Կան բազմաթիվ հոդվածներ տվյալների լավ գիտնական կամ տվյալների վերլուծաբան լինելու համար անհրաժեշտ հմտությունների մասին, բայց քիչ հոդվածներ խոսում են հաջողության հասնելու համար անհրաժեշտ հմտությունների մասին՝ լինի դա կատարողականի բացառիկ ակնարկ, ղեկավարության գովասանք, առաջխաղացում կամ վերը նշված բոլորը: Այսօր ձեզ ենք ներկայացնում մի նյութ, որի հեղինակը կցանկանար կիսվել իր անձնական փորձով՝ որպես տվյալների գիտնական և տվյալների վերլուծաբան, ինչպես նաև այն, ինչ նա սովորել է հաջողության հասնելու համար:
Իմ բախտը բերեց. ինձ առաջարկեցին տվյալների գիտնականի պաշտոնը, երբ ես փորձ չունեի տվյալների գիտության ոլորտում: Թե ինչպես եմ ես լուծել առաջադրանքը, այլ պատմություն է, և ես ուզում եմ ասել, որ ես միայն աղոտ պատկերացում ունեի այն մասին, թե ինչ է անում տվյալների գիտնականը, նախքան աշխատանքի անցնելը:
Ինձ աշխատանքի ընդունեցին տվյալների խողովակաշարերի վրա աշխատելու համար՝ որպես տվյալների ինժեներ իմ նախկին աշխատանքի պատճառով, որտեղ ես մշակեցի տվյալների մարթ կանխատեսող վերլուծության համար, որն օգտագործվում էր տվյալների մի խումբ գիտնականների կողմից:
Իմ առաջին տարին որպես տվյալների գիտնական ներառում էր տվյալների խողովակաշարերի ստեղծում՝ մեքենայական ուսուցման մոդելներ պատրաստելու և դրանք արտադրության մեջ դնելու համար: Ես ցածր գնահատական էի պահում և չէի մասնակցում բազմաթիվ հանդիպումների շուկայավարման շահագրգիռ կողմերի հետ, որոնք մոդելների վերջնական օգտագործողներն էին:
Ընկերությունում իմ աշխատանքի երկրորդ տարում մարքեթինգի համար պատասխանատու տվյալների մշակման և վերլուծության մենեջերը հեռացավ: Այդ ժամանակվանից ես դարձա հիմնական խաղացողը և ավելի ակտիվ մասնակցեցի մոդելների մշակմանը և նախագծերի վերջնաժամկետների քննարկմանը:
Երբ ես շփվում էի շահագրգիռ կողմերի հետ, ես հասկացա, որ տվյալների գիտությունը անորոշ հասկացություն է, որի մասին մարդիկ լսել են, բայց այնքան էլ չեն հասկանում, հատկապես բարձրագույն ղեկավարության մակարդակում:
Ես կառուցեցի հարյուրից ավելի մոդելներ, բայց դրանց միայն մեկ երրորդն օգտագործվեց, քանի որ չգիտեի, թե ինչպես ցույց տալ դրանց արժեքը, չնայած որ մոդելները հիմնականում պահանջվում էին շուկայավարման միջոցով:
Իմ թիմի անդամներից մեկը ամիսներ է ծախսել՝ մշակելով մի մոդել, որը ավագ ղեկավարության կարծիքով ցույց կտա տվյալների գիտության թիմի արժեքը: Գաղափարը կայանում էր նրանում, որ մոդելը մշակվելուց հետո տարածել ամբողջ կազմակերպությունում և խրախուսել մարքեթինգային թիմերին ընդունել այն:
Պարզվեց, որ դա կատարյալ ձախողում էր, քանի որ ոչ ոք չէր հասկանում, թե ինչ է մեքենայական ուսուցման մոդելը կամ կարող էր հասկանալ դրա օգտագործման արժեքը: Արդյունքում ամիսներ վատնվեցին մի բանի վրա, որը ոչ ոք չէր ուզում։
Նման իրավիճակներից ես որոշակի դասեր եմ քաղել, որոնք կտամ ստորև։
Դասեր, որոնք ես սովորեցի, որպեսզի դառնամ հաջողակ տվյալների գիտնական
1. Ձեռք բերեք հաջողության հասնել՝ ընտրելով ճիշտ ընկերություն:
Ընկերությունում հարցազրույց տալիս հարցրեք տվյալների մշակույթի և մեքենայական ուսուցման քանի մոդելների մասին, որոնք ընդունված և օգտագործվում են որոշումների կայացման ժամանակ: Հարցրեք օրինակներ: Պարզեք, թե արդյոք ձեր տվյալների ենթակառուցվածքը ստեղծվել է մոդելավորում սկսելու համար: Եթե դուք ծախսում եք ձեր ժամանակի 90%-ը՝ փորձելով քաղել չմշակված տվյալներ և մաքրել դրանք, ապա ձեզ քիչ ժամանակ կմնա որևէ մոդել ստեղծելու համար՝ որպես տվյալների գիտնական ձեր արժեքը ցույց տալու համար: Զգույշ եղեք, եթե առաջին անգամ եք աշխատանքի ընդունվում որպես տվյալների գիտնական: Սա կարող է լինել լավ կամ վատ բան՝ կախված տվյալների մշակույթից: Դուք կարող եք ավելի մեծ դիմադրության հանդիպել մոդելի կիրառման հարցում, եթե ավագ ղեկավարությունը վարձում է տվյալների գիտնական միայն այն պատճառով, որ ընկերությունը ցանկանում է հայտնի լինել որպես տվյալների գիտության օգտագործումը ավելի լավ որոշումներ կայացնելու համար, բայց չգիտի, թե դա իրականում ինչ է նշանակում: Բացի այդ, եթե գտնեք մի ընկերություն, որը հիմնված է տվյալների վրա, դուք կզարգանաք դրա հետ:
2. Իմացեք տվյալները և հիմնական կատարողականի ցուցանիշները (KPI):
Սկզբում ես նշեցի, որ որպես տվյալների ինժեներ, ես ստեղծել եմ վերլուծական տվյալների մարթ տվյալների գիտնականների թիմի համար: Ինքս դառնալով տվյալների գիտաշխատող՝ ես կարողացա գտնել նոր հնարավորություններ, որոնք մեծացնում էին մոդելների ճշգրտությունը, քանի որ ես ինտենսիվորեն աշխատում էի հումքի տվյալների հետ իմ նախորդ պաշտոնում:
Ներկայացնելով մեր արշավներից մեկի արդյունքները՝ ես կարողացա ցույց տալ ավելի բարձր փոխակերպման տոկոսադրույքներ ստեղծող մոդելները (ինչպես տոկոս), այնուհետև չափեցի քարոզարշավի KPI-ներից մեկը: Սա ցույց տվեց բիզնեսի արդյունավետության մոդելի արժեքը, որի հետ կարելի է կապել շուկայավարումը:
3. Ապահովել մոդելի ընդունումը՝ շահագրգիռ կողմերին ցույց տալով դրա արժեքը
Դուք երբեք հաջողության չեք հասնի որպես տվյալների գիտնական, եթե ձեր շահագրգիռ կողմերը երբեք չօգտագործեն ձեր մոդելները բիզնես որոշումներ կայացնելու համար: Մոդելի ընդունումն ապահովելու եղանակներից մեկը բիզնեսի ցավոտ կետ գտնելն է և ցույց տալ, թե ինչպես կարող է մոդելը օգնել:
Մեր վաճառքի թիմի հետ խոսելուց հետո ես հասկացա, որ երկու ներկայացուցիչներ աշխատում էին լրիվ դրույքով՝ ձեռքով ուսումնասիրելով ընկերության տվյալների բազայի միլիոնավոր օգտատերերի՝ նույնականացնելու մեկ լիցենզիա ունեցող օգտվողներին, ովքեր ավելի հավանական է, որ նորացնեն թիմային լիցենզիաներ: Ընտրությունը օգտագործել է մի շարք չափանիշներ, սակայն ընտրությունը երկար է տևել, քանի որ ներկայացուցիչները միաժամանակ դիտում են մեկ օգտատեր: Օգտագործելով իմ մշակած մոդելը, ներկայացուցիչները կարողացան թիրախավորել օգտվողներին, որոնք, ամենայն հավանականությամբ, ձեռք կբերեն թիմային լիցենզիա և ավելի քիչ ժամանակում մեծացնեն փոխակերպման հավանականությունը: Սա հանգեցրել է ժամանակի ավելի արդյունավետ օգտագործման՝ բարձրացնելով փոխակերպման տոկոսադրույքները հիմնական կատարողական ցուցանիշների համար, որոնց վաճառքի թիմը կարող է առնչվել:
Անցավ մի քանի տարի, և ես նորից ու նորից մշակեցի նույն մոդելները և զգացի, որ այլևս նոր բան չեմ սովորում: Ես որոշեցի այլ պաշտոն փնտրել և ստացա տվյալների վերլուծաբանի պաշտոն: Պարտականությունների տարբերությունը չէր կարող ավելի նշանակալից լինել՝ համեմատած այն ժամանակ, երբ ես տվյալների գիտնական էի, թեև ես կրկին աջակցում էի մարքեթինգին:
Սա առաջին անգամն էր, որ ես վերլուծեցի A/B փորձերը և գտա բոլորը ուղիներ, որոնցով փորձը կարող է սխալ լինել: Որպես տվյալների գիտնական, ես ընդհանրապես չեմ աշխատել A/B թեստավորման վրա, քանի որ այն վերապահված էր փորձարարական խմբին: Ես աշխատել եմ շուկայավարման վրա ազդող վերլուծությունների լայն շրջանակի վրա՝ պրեմիում փոխակերպման տոկոսադրույքների բարձրացումից մինչև օգտատերերի ներգրավվածություն և խափանումների կանխարգելում: Ես սովորեցի տվյալներին նայելու շատ տարբեր եղանակներ և շատ ժամանակ ծախսեցի արդյունքները կազմելու և դրանք շահագրգիռ կողմերին և բարձրագույն ղեկավարությանը ներկայացնելու համար: Որպես տվյալների գիտնական, ես հիմնականում աշխատում էի մեկ տեսակի մոդելի վրա և հազվադեպ ելույթներ էի ունենում: Մի քանի տարի անց այն հմտություններին, որոնք ես սովորեցի հաջողակ վերլուծաբան լինելու համար:
Հմտություններ, որոնք ես սովորեցի դառնալ հաջողակ տվյալների վերլուծաբան
1. Սովորեք պատմություններ պատմել տվյալների հետ
Մի նայեք KPI-ներին առանձին-առանձին: Միացրեք դրանք, նայեք բիզնեսին որպես ամբողջություն: Սա թույլ կտա ձեզ բացահայտել այն ոլորտները, որոնք ազդում են միմյանց վրա: Բարձրագույն ղեկավարությունը բիզնեսը դիտում է ոսպնյակի միջոցով, և այն մարդը, ով ցուցադրում է այս հմտությունը, նկատվում է, երբ գալիս է առաջխաղացման որոշումներ կայացնելու ժամանակը:
2. Տրամադրել գործող գաղափարներ:
Տրամադրել բիզնես արդյունավետ գաղափար խնդիրը լուծելու համար։ Նույնիսկ ավելի լավ է, եթե դուք ակտիվորեն լուծում առաջարկեք, երբ դեռ չի ասվել, որ դուք գործ ունեք հիմքում ընկած խնդրի հետ:
Օրինակ, եթե մարքեթինգին ասացիք. «Ես նկատեցի, որ վերջերս կայքի այցելուների թիվը ամեն ամիս նվազում է»։. Սա միտում է, որը նրանք կարող էին նկատել վահանակի վրա, և դուք որպես վերլուծաբան որևէ արժեքավոր լուծում չեք առաջարկել, քանի որ դուք միայն նշել եք դիտարկումը:
Փոխարենը, ուսումնասիրեք տվյալները՝ պատճառը գտնելու և լուծում առաջարկելու համար: Մարքեթինգի համար ավելի լավ օրինակ կլինի. «Ես նկատել եմ, որ վերջին շրջանում մեր կայքի այցելուների թվի նվազում է նկատվում։ Ես հայտնաբերեցի, որ խնդրի աղբյուրը օրգանական որոնումն է, վերջին փոփոխությունների պատճառով, որոնք հանգեցրել են մեր Google որոնման վարկանիշի անկմանը»:. Այս մոտեցումը ցույց է տալիս, որ դուք հետևել եք ընկերության KPI-ներին, նկատել եք փոփոխությունը, ուսումնասիրել եք պատճառը և առաջարկել եք խնդրի լուծում:
3. Դարձեք վստահելի խորհրդատու
Դուք պետք է լինեք առաջին մարդը, ում ձեր շահագրգիռ կողմերը դիմում են ձեր աջակցած բիզնեսի վերաբերյալ խորհրդատվության կամ հարցերի համար: Չկա դյուրանցում, քանի որ ժամանակ է պահանջվում այդ կարողությունները դրսևորելու համար: Դրա բանալին հետևողականորեն բարձրորակ վերլուծություն մատուցելն է՝ նվազագույն սխալներով: Ցանկացած սխալ հաշվարկ կարժենա ձեզ արժանահավատության միավորներ, քանի որ հաջորդ անգամ վերլուծություն ներկայացնելիս մարդիկ կարող են զարմանալ. Եթե նախորդ անգամ սխալվել եք, միգուցե այս անգամ էլ եք սխալվում:. Միշտ կրկնակի ստուգեք ձեր աշխատանքը: Չի խանգարի նաև խնդրեք ձեր մենեջերին կամ գործընկերոջը նայել ձեր թվերը, նախքան դրանք ներկայացնելը, եթե կասկածներ ունեք ձեր վերլուծության վերաբերյալ:
4. Սովորեք հստակորեն հաղորդել բարդ արդյունքները:
Կրկին, արդյունավետ հաղորդակցվել սովորելու դյուրանցում չկա: Սա պրակտիկա է պահանջում, և ժամանակի ընթացքում դուք ավելի լավ կհասկանաք դրան: Հիմնական բանը բացահայտելն է այն հիմնական կետերը, որոնք դուք ցանկանում եք անել և խորհուրդ տալ ցանկացած գործողություն, որը ձեր վերլուծության արդյունքում շահագրգիռ կողմերը կարող են ձեռնարկել բիզնեսը բարելավելու համար: Որքան բարձր եք դուք կազմակերպությունում, այնքան ավելի կարևոր են ձեր հաղորդակցման հմտությունները: Բարդ արդյունքների մասին հաղորդակցումը կարևոր հմտություն է դրսևորելու համար: Ես տարիներ եմ անցկացրել՝ սովորելով հաջողության գաղտնիքները որպես տվյալների գիտնական և տվյալների վերլուծաբան: Մարդիկ տարբեր կերպ են սահմանում հաջողությունը: Որպես «զարմանալի» և «աստեղային» վերլուծաբան նկարագրվելն իմ աչքում հաջողություն է: Այժմ, երբ դուք գիտեք այս գաղտնիքները, հուսով եմ, որ ձեր ճանապարհը ձեզ արագ կբերի հաջողության, ինչպես որ դուք այն սահմանեք:
Եվ որպեսզի ձեր հաջողության ճանապարհն էլ ավելի արագ դարձնեք, պահպանեք պրոմո կոդը ՀԱԲՐ, որով կարող եք ստանալ հավելյալ 10% զեղչին, որը նշված է բանների վրա։
Ավելի շատ դասընթացներ
Առաջարկվող հոդվածներ
Source: www.habr.com