Sok cikk szól azokról a készségekről, amelyek szükségesek ahhoz, hogy valaki jó adatkutató vagy adat elemző legyen, de csak néhány cikk ír a sikerhez szükséges készségekről — legyen szó kiváló teljesítményértékelésről, vezetői dicséretéről, előléptetésről, vagy mindezekről együtt. Ma bemutatunk egy anyagot, amelyet annak az írója készített, aki szeretné megosztani személyes tapasztalatait adatkutatóként és adat elemzőként, valamint azt, hogy mit tanult a siker eléréséért.
Szerencsés voltam: felajánlották nekem az adatkutató pozíciót, amikor még nem volt tapasztalatom a Data Science területén. Az, ahogyan megbirkóztam ezzel a feladattal, egy másik történet, és el kell mondanom, hogy csak halvány elképzelésem volt arról, hogy mit csinál egy adatkutató, mielőtt elfogadtam ezt a munkát.
Adatfolyamatok kidolgozására vettek fel, a korábbi adatkezelői munkám miatt, ahol adatvitrint fejlesztettem ki, amelyet a data scientist csapat használt előrejelző elemzésekhez.
Az első évem adatkutatóként adatfolyamatok létrehozásával telt, hogy gépi tanulási modellek tanítását és üzembe helyezését támogassam. Háttérben maradtam, és nem vettem részt sok marketinges stakeholder találkozón, akik a modellek végfelhasználói voltak.
A cégemben eltöltött második évem alatt távozott az adatelemzésért és -kezelésért felelős vezető, aki a marketinget képviselte. Ezt követően én lettem a főszereplő, és aktívabban részt vettem a modellek kidolgozásában és a projektek megvalósításának idővonaláról folytatott megbeszélésekben.
Amíg a stakeholderekkel kommunikáltam, rájöttem, hogy a Data Science ködös fogalom, amelyről az emberek hallottak, de nem igazán értik, különösen a felső vezetés körében.
Több mint száz modellt építettem, de csak egyharmaduk volt használatban, mivel nem tudtam, hogyan mutassam be az értéküket, annak ellenére, hogy a modellek elsődlegesen a marketing kérésére készültek.
A csapatom egyik tagja hónapokat töltött egy olyan modell fejlesztésével, amely a felső vezetés szerint bizonyította volna az adatkutatók csapatának értékét. Az ötlet az volt, hogy ezt a modellt az egész szervezetre kiterjesszük a fejlesztés után, és ösztönözzük a marketingcsapatokat a használatára.
Ez teljes kudarccal zárult, mivel senki sem értette, mi az a gépi tanulási modell, és nem tudta felfogni annak alkalmazásának értékét. Végül hónapok mentek kárba, mivel senki sem akarta.
Ezekből a helyzetekből bizonyos leckéket vontam le, amelyeket az alábbiakban felsorolok.
Lecskék, amelyeket azért tanultam meg, hogy sikeres adatkutató legyek.
1. Készüljön fel a sikerre a megfelelő cég választásával.
A cégnél tartott interjún érdeklődjön az adatok kultúrájáról és arról, hogy hány gépi tanulási modellt alkalmaznak a döntéshozatal során. Kérjen példákat. Tudd meg, hogy az adatinfrastruktúra készen áll-e a modellezés megkezdésére. Ha az ideje 90%-át az nyers adatok kinyerésére és azok megtisztítására fordítja, alig marad ideje modellek építésére, hogy bizonyítsa az értékét mint adatkutató. Legyen óvatos, ha adatkutatóként először alkalmazzák. Ez lehet jó is és rossz is, attól függően, hogy milyen az adatok kultúrája. Nagy ellenállásba ütközhet a modell bevezetésénél, ha a felső vezetés egy Data Science szakembert keres, csak azért, mert a cég népszerűvé akar válni mint azok, akik Data Science-t használnak a jobb döntések érdekében, de fogalmuk sincs, hogy ez valójában mit jelent. Továbbá, ha olyan céget talál, amely adatvezérelt, akkor együtt fog nőni vele.
2. Ismerje az adatokat és a kulcsfontosságú teljesítménymutatókat (KPI).
Kezdetben említettem, hogy adatfeldolgozó mérnökként létrehoztam az elemzési adatok vitrint az adatkutatók csapatának. Miután adatkutatóvá váltam, képes voltam új lehetőségeket találni, amelyek növelték a modellek pontosságát, mivel intenzíven dolgoztam a nyers adatokkal az előző pozíciómban.
A kampányaink egyikének eredményeit bemutatva sikerült olyan modelleket ismertetnem, amelyek magasabb konverziós rátákat (százalékban) generálnak, majd megmértük az egyik KPI kampányt. Ez bemutatta a modell üzleti hatékonyságra gyakorolt értékét, amellyel a marketing is összefügghet.
3. Biztosítsa a modell elfogadását, bemutatva annak értékét az érintettek számára.
Szakértőként soha nem fog szert tenni sikerre az Adattudomány területén, ha az érintettek soha nem használják a modelljeit üzleti döntések meghozatalához. Az egyik módja az elfogadás biztosításának, ha megtalálja a vállalkozás fájó pontját, és megmutatja, hogyan segíthet a modell.
Miután beszéltem az értékesítési osztályunkkal, rájöttem, hogy két képviselő teljes munkaidőben manuálisan vizsgálja a cég adatbázisában szereplő millió felhasználót, hogy azonosítsa azokat a felhasználókat, akiknek egyedi licencük van, és akik nagyobb valószínűséggel váltanak csapatlicencekre. Szinergiában alkalmaztak egy kritériumrendszert, de a kiválasztás sok időt igényelt, mivel a képviselők egyenként nézték át a felhasználókat. Az általam kifejlesztett modell segítségével a képviselők képesek voltak kiválasztani azokat a felhasználókat, akiknek a legnagyobb a valószínűsége a csapatlicensz megvásárlására, így kevesebb idő alatt növelhették a konverzió esélyeit. Ez a kulcsfontosságú teljesítménymutatók konverziós arányának javulását hozta, ami szoros kapcsolatban állhat az értékesítési osztály tevékenységeivel.
Több év telt el, és többször is azonos modelleket dolgoztam ki, és úgy éreztem, hogy nem tanulok semmi újat. Új pozíciót kezdtem keresni, és végül adat-analitikus lettem. A feladatok közötti különbség egyszerűen nem lehetett volna drámaibb, amikor adatkutató voltam, még akkor is, ha újra támogattam a marketinget.
Ez volt az első alkalom, amikor A/B kísérleteket elemeztem, és felfedeztem mindent A kísérletekben fellépő problémák módszerei. Adattudósként soha nem dolgoztam A/B tesztelésen, mert azt a kísérletező csapat kezelte. Széles spektrumú analitikai kutatásokon dolgoztam, amelyeket a marketing befolyásolt — a prémium konverziós arány növelésétől a felhasználói elköteleződésen át a lemorzsolódás megelőzéséig. Sokféle adatkezelési módszert tanultam meg, és sok időt töltöttem az eredmények összegyűjtésével, azok bemutatásával az érdekelt feleknek és a felsővezetésnek. Adattudósként főként egy típusú modellel foglalkoztam, és ritkán tartottam előadásokat. Ugorjunk előre néhány évet, és nézzük azokat a készségeket, amelyeket elsajátítottam ahhoz, hogy sikeres elemző legyek.
Készségek, amelyeket megtanultam, hogy sikeres adat-elemző legyek
1. Tanulj meg történeteket mesélni adatokkal
Ne nézd a KPI-kat külön-külön. Kapcsolódj össze velük, nézd a vállalkozást egy egészként. Ez segít meghatározni az egymásra ható területeket. A felsővezetés a vállalkozást egy lencsén keresztül szemléli, és azt a személyt, aki megmutatja ezt a képességet, észreveszik, amikor elérkezik az ideje a felemelésre.
2. Nyújts hatékony ötleteket
Nyújts a vállalatnak hatékony ötletet a probléma megoldására. Még jobb, ha proaktívan javasolsz megoldást, amikor még nem jelezték, hogy problémával foglalkozol.
Például, ha azt mondanád a marketing csapatnak: „Észrevettem, hogy az utóbbi időben csökken a weboldal látogatóinak havi száma”. Ez egy tendencia, amit ők is észlelhettek a műszerfalon, és te nem ajánlottál semmilyen értékes megoldást elemzőként, mert csak kijelentetted a megfigyelésedet.
Ehelyett vizsgáld meg az adatokat, hogy megtaláld az okot, és javasolj megoldást. A marketing számára a legjobb példa lenne: „Észrevettem, hogy az utóbbi időben csökkent a weboldalunk látogatottsága. Felfedeztem, hogy a probléma forrása a szokásos keresés, a nemrégiben bekövetkezett változások miatt, amelyek a Google keresési rangsorunk csökkenéséhez vezettek”. Ez a megközelítés azt mutatja, hogy figyelemmel kísérted a cég KPI-jait, észleltél egy változást, feltártad az okot, és javasoltál egy megoldást a problémára.
3. Legyél megbízható tanácsadó
Legyen az első, akit az érdekeltek a támogatott tevékenységi körében ajánlásokért vagy kérdésekkel keresnek. Nincs rövid út, mert e képességek demonstrálásához időre van szükség. A kulcs a következetes, magas színvonalú elemzések biztosítása a minimális hibák mellett. Bármely számítási hiba bizalmi pontokat fog költeni, mert amikor legközelebb elemzést nyújt, az emberek megkérdőjelezhetik: Ha az előző alkalommal tévedett, talán most is téved?. Mindig ellenőrizze le a munkáját. Az is hasznos lehet, ha megkéri a menedzserét vagy egy kollégáját, hogy nézze át a számokat, mielőtt bemutatja őket, ha kétségei vannak az elemzésével kapcsolatban.
4. Tanuljon meg világosan kommunikálni a bonyolult eredményekről
Ismétlem, nincs rövid út a hatékony kommunikációk elsajátításához. Ez gyakorlást igényel, és idővel egyre jobban fog menni. A legfontosabb, hogy azonosítsa azokat a főbb pontokat, amelyekről beszélni szeretne, és ajánl javaslatokat arra, hogy az érdekeltek a saját üzleti teljesítményük javítása érdekében mit tehetnek az elemzésének eredményeképpen. Minél magasabban van a karrierlétra ezen a szervezeten belül, annál fontosabb a kommunikációs készség. A bonyolult eredmények közvetítése fontos készség, amelyet be kell mutatni. Éveket töltöttem a siker titkainak tanulmányozásával adatkutatóként és adat-elemzőként. Az emberek eltérően határozzák meg a sikert. Az „elképesztő” és a „csillagos” elemzői cím megszerzése – nos, az a siker a szememben. Most, hogy tudja ezeket a titkokat, remélem, hogy az útja gyorsabban vezet a sikerhez, akárhogyan is határozza meg azt.
És hogy az útja még gyorsabb legyen a sikerhez, tartsa magánál a promóciós kódot HABR, amellyel további 10% kedvezményt igényelhet a banneren feltüntetett árra.
További kurzusok
Ajánlott cikkek
Forrás: habr.com
