Sok cikk szól a jó adattudóshoz vagy adatelemzőhöz szükséges készségekről, de kevés cikk szól a sikerhez szükséges készségekről – legyen az kivételes teljesítményértékelés, a vezetőség dicsérete, előléptetés vagy a fentiek mindegyike. Ma egy olyan anyagot mutatunk be nektek, amelynek szerzője szeretné megosztani személyes adattudósként és adatelemzőként szerzett tapasztalatait, valamint azt, hogy mit tanult a siker érdekében.
Szerencsém volt: adattudós állást ajánlottak fel, amikor még nem rendelkeztem adattudományi tapasztalattal. Az, hogy hogyan kezeltem a feladatot, egy másik történet, és azt akarom mondani, hogy csak homályos fogalmam volt arról, mit csinál egy adattudós, mielőtt elvállaltam volna a munkát.
Előző adatmérnöki munkám miatt vettek fel adatfolyamokkal foglalkozni, ahol egy adattárat fejlesztettem ki a prediktív elemzéshez, amelyet adattudósok egy csoportja használ.
Adattudósként az első évem során adatfolyamokat hoztam létre a gépi tanulási modellek betanításához és gyártásba való bevezetéséhez. Alacsony profilt tartottam, és nem sok találkozón vettem részt a marketingben érdekelt felekkel, akik a modellek végfelhasználói voltak.
A cégnél végzett munkám második évében távozott a marketingért felelős adatfeldolgozási és elemzési vezető. Ettől kezdve én lettem a főszereplő, és aktívabban vettem részt a modellek kidolgozásában és a projektek határidőinek megbeszélésében.
Az érdekelt felekkel való interakció során rájöttem, hogy az adattudomány egy homályos fogalom, amelyről az emberek hallottak, de nem egészen értik, különösen felsővezetői szinten.
Több mint száz modellt építettem, de ezeknek csak a harmadát használták, mert nem tudtam, hogyan kell megmutatni az értéküket, pedig a modelleket elsősorban a marketing kérte.
Az egyik csapattagom hónapokat töltött egy olyan modell kidolgozásával, amelyről a felső vezetés úgy gondolta, hogy bemutatja egy adattudományi csapat értékét. Az ötlet az volt, hogy a modellt az egész szervezeten belül elterjesszék, miután kidolgozták, és ösztönözni kell a marketingcsapatokat annak elfogadására.
Teljes kudarcnak bizonyult, mert senki sem értette, mi az a gépi tanulási modell, és nem értette használatának értékét. Ennek eredményeként hónapokat pazaroltak el olyasmire, amit senki sem akart.
Az ilyen helyzetekből levontam bizonyos leckéket, amelyeket az alábbiakban leírok.
Leckék, amelyeket megtanultam, hogy sikeres adattudós legyek
1. Tegye fel magát a sikerre a megfelelő cég kiválasztásával.
Amikor interjút készít egy vállalatnál, kérdezze meg az adatkultúrát és azt, hogy hány gépi tanulási modellt alkalmaznak és használnak a döntéshozatalban. Kérjen példákat. Nézze meg, hogy az adatinfrastruktúrája be van-e állítva a modellezés megkezdéséhez. Ha az idő 90%-át azzal tölti, hogy nyers adatokat gyűjt ki és tisztítson meg, akkor alig vagy egyáltalán nem marad ideje olyan modellek készítésére, amelyek bemutatják adattudósként való értékét. Legyen óvatos, ha először vesz fel adattudósnak. Ez lehet jó vagy rossz dolog, az adatkultúrától függően. Nagyobb ellenállásba ütközhet a modell bevezetése, ha a felső vezetés adattudóst vesz fel csak azért, mert a céget a Data Science segítségével jobb döntéseket hozni, de fogalma sincs, mit jelent valójában. Ráadásul, ha talál egy adatközpontú céget, azzal együtt fog növekedni.
2. Ismerje meg az adatokat és a kulcsfontosságú teljesítménymutatókat (KPI).
Az elején említettem, hogy adatmérnökként analitikai adatpiacot készítettem egy adattudós csapat számára. Mivel magam is adattudós lettem, új lehetőségeket találhattam, amelyek növelték a modellek pontosságát, mivel előző munkakörömben intenzíven dolgoztam a nyers adatokkal.
Egyik kampányunk eredményének bemutatásával sikerült megmutatnom a magasabb konverziós arányt generáló modelleket (százalékban), majd megmértem az egyik kampány KPI-t. Ez megmutatta annak az üzleti teljesítménymodellnek az értékét, amelyhez a marketing kapcsolható.
3. Biztosítsa a modell elfogadását azáltal, hogy bemutatja értékét az érdekelt felek számára
Soha nem lesz sikeres adattudós, ha az érintettek soha nem használják az Ön modelljeit üzleti döntések meghozatalára. A modell elfogadásának egyik módja az, hogy megtaláljuk az üzleti nehézségeket, és megmutatjuk, hogyan segíthet a modell.
Miután beszéltem értékesítési csapatunkkal, rájöttem, hogy két képviselő teljes munkaidőben dolgozott kézzel átfésülve a vállalat adatbázisában található több millió felhasználót, hogy azonosítsa azokat az egyetlen licenccel rendelkező felhasználókat, akik nagyobb valószínűséggel frissítenek csapatlicencekre. A kiválasztásnál egy kritériumrendszert alkalmaztak, de a kiválasztás elhúzódott, mert a képviselők egy-egy felhasználót néztek meg. Az általam kifejlesztett modell segítségével a képviselők meg tudták célozni azokat a felhasználókat, akik nagy valószínűséggel csapatlicencet vásárolnak, és növelték a konverzió valószínűségét rövidebb idő alatt. Ez hatékonyabb időfelhasználást eredményezett azáltal, hogy megnövelte a fő teljesítménymutatók konverziós arányát, amelyekhez az értékesítési csapat kapcsolódhat.
Több év telt el, és ugyanazokat a modelleket fejlesztettem újra és újra, és úgy éreztem, hogy már nem tanulok semmi újat. Úgy döntöttem, hogy keresek egy másik pozíciót, és végül adatelemzői pozíciót kaptam. A felelősségi körök közötti különbség nem is lehetett volna jelentősebb adattudós koromhoz képest, pedig újra a marketinget támogattam.
Ez volt az első alkalom, hogy elemeztem az A/B kísérleteket, és megállapítottam minden hogyan hibázhat egy kísérlet. Adattudósként egyáltalán nem foglalkoztam A/B teszteléssel, mert az a kísérleti csapat számára volt fenntartva. A marketingre hatással lévő elemzések széles skáláján dolgoztam – a prémium konverziós arányok növelésétől a felhasználói elkötelezettségig és a lemorzsolódás megelőzéséig. Sok különböző módot tanultam az adatok megtekintésére, és sok időt töltöttem az eredmények összeállításával, valamint az érdekelt felek és a felső vezetés felé történő bemutatásával. Adattudósként többnyire egyfajta modellen dolgoztam, és ritkán tartottam előadásokat. Gyorsan előre néhány évet azokhoz a készségekhez, amelyeket sikeres elemzőként tanultam meg.
Készségek, amelyeket megtanultam, hogy sikeres adatelemző legyek
1. Tanulj meg történeteket mesélni adatokkal
Ne nézze a KPI-ket elszigetelten. Csatlakoztassa őket, nézze meg az üzlet egészét. Ez lehetővé teszi, hogy azonosítsa azokat a területeket, amelyek befolyásolják egymást. A felső vezetés szemüvegen keresztül szemléli az üzletet, és egy személyt, aki bemutatja ezt a képességét, észreveszik, amikor előléptetési döntéseket kell hoznia.
2. Adjon megvalósítható ötleteket.
Biztosítson üzletet hatásos ötlet hogy megoldja a problémát. Még jobb, ha proaktívan megoldást kínál, amikor még nem hangzott el, hogy a mögöttes problémával foglalkozik.
Például, ha azt mondtad a marketingnek: „Észrevettem, hogy az utóbbi időben az oldal látogatóinak száma havonta csökken.”. Ez egy olyan tendencia, amelyet észrevehettek a műszerfalon, és Ön elemzőként nem kínált értékes megoldást, mert csak a megfigyelést közölte.
Ehelyett vizsgálja meg az adatokat, hogy megtalálja az okot, és javasoljon megoldást. Egy jobb példa a marketingre: „Észrevettem, hogy az utóbbi időben csökkent a honlapunk látogatottsága. Felfedeztem, hogy a probléma forrása az organikus keresés, a közelmúltban bekövetkezett változások miatt, amelyek miatt a Google keresési rangsorolása csökkent.". Ez a megközelítés azt mutatja, hogy nyomon követte a vállalat KPI-it, észrevette a változást, megvizsgálta az okot, és megoldást javasolt a problémára.
3. Legyen megbízható tanácsadó
Önnek kell az első embernek lennie, akihez az érdekelt felei tanácsot vagy kérdést kérnek az Ön által támogatott vállalkozással kapcsolatban. Nincs parancsikon, mert időbe telik e képességek bemutatása. Ennek kulcsa a következetes minőségi elemzés, minimális hibákkal. Bármilyen téves számítás hitelességi pontokba kerül, mert amikor legközelebb elemzést készít, az emberek csodálkozhatnak: Ha múltkor tévedett, talán most is téved?. Mindig ellenőrizze újra a munkáját. Az sem árt, ha megkéri vezetőjét vagy kollégáját, nézze meg a számokat, mielőtt bemutatná azokat, ha kétségei vannak az elemzésével kapcsolatban.
4. Tanulja meg világosan közölni az összetett eredményeket.
Ismétlem, nincs parancsikon a hatékony kommunikáció megtanulásához. Ez gyakorlást igényel, és idővel egyre jobb lesz. A kulcs az, hogy azonosítsa a tenni kívánt főbb pontokat, és javasoljon minden olyan intézkedést, amelyet elemzése eredményeként az érintettek megtehetnek az üzlet fejlesztése érdekében. Minél magasabban van egy szervezetben, annál fontosabbak a kommunikációs készségei. Az összetett eredmények közlése fontos bizonyítandó készség. Éveken át tanultam a siker titkait adattudósként és adatelemzőként. Az emberek különbözőképpen határozzák meg a sikert. „Csodálatos” és „csillagszerű” elemzőként jellemezni az én szememben siker. Most, hogy ismered ezeket a titkokat, remélem, hogy az utad gyorsan elvezet a sikerhez, akárhogyan is határozod meg.
A sikerhez vezető út még gyorsabbá tétele érdekében tartsa meg a promóciós kódot GYERTYÁNFÉNY, mellyel további 10%-ot kaphat a banneren feltüntetett kedvezményhez.
További tanfolyamok
Kiemelt cikkek
Forrás: will.com