્યા

1. ડેટા સાથે વાર્તાઓ કહેતા શીખો
KPIs ને એકલતામાં જોશો નહીં. તેમને કનેક્ટ કરો, સમગ્ર વ્યવસાયને જુઓ. આ તમને એકબીજાને પ્રભાવિત કરતા વિસ્તારોને ઓળખવા દેશે. વરિષ્ઠ મેનેજમેન્ટ લેન્સ દ્વારા વ્યવસાયને જુએ છે, અને જ્યારે આ કૌશલ્ય દર્શાવતી વ્યક્તિ પ્રમોશનના નિર્ણયો લેવાનો સમય આવે ત્યારે તેની નોંધ લેવામાં આવે છે.

2. કાર્યક્ષમ વિચારો પ્રદાન કરો.
વ્યવસાય પ્રદાન કરો અસરકારક વિચાર સમસ્યા હલ કરવા માટે. જ્યારે હજુ સુધી એવું કહેવામાં ન આવ્યું હોય કે તમે અંતર્ગત સમસ્યાનો સામનો કરી રહ્યાં છો ત્યારે તમે સક્રિયપણે ઉકેલ ઓફર કરો તો તે વધુ સારું છે.

ઉદાહરણ તરીકે, જો તમે માર્કેટિંગને કહ્યું: "મેં નોંધ્યું છે કે તાજેતરમાં સાઇટ મુલાકાતીઓની સંખ્યા દર મહિને ઘટી રહી છે.". આ એક વલણ છે જે તેઓએ ડેશબોર્ડ પર જોયું હશે અને તમે વિશ્લેષક તરીકે કોઈ મૂલ્યવાન ઉકેલ ઓફર કર્યો નથી કારણ કે તમે માત્ર અવલોકન જણાવ્યું છે.

તેના બદલે, કારણ શોધવા અને ઉકેલ સૂચવવા માટે ડેટાની તપાસ કરો. માર્કેટિંગ માટે એક સારું ઉદાહરણ હશે: “મેં નોંધ્યું છે કે તાજેતરમાં અમારી વેબસાઇટ પર મુલાકાતીઓની સંખ્યામાં ઘટાડો થયો છે. મેં શોધ્યું કે સમસ્યાનો સ્ત્રોત ઓર્ગેનિક સર્ચ છે, તાજેતરના ફેરફારોને કારણે અમારા Google શોધ રેન્કિંગમાં ઘટાડો થયો છે.". આ અભિગમ દર્શાવે છે કે તમે કંપનીના KPIsને ટ્રૅક કર્યા છે, ફેરફાર નોંધ્યા છે, કારણની તપાસ કરી છે અને સમસ્યાનો ઉકેલ સૂચવ્યો છે.

3. વિશ્વાસુ સલાહકાર બનો
તમે જે વ્યવસાયને સમર્થન આપો છો તેના વિશે સલાહ અથવા પ્રશ્નો માટે તમારા હિસ્સેદારો તમારી પાસે પ્રથમ વ્યક્તિ બનવાની જરૂર છે. ત્યાં કોઈ શોર્ટકટ નથી કારણ કે આ ક્ષમતાઓ દર્શાવવામાં સમય લાગે છે. આની ચાવી એ ન્યૂનતમ ભૂલો સાથે સતત ઉચ્ચ-ગુણવત્તાનું વિશ્લેષણ પહોંચાડવાનું છે. કોઈપણ ખોટી ગણતરી તમને વિશ્વસનીયતાના મુદ્દાઓ ખર્ચશે કારણ કે આગલી વખતે જ્યારે તમે વિશ્લેષણ પ્રદાન કરો છો, ત્યારે લોકો આશ્ચર્ય પામશે: જો તમે ગઈ વખતે ખોટા હતા, તો કદાચ આ વખતે પણ તમે ખોટા છો?. તમારા કામને હંમેશા બે વાર તપાસો. જો તમને તમારા પૃથ્થકરણ અંગે કોઈ શંકા હોય તો તમારા મેનેજર અથવા સહકાર્યકરને તમારા નંબરો રજૂ કરતા પહેલા તેમને જોવાનું કહેવાથી પણ નુકસાન થતું નથી.

4. જટિલ પરિણામો સ્પષ્ટ રીતે સંચાર કરવાનું શીખો.
ફરીથી, અસરકારક રીતે વાતચીત કેવી રીતે કરવી તે શીખવા માટે કોઈ શોર્ટકટ નથી. આ પ્રેક્ટિસ લે છે અને સમય જતાં તમે તેમાં વધુ સારી રીતે મેળવશો. ચાવી એ છે કે તમે શું કરવા માંગો છો તેના મુખ્ય મુદ્દાઓને ઓળખો અને કોઈપણ ક્રિયાઓની ભલામણ કરો કે જે તમારા વિશ્લેષણના પરિણામે, હિતધારકો વ્યવસાયને સુધારવા માટે લઈ શકે. તમે સંસ્થામાં જેટલા ઊંચા છો, તમારી સંચાર કૌશલ્ય એટલી જ મહત્વપૂર્ણ છે. જટિલ પરિણામોનો સંચાર કરવો એ દર્શાવવા માટે એક મહત્વપૂર્ણ કૌશલ્ય છે. મેં ડેટા સાયન્ટિસ્ટ અને ડેટા એનાલિસ્ટ તરીકે સફળતાના રહસ્યો શીખવામાં વર્ષો વિતાવ્યા. લોકો સફળતાને અલગ રીતે વ્યાખ્યાયિત કરે છે. "અદ્ભુત" અને "તારા" વિશ્લેષક તરીકે વર્ણવવું એ મારી નજરમાં સફળતા છે. હવે જ્યારે તમે આ રહસ્યો જાણો છો, હું આશા રાખું છું કે તમારો માર્ગ તમને ઝડપથી સફળતા તરફ દોરી જશે, જો કે તમે તેને વ્યાખ્યાયિત કરો છો.

અને સફળતાના તમારા માર્ગને વધુ ઝડપી બનાવવા માટે, પ્રોમો કોડ રાખો HABR, જેના દ્વારા તમે બેનર પર દર્શાવેલ ડિસ્કાઉન્ટ પર વધારાના 10% મેળવી શકો છો.

• ડેટા સાયન્સ ઓનલાઈન બુટકેમ્પ
• શરૂઆતથી ડેટા એનાલિસ્ટના વ્યવસાયને તાલીમ આપવી
• ડેટા એનાલિટિક્સ ઓનલાઇન બુટકેમ્પ
• શરૂઆતથી ડેટા સાયન્સના વ્યવસાયને શીખવવું
• વેબ ડેવલપમેન્ટ કોર્સ માટે પાયથોન

વધુ અભ્યાસક્રમો

• ડેટા એનાલિટિક્સ કોર્સ
• DevOps કોર્સ
• વ્યવસાય વેબ ડેવલપર
• શરૂઆતથી વ્યવસાય iOS વિકાસકર્તા
• શરૂઆતથી વ્યવસાય એન્ડ્રોઇડ ડેવલપર
• શરૂઆતથી વ્યવસાય જાવા ડેવલપર
• જાવાસ્ક્રિપ્ટ કોર્સ
• મશીન લર્નિંગ કોર્સ
• કોર્સ "ડેટા સાયન્સ માટે ગણિત અને મશીન લર્નિંગ"
• એડવાન્સ કોર્સ "મશીન લર્નિંગ પ્રો + ડીપ લર્નિંગ"

ફીચર્ડ લેખો

• ઑનલાઇન અભ્યાસક્રમો વિના ડેટા સાયન્ટિસ્ટ કેવી રીતે બનવું
• 450 મફત આઇવી લીગ અભ્યાસક્રમો
• સળંગ 5 મહિના માટે અઠવાડિયામાં 9 દિવસ મશીન લર્નિંગનો અભ્યાસ કેવી રીતે કરવો
• ડેટા વિશ્લેષક કેટલી કમાણી કરે છે: 2020 માં રશિયા અને વિદેશમાં પગાર અને ખાલી જગ્યાઓની ઝાંખી
• ખાણકામ ઉદ્યોગમાં મશીન લર્નિંગ અને કમ્પ્યુટર વિઝન

સોર્સ: www.habr.com