Postoji mnogo članaka o vještinama koje su potrebne da biste bili dobar podatkovni znanstvenik ili analitičar podataka, ali malo članaka govori o vještinama potrebnim za uspjeh—bilo da se radi o iznimnoj ocjeni učinka, pohvali uprave, promaknuću ili svemu gore navedenom. Danas vam predstavljamo materijal čija bi autorica željela podijeliti svoje osobno iskustvo kao data scientist i data analitičar, kao i ono što je naučila kako bi postigla uspjeh.
Imao sam sreće: ponuđeno mi je mjesto podatkovnog znanstvenika iako nisam imao iskustva u znanosti o podacima. Kako sam se ja nosio sa zadatkom je druga priča i želim reći da sam prije nego što sam preuzeo posao imao samo nejasnu ideju o tome što podatkovni znanstvenik radi.
Zaposlen sam da radim na podatkovnim kanalima zbog mog prethodnog posla podatkovnog inženjera, gdje sam razvio podatkovnu trgovinu za prediktivnu analitiku koju koristi skupina podatkovnih znanstvenika.
Moja prva godina kao podatkovni znanstvenik uključivala je stvaranje podatkovnih kanala za obuku modela strojnog učenja i njihovo stavljanje u proizvodnju. Držao sam se potajno i nisam sudjelovao na mnogim sastancima s marketinškim dionicima koji su bili krajnji korisnici modela.
U drugoj godini mog rada u tvrtki otišao je voditelj obrade i analize podataka zadužen za marketing. Od tada sam postao glavni igrač i aktivnije sudjelovao u razvoju modela i dogovoru o rokovima projekata.
Dok sam komunicirao s dionicima, shvatio sam da je Data Science nejasan koncept za koji su ljudi čuli, ali ga ne razumiju, osobito na razini višeg menadžmenta.
Napravio sam više od stotinu modela, ali samo trećina ih je iskorištena jer nisam znao kako pokazati njihovu vrijednost, iako su modeli bili traženi prvenstveno od strane marketinga.
Jedan od članova mog tima proveo je mjesece razvijajući model za koji je viši menadžment smatrao da će pokazati vrijednost tima za podatkovnu znanost. Ideja je bila proširiti model u cijeloj organizaciji nakon što se razvije i potaknuti marketinške timove da ga prihvate.
Ispostavilo se da je to bio potpuni promašaj jer nitko nije razumio što je model strojnog učenja niti je mogao shvatiti vrijednost njegove upotrebe. Kao rezultat toga, mjeseci su potrošeni na nešto što nitko nije želio.
Iz takvih sam situacija izvukao određene lekcije koje ću dati u nastavku.
Lekcije koje sam naučio kako bih postao uspješan podatkovni znanstvenik
1. Postavite se za uspjeh odabirom prave tvrtke.
Prilikom razgovora u tvrtki, raspitajte se o kulturi podataka i koliko je modela strojnog učenja usvojeno i korišteno u donošenju odluka. Pitajte za primjere. Saznajte je li vaša podatkovna infrastruktura postavljena za početak modeliranja. Ako potrošite 90% svog vremena pokušavajući izvući neobrađene podatke i očistiti ih, ostat će vam malo ili nimalo vremena za izradu bilo kakvih modela kako biste pokazali svoju vrijednost kao podatkovnog znanstvenika. Budite oprezni ako ste prvi put angažirani kao data scientist. To može biti dobra ili loša stvar, ovisno o kulturi podataka. Možda ćete naići na veći otpor implementaciji modela ako viši menadžment zaposli Data Scientista samo zato što tvrtka želi biti poznata kao koristeći Data Science za donošenje boljih odluka, ali nema pojma što to zapravo znači. Osim toga, ako pronađete tvrtku koja se temelji na podacima, rasti ćete s njom.
2. Poznavati podatke i ključne pokazatelje uspješnosti (KPI).
Na početku sam spomenuo da sam kao podatkovni inženjer napravio analitičku prodavnicu podataka za tim podatkovnih znanstvenika. Postavši i sam podatkovni znanstvenik, mogao sam pronaći nove prilike koje su povećale točnost modela jer sam intenzivno radio s neobrađenim podacima u svojoj prethodnoj ulozi.
Predstavljajući rezultate jedne od naših kampanja, uspio sam prikazati modele koji generiraju više stope konverzije (kao postotak), a zatim sam izmjerio jedan od KPI-ja kampanje. Time se pokazala vrijednost modela za poslovnu izvedbu s kojim se marketing može povezati.
3. Osigurajte usvajanje modela demonstrirajući njegovu vrijednost dionicima
Nikada nećete uspjeti kao podatkovni znanstvenik ako vaši dionici nikada ne koriste vaše modele za donošenje poslovnih odluka. Jedan od načina da se osigura usvajanje modela je pronaći poslovnu bolnu točku i pokazati kako model može pomoći.
Nakon razgovora s našim prodajnim timom, shvatio sam da dva predstavnika rade puno radno vrijeme ručno pročešljavajući milijune korisnika u bazi podataka tvrtke kako bi identificirali korisnike s jednom licencom za koje postoji veća vjerojatnost da će nadograditi na timske licence. Odabir je korišten prema nizu kriterija, no odabir je dugo trajao jer su predstavnici gledali jednog po jednog korisnika. Koristeći model koji sam razvio, predstavnici su uspjeli ciljati korisnike koji će najvjerojatnije kupiti timsku licencu i povećati vjerojatnost konverzije u kraćem vremenu. To je rezultiralo učinkovitijim korištenjem vremena povećanjem stopa konverzije za ključne pokazatelje uspješnosti s kojima se prodajni tim može povezati.
Prošlo je nekoliko godina, razvijao sam uvijek iznova iste modele i osjećao da više ne učim ništa novo. Odlučio sam potražiti drugu poziciju i na kraju sam dobio poziciju analitičara podataka. Razlika u odgovornostima nije mogla biti značajnija u usporedbi s onim kad sam bio podatkovni znanstvenik, iako sam ponovno podržavao marketing.
Ovo je bio prvi put da sam analizirao A/B eksperimente i pronašao sve načine na koje eksperiment može pogriješiti. Kao data scientist uopće nisam radio na A/B testiranju jer je to bilo rezervirano za eksperimentalni tim. Radio sam na širokom rasponu marketinških analiza – od povećanja premijum stopa konverzije do angažmana korisnika i sprječavanja odljeva. Naučio sam mnogo različitih načina promatranja podataka i proveo sam puno vremena sastavljajući rezultate i predstavljajući ih dionicima i višem menadžmentu. Kao podatkovni znanstvenik, uglavnom sam radio na jednoj vrsti modela i rijetko sam držao predavanja. Premotajte nekoliko godina naprijed do vještina koje sam naučio da budem uspješan analitičar.
Vještine koje sam naučio da postanem uspješan analitičar podataka
1. Naučite pričati priče s podacima
Ne gledajte KPI-jeve izolirano. Povežite ih, sagledajte posao u cjelini. To će vam omogućiti da identificirate područja koja utječu jedno na drugo. Više rukovodstvo gleda na poslovanje kroz objektiv, a osoba koja pokazuje tu vještinu biva zapažena kada dođe vrijeme za donošenje odluka o napredovanju.
2. Dajte djelotvorne ideje.
Osigurati posao učinkovita ideja riješiti problem. Još je bolje ako proaktivno ponudite rješenje kada još nije rečeno da se nosite s temeljnim problemom.
Na primjer, ako ste marketingu rekli: “Primijetio sam da se u posljednje vrijeme broj posjetitelja stranice smanjuje svaki mjesec.”. To je trend koji su možda primijetili na nadzornoj ploči, a vi kao analitičar niste ponudili nikakvo vrijedno rješenje jer ste samo iznijeli zapažanje.
Umjesto toga, ispitajte podatke kako biste pronašli uzrok i predložili rješenje. Bolji primjer za marketing bio bi: “Primijetio sam da u posljednje vrijeme bilježimo pad broja posjetitelja naše web stranice. Otkrio sam da je izvor problema organsko pretraživanje, zbog nedavnih promjena koje su uzrokovale pad našeg rangiranja u Google pretraživanju.". Ovaj pristup pokazuje da ste pratili KPI tvrtke, primijetili promjenu, istražili uzrok i predložili rješenje problema.
3. Postanite pouzdani savjetnik
Morate biti prva osoba kojoj se vaši dionici obraćaju za savjet ili pitanja o poslu koji podržavate. Ne postoji prečac jer je potrebno vrijeme da se pokažu ove sposobnosti. Ključ za to je dosljedna isporuka analize visoke kvalitete s minimalnim pogreškama. Svaka pogrešna procjena koštat će vas bodova vjerodostojnosti jer sljedeći put kada budete davali analizu, ljudi bi se mogli zapitati: Ako ste prošli put pogriješili, možda griješite i ovaj put?. Uvijek dvaput provjerite svoj rad. Također ne škodi zamoliti svog upravitelja ili kolegu da pogleda vaše brojke prije nego što ih prezentirate ako imate bilo kakvih nedoumica u vezi svoje analize.
4. Naučite jasno prenijeti složene rezultate.
Opet, ne postoji prečac za učenje kako učinkovito komunicirati. Ovo zahtijeva praksu i s vremenom ćete postati bolji u tome. Ključno je identificirati glavne točke onoga što želite učiniti i preporučiti sve radnje koje, kao rezultat vaše analize, dionici mogu poduzeti kako bi unaprijedili poslovanje. Što ste na višem položaju u organizaciji, to su vam komunikacijske vještine važnije. Priopćavanje složenih rezultata važna je vještina koju treba pokazati. Proveo sam godine učeći tajne uspjeha kao podatkovni znanstvenik i analitičar podataka. Ljudi različito definiraju uspjeh. Biti opisan kao "nevjerojatan" i "zvjezdani" analitičar je u mojim očima uspjeh. Sada kada znate ove tajne, nadam se da će vas vaš put brzo dovesti do uspjeha, kako god ga definirali.
A kako bi vaš put do uspjeha bio još brži, zadržite promo kod HABR, čime možete ostvariti dodatnih 10% na popust naveden na banneru.
Više tečajeva
Istaknuti članci
Izvor: www.habr.com