एक सफल डेटा वैज्ञानिक और डेटा विश्लेषक कैसे बनें

एक अच्छा डेटा वैज्ञानिक या डेटा विश्लेषक बनने के लिए आवश्यक कौशल के बारे में कई लेख हैं, लेकिन कुछ लेख सफल होने के लिए आवश्यक कौशल के बारे में बात करते हैं - चाहे वह असाधारण प्रदर्शन की समीक्षा हो, प्रबंधन से प्रशंसा हो, पदोन्नति हो, या उपरोक्त सभी। आज हम आपके लिए एक ऐसी सामग्री प्रस्तुत करते हैं जिसके लेखक एक डेटा वैज्ञानिक और डेटा विश्लेषक के रूप में अपने व्यक्तिगत अनुभव को साझा करना चाहेंगे, साथ ही उन्होंने सफलता प्राप्त करने के लिए क्या सीखा है।

मैं भाग्यशाली था: जब मुझे डेटा विज्ञान में कोई अनुभव नहीं था तो मुझे डेटा वैज्ञानिक के पद की पेशकश की गई थी। मैंने कार्य को कैसे संभाला यह एक अलग कहानी है, और मैं कहना चाहता हूं कि नौकरी लेने से पहले मुझे केवल इस बात का अस्पष्ट विचार था कि एक डेटा वैज्ञानिक क्या करता है।

डेटा इंजीनियर के रूप में मेरी पिछली नौकरी के कारण मुझे डेटा पाइपलाइनों पर काम करने के लिए काम पर रखा गया था, जहां मैंने डेटा वैज्ञानिकों के एक समूह द्वारा उपयोग किए जाने वाले पूर्वानुमानित विश्लेषण के लिए एक डेटा मार्ट विकसित किया था।

डेटा वैज्ञानिक के रूप में मेरे पहले वर्ष में मशीन लर्निंग मॉडल को प्रशिक्षित करने और उन्हें उत्पादन में लगाने के लिए डेटा पाइपलाइन बनाना शामिल था। मैंने कम प्रोफ़ाइल बनाए रखी और विपणन हितधारकों के साथ कई बैठकों में भाग नहीं लिया जो मॉडल के अंतिम उपयोगकर्ता थे।

कंपनी में मेरे काम के दूसरे वर्ष में, मार्केटिंग के लिए जिम्मेदार डेटा प्रोसेसिंग और विश्लेषण प्रबंधक ने नौकरी छोड़ दी। तब से, मैं मुख्य खिलाड़ी बन गया और मॉडल विकसित करने और परियोजना की समय सीमा पर चर्चा करने में अधिक सक्रिय भूमिका निभाई।

जैसे ही मैंने हितधारकों के साथ बातचीत की, मुझे एहसास हुआ कि डेटा साइंस एक अस्पष्ट अवधारणा है जिसके बारे में लोगों ने सुना है लेकिन ठीक से नहीं समझते हैं, खासकर वरिष्ठ प्रबंधन स्तर पर।

मैंने सौ से अधिक मॉडल बनाए, लेकिन उनमें से केवल एक तिहाई का उपयोग किया गया क्योंकि मुझे नहीं पता था कि उनका मूल्य कैसे दिखाया जाए, भले ही मॉडलों का अनुरोध मुख्य रूप से विपणन द्वारा किया गया था।

मेरी टीम के एक सदस्य ने एक मॉडल विकसित करने में कई महीने बिताए, जिसके बारे में वरिष्ठ प्रबंधन को लगा कि यह डेटा विज्ञान टीम के मूल्य को प्रदर्शित करेगा। विचार यह था कि मॉडल विकसित होने के बाद इसे पूरे संगठन में फैलाया जाए और मार्केटिंग टीमों को इसे अपनाने के लिए प्रोत्साहित किया जाए।

यह पूरी तरह से विफल साबित हुआ क्योंकि किसी को भी समझ नहीं आया कि मशीन लर्निंग मॉडल क्या है या इसके उपयोग के मूल्य को नहीं समझ सका। परिणामस्वरूप, ऐसी चीज़ पर कई महीने बर्बाद हो गए जो कोई नहीं चाहता था।

ऐसी स्थितियों से मैंने कुछ सबक सीखे हैं, जिनका विवरण मैं नीचे दूंगा।

एक सफल डेटा वैज्ञानिक बनने के लिए मैंने जो सबक सीखे

1. सही कंपनी चुनकर सफलता के लिए खुद को तैयार करें।
किसी कंपनी में साक्षात्कार देते समय, डेटा संस्कृति के बारे में पूछें और निर्णय लेने में कितने मशीन लर्निंग मॉडल अपनाए और उपयोग किए जाते हैं। उदाहरण मांगें. पता लगाएं कि क्या आपका डेटा इंफ्रास्ट्रक्चर मॉडलिंग शुरू करने के लिए तैयार है। यदि आप अपना 90% समय कच्चा डेटा खींचने और उसे साफ़ करने में बिताते हैं, तो आपके पास डेटा वैज्ञानिक के रूप में अपना मूल्य प्रदर्शित करने के लिए कोई भी मॉडल बनाने के लिए बहुत कम या बिल्कुल भी समय नहीं बचेगा। यदि आपको पहली बार डेटा वैज्ञानिक के रूप में नियुक्त किया गया है तो सावधान रहें। डेटा संस्कृति के आधार पर यह अच्छी बात या बुरी बात हो सकती है। यदि वरिष्ठ प्रबंधन एक डेटा वैज्ञानिक को केवल इसलिए नियुक्त करता है क्योंकि कंपनी अपनी पहचान बनाना चाहती है तो आपको मॉडल को लागू करने में अधिक प्रतिरोध का सामना करना पड़ सकता है। बेहतर निर्णय लेने के लिए डेटा साइंस का उपयोग करना, लेकिन इसका वास्तव में क्या मतलब है इसका कोई अंदाज़ा नहीं है। साथ ही, यदि आपको कोई ऐसी कंपनी मिल जाए जो डेटा आधारित हो, तो आप उसके साथ आगे बढ़ेंगे।

2. डेटा और प्रमुख प्रदर्शन संकेतक (KPI) को जानें।
शुरुआत में, मैंने उल्लेख किया था कि एक डेटा इंजीनियर के रूप में, मैंने डेटा वैज्ञानिकों की एक टीम के लिए एक विश्लेषणात्मक डेटा मार्ट बनाया है। स्वयं एक डेटा वैज्ञानिक बनने के बाद, मैं नए अवसर खोजने में सक्षम हुआ जिससे मॉडलों की सटीकता में वृद्धि हुई क्योंकि मैंने अपनी पिछली भूमिका में कच्चे डेटा के साथ गहनता से काम किया था।

हमारे एक अभियान के परिणाम प्रस्तुत करके, मैं उच्च रूपांतरण दर (प्रतिशत के रूप में) उत्पन्न करने वाले मॉडल दिखाने में सक्षम था और फिर एक अभियान KPI को मापा। इसने व्यावसायिक प्रदर्शन के लिए उस मॉडल के मूल्य को प्रदर्शित किया जिससे विपणन को जोड़ा जा सकता है।

3. हितधारकों को इसके मूल्य का प्रदर्शन करके मॉडल को अपनाना सुनिश्चित करें
यदि आपके हितधारक व्यावसायिक निर्णय लेने के लिए कभी भी आपके मॉडल का उपयोग नहीं करते हैं तो आप डेटा वैज्ञानिक के रूप में कभी सफल नहीं होंगे। मॉडल को अपनाने को सुनिश्चित करने का एक तरीका व्यावसायिक समस्या बिंदु ढूंढना और यह दिखाना है कि मॉडल कैसे मदद कर सकता है।

हमारी बिक्री टीम से बात करने के बाद, मुझे एहसास हुआ कि दो प्रतिनिधि कंपनी के डेटाबेस में लाखों उपयोगकर्ताओं के माध्यम से मैन्युअल रूप से काम कर रहे थे ताकि एकल लाइसेंस वाले उपयोगकर्ताओं की पहचान की जा सके, जिनके टीम लाइसेंस में अपग्रेड होने की अधिक संभावना थी। चयन में मानदंडों के एक सेट का उपयोग किया गया, लेकिन चयन में लंबा समय लगा क्योंकि प्रतिनिधियों ने एक समय में एक उपयोगकर्ता को देखा। मेरे द्वारा विकसित मॉडल का उपयोग करके, प्रतिनिधि टीम लाइसेंस खरीदने की सबसे अधिक संभावना वाले उपयोगकर्ताओं को लक्षित करने और कम समय में रूपांतरण की संभावना बढ़ाने में सक्षम थे। इसके परिणामस्वरूप प्रमुख प्रदर्शन संकेतकों के लिए रूपांतरण दरें बढ़ाकर समय का अधिक कुशल उपयोग हुआ है, जिनसे बिक्री टीम संबंधित हो सकती है।

कई साल बीत गए और मैंने वही मॉडल बार-बार विकसित किए और महसूस किया कि मैं अब कुछ भी नया नहीं सीख रहा हूं। मैंने एक अन्य पद की तलाश करने का निर्णय लिया और अंतत: मुझे डेटा विश्लेषक के रूप में एक पद मिल गया। जब मैं एक डेटा वैज्ञानिक था, तब की तुलना में जिम्मेदारियों में अंतर अधिक महत्वपूर्ण नहीं हो सकता था, भले ही मैं मार्केटिंग का समर्थन कर रहा था।

यह पहली बार था जब मैंने ए/बी प्रयोगों का विश्लेषण किया और पाया सब ऐसे तरीके जिनसे कोई प्रयोग गलत हो सकता है. एक डेटा वैज्ञानिक के रूप में, मैंने ए/बी परीक्षण पर बिल्कुल भी काम नहीं किया क्योंकि यह प्रायोगिक टीम के लिए आरक्षित था। मैंने मार्केटिंग-प्रभावित एनालिटिक्स की एक विस्तृत श्रृंखला पर काम किया है - प्रीमियम रूपांतरण दरें बढ़ाने से लेकर उपयोगकर्ता सहभागिता और मंथन रोकथाम तक। मैंने डेटा को देखने के कई अलग-अलग तरीके सीखे और परिणामों को संकलित करने और उन्हें हितधारकों और वरिष्ठ प्रबंधन के सामने प्रस्तुत करने में बहुत समय बिताया। एक डेटा वैज्ञानिक के रूप में, मैंने ज्यादातर एक ही प्रकार के मॉडल पर काम किया और शायद ही कभी बातचीत की। एक सफल विश्लेषक बनने के लिए मैंने जो कौशल सीखे उनमें कुछ वर्षों में तेजी से आगे बढ़ा।

एक सफल डेटा विश्लेषक बनने के लिए मैंने जो कौशल सीखे

1. डेटा के साथ कहानियाँ बताना सीखें
KPI को अलग करके न देखें। उन्हें कनेक्ट करें, व्यवसाय को समग्र रूप से देखें। इससे आप उन क्षेत्रों की पहचान कर सकेंगे जो एक-दूसरे को प्रभावित करते हैं। वरिष्ठ प्रबंधन व्यवसाय को एक चश्मे से देखता है, और जब पदोन्नति संबंधी निर्णय लेने का समय आता है तो इस कौशल का प्रदर्शन करने वाले व्यक्ति पर ध्यान दिया जाता है।

2. क्रियान्वित विचार प्रदान करें.
व्यवसाय प्रदान करें प्रभावी विचार इस समस्या को हल करने के लिए। यह और भी बेहतर है यदि आप सक्रिय रूप से समाधान पेश करते हैं जब यह अभी तक नहीं कहा गया है कि आप अंतर्निहित समस्या से निपट रहे हैं।

उदाहरण के लिए, यदि आपने मार्केटिंग से कहा: "मैंने देखा कि हाल ही में साइट विज़िटरों की संख्या हर महीने कम हो रही है।". यह एक प्रवृत्ति है जिसे उन्होंने डैशबोर्ड पर देखा होगा और आपने एक विश्लेषक के रूप में कोई मूल्यवान समाधान पेश नहीं किया क्योंकि आपने केवल अवलोकन बताया था।

इसके बजाय, कारण खोजने और समाधान प्रस्तावित करने के लिए डेटा की जांच करें। मार्केटिंग के लिए एक बेहतर उदाहरण होगा: “मैंने देखा है कि हाल ही में हमारी वेबसाइट पर आगंतुकों की संख्या में कमी आई है। मुझे पता चला कि समस्या का स्रोत जैविक खोज है, हाल के परिवर्तनों के कारण हमारी Google खोज रैंकिंग गिर गई है।". यह दृष्टिकोण दर्शाता है कि आपने कंपनी के KPI को ट्रैक किया, परिवर्तन देखा, कारण की जांच की और समस्या का समाधान प्रस्तावित किया।

3. एक विश्वसनीय सलाहकार बनें
जिस व्यवसाय का आप समर्थन करते हैं, उसके बारे में सलाह या प्रश्नों के लिए आपके हितधारकों के पास जाने वाले पहले व्यक्ति आपको होना चाहिए। इसका कोई शॉर्टकट नहीं है क्योंकि इन क्षमताओं को प्रदर्शित करने में समय लगता है। इसकी कुंजी न्यूनतम त्रुटियों के साथ लगातार उच्च-गुणवत्ता वाला विश्लेषण प्रदान करना है। किसी भी गलत आकलन से आपको विश्वसनीयता अंक गंवाने पड़ेंगे क्योंकि अगली बार जब आप कोई विश्लेषण देंगे, तो लोग आश्चर्यचकित हो सकते हैं: अगर आप पिछली बार गलत थे तो शायद इस बार भी गलत हों?. हमेशा अपने काम की दोबारा जांच करें. यदि आपको अपने विश्लेषण के बारे में कोई संदेह है तो अपने प्रबंधक या सहकर्मी से अपने नंबर प्रस्तुत करने से पहले उन्हें देखने के लिए कहने में कोई हर्ज नहीं है।

4. जटिल परिणामों को स्पष्ट रूप से संप्रेषित करना सीखें।
फिर, प्रभावी ढंग से संवाद करना सीखने का कोई शॉर्टकट नहीं है। इसके लिए अभ्यास की आवश्यकता होती है और समय के साथ आप इसमें बेहतर होते जाएंगे। मुख्य बात यह है कि आप जो करना चाहते हैं उसके मुख्य बिंदुओं की पहचान करें और किसी भी कार्रवाई की सिफारिश करें, जो आपके विश्लेषण के परिणामस्वरूप, हितधारक व्यवसाय को बेहतर बनाने के लिए कर सकते हैं। आप किसी संगठन में जितने ऊंचे पद पर होंगे, आपके संचार कौशल उतने ही महत्वपूर्ण होंगे। जटिल परिणामों को संप्रेषित करना प्रदर्शित करने के लिए एक महत्वपूर्ण कौशल है। मैंने एक डेटा वैज्ञानिक और डेटा विश्लेषक के रूप में सफलता के रहस्यों को सीखने में वर्षों बिताए। लोग सफलता को अलग-अलग तरह से परिभाषित करते हैं। एक "अद्भुत" और "तारकीय" विश्लेषक के रूप में वर्णित होना मेरी नज़र में सफलता है। अब जब आप इन रहस्यों को जान गए हैं, तो मुझे आशा है कि आपका मार्ग आपको जल्द ही सफलता की ओर ले जाएगा, भले ही आप इसे कैसे भी परिभाषित करें।

और अपनी सफलता की राह को और भी तेज़ बनाने के लिए प्रोमो कोड रखें हाब्री, जिससे आप बैनर पर दर्शाए गए डिस्काउंट पर 10% अतिरिक्त प्राप्त कर सकते हैं।

• डेटा साइंस ऑनलाइन बूटकैंप
• डेटा विश्लेषक के पेशे को खरोंच से प्रशिक्षण देना
• डेटा एनालिटिक्स ऑनलाइन बूटकैंप
• स्क्रैच से डेटा साइंस के पेशे को पढ़ाना
• वेब डेवलपमेंट कोर्स के लिए पायथन

अधिक पाठ्यक्रम

• डेटा एनालिटिक्स कोर्स
• डेवऑप्स कोर्स
• व्यवसाय वेब डेवलपर
• शुरू से ही आईओएस डेवलपर का पेशा
• शुरू से ही पेशा एंड्रॉइड डेवलपर
• शुरू से ही पेशा जावा डेवलपर
• जावास्क्रिप्ट पाठ्यक्रम
• मशीन लर्निंग कोर्स
• कोर्स "डेटा साइंस के लिए गणित और मशीन लर्निंग"
• उन्नत पाठ्यक्रम "मशीन लर्निंग प्रो + डीप लर्निंग"

प्रदर्शित लेख

• बिना ऑनलाइन कोर्स के डेटा साइंटिस्ट कैसे बनें
• 450 निःशुल्क आइवी लीग पाठ्यक्रम
• लगातार 5 महीनों तक सप्ताह में 9 दिन मशीन लर्निंग का अध्ययन कैसे करें
• डेटा विश्लेषक कितना कमाता है: 2020 में रूस और विदेशों में वेतन और रिक्तियों का अवलोकन
• खनन उद्योग में मशीन लर्निंग और कंप्यूटर विजन

स्रोत: www.habr.com