🥇Ինչպես դառնալ հաջողակ տվյալագետ և տվյալների վերլուծաբան

Կան բազմաթիվ հոդվածներ լավ տվյալագետ կամ տվյալների վերլուծաբան լինելու համար անհրաժեշտ հմտությունների մասին, բայց քիչ հոդվածներ են խոսում հաջողության հասնելու համար անհրաժեշտ հմտությունների մասին՝ լինի դա բացառիկ աշխատանքային գնահատական ստանալը, ղեկավարության կողմից գովասանքը, պաշտոնի բարձրացումը, թե վերը նշված բոլորը։ Այսօր ձեզ ենք ներկայացնում մի հոդված, որի հեղինակը ցանկանում է կիսվել տվյալների գիտնականի և վերլուծաբանի իր անձնական փորձով, ինչպես նաև հաջողության հասնելու համար իր ստացած գիտելիքներով։

Ես բախտ ունեցա, որ ինձ առաջարկեցին տվյալագետի պաշտոն, երբ ես տվյալագիտության ոլորտում փորձ չունեի։ Թե ինչպես ես այնտեղ հասա, դա ուրիշ պատմություն է, և ուզում եմ ասել, որ աշխատանքը ստանձնելուց առաջ ես միայն մշուշոտ պատկերացում ունեի այն մասին, թե ինչ է անում տվյալագետը։

Ես վարձվեցի տվյալների փոխանցման խողովակաշարերի կառուցման վրա աշխատելու իմ նախորդ աշխատանքից՝ որպես տվյալների ինժեներ, որտեղ ես մշակել էի տվյալների շուկա կանխատեսողական վերլուծության համար, որն օգտագործվում էր տվյալագետների խմբի կողմից։

Որպես տվյալագետ՝ իմ առաջին տարին ներառում էր տվյալների փոխանցման խողովակաշարերի կառուցում՝ մեքենայական ուսուցման մոդելներ մարզելու և դրանք արտադրության մեջ տեղակայելու համար։ Ես գաղտնի էի մնում և շատ հանդիպումների չէի մասնակցում մարքեթինգային շահագրգիռ կողմերի հետ, որոնք մոդելների վերջնական օգտագործողներն էին։

Ընկերությունում իմ աշխատանքի երկրորդ տարում մարքեթինգի համար պատասխանատու տվյալների մշակման և վերլուծության մենեջերը հեռացավ։ Այդ ժամանակվանից ի վեր ես դարձել եմ հիմնական դերակատար և ավելի ակտիվ դեր եմ ստանձնել մոդելների մշակման և նախագծերի ժամկետների քննարկման գործում։

Երբ խոսում էի շահագրգիռ կողմերի հետ, հասկացա, որ տվյալների գիտությունը անորոշ հասկացություն է, որի մասին մարդիկ լսել էին, բայց լիովին չէին հասկանում, հատկապես ավագ մակարդակում։

Ես կառուցեցի հարյուրից ավելի մոդելներ, բայց դրանցից միայն մեկ երրորդն օգտագործվեց, քանի որ չգիտեի, թե ինչպես ցույց տալ դրանց արժեքը, չնայած մոդելները հիմնականում պատվիրվել էին մարքեթինգի կողմից։

Իմ թիմի անդամներից մեկը ամիսներ անցկացրեց մի մոդել մշակելով, որը, ըստ ավագ ղեկավարության, կցույց տար տվյալագիտության թիմի արժեքը։ Գաղափարն այն էր, որ մոդելը մշակվելուց հետո այն տարածվի ամբողջ կազմակերպությունում և խրախուսվի մարքեթինգային թիմերին այն կիրառել։

Սա լիակատար ձախողում եղավ, քանի որ ոչ ոք չէր հասկանում, թե ինչ է մեքենայական ուսուցման մոդելը կամ չէր տեսնում դրա օգտագործման արժեքը։ Արդյունքում, ամիսներ վատնվեցին մի բանի վրա, որը ոչ ոք չէր ուզում։

Այսպիսի իրավիճակներից ես որոշակի դասեր քաղեցի, որոնք կներկայացնեմ ստորև։

Դասեր, որոնք ես սովորեցի հաջողակ տվյալների գիտնական դառնալու համար

1. Պատրաստվեք հաջողության՝ ընտրելով ճիշտ ընկերությունը։
Ընկերությունում հարցազրույցի ժամանակ հարցրեք տվյալների մշակույթի և որոշումների կայացման գործընթացում մեքենայական ուսուցման քանի մոդել է ընդունվում և օգտագործվում։ Հարցրեք օրինակներ։ Պարզեք, թե արդյոք ձեր տվյալների ենթակառուցվածքը կարգավորված է մոդելավորումը սկսելու համար։ Եթե ձեր ժամանակի 90%-ը ծախսեք հում տվյալներ հավաքելու և մաքրելու վրա, ապա գրեթե ժամանակ չեք ունենա որևէ մոդել կառուցելու՝ որպես տվյալագետի ձեր արժեքը ցույց տալու համար։ Զգույշ եղեք, եթե առաջին անգամ եք վարձվում որպես տվյալագետ։ Սա կարող է լավ կամ վատ լինել՝ կախված տվյալների մշակույթից։ Դուք կարող եք մեծ դիմադրության հանդիպել մոդելի ներդրման հարցում, եթե ավագ ղեկավարությունը վարձում է տվյալների գիտնականի միայն այն պատճառով, որ ընկերությունը ցանկանում է հայտնի լինել որպես... Տվյալների գիտության օգտագործումը՝ ավելի լավ որոշումներ կայացնելու համար, բայց պատկերացում չունի, թե դա իրականում ինչ է նշանակում։ Բացի այդ, եթե գտնեք տվյալներով աշխատող ընկերություն, դուք կզարգանաք նրա հետ միասին։

2. Իմացեք տվյալները և հիմնական կատարողականի ցուցանիշները (KPI):
Սկզբում ես նշեցի, որ որպես տվյալների ինժեներ, ես ստեղծել եմ վերլուծական տվյալների շուկա տվյալների գիտության թիմի համար։ Որպես տվյալագետ, ես կարողացա գտնել նոր հնարավորություններ, որոնք բարելավեցին մոդելների ճշգրտությունը, քանի որ նախորդ դերում ես ինտենսիվորեն աշխատել եմ հում տվյալների հետ։

Մեր արշավներից մեկի արդյունքները ներկայացնելով՝ ես կարողացա ցույց տալ այն օրինաչափությունները, որոնք հանգեցրին ավելի բարձր փոխակերպման ցուցանիշների (տոկոսային արտահայտությամբ), որից հետո չափվեց արշավի KPI-ներից մեկը։ Սա ցույց տվեց մոդելի արժեքը բիզնեսի արդյունավետության համար, որի հետ կարելի է կապել մարքեթինգը։

3. Ապահովել մոդելի ընդունումը՝ շահագրգիռ կողմերին ցույց տալով դրա արժեքը
Դուք երբեք հաջողության չեք հասնի որպես տվյալների գիտնական, եթե շահագրգիռ կողմերը երբեք չօգտագործեն ձեր մոդելները բիզնես որոշումներ կայացնելու համար։ Մոդելի ընդունումն ապահովելու միջոցներից մեկը բիզնեսի ցավոտ կետը գտնելն է և ցույց տալը, թե ինչպես կարող է մոդելը օգնել։

Մեր վաճառքի թիմի հետ խոսելուց հետո ես հասկացա, որ երկու ներկայացուցիչ աշխատում էին լրիվ դրույքով՝ ձեռքով վերանայելով ընկերության տվյալների բազայի միլիոնավոր օգտատերերի տվյալները՝ նույնականացնելու համար մեկ լիցենզիա ունեցող օգտատերերին, ովքեր ավելի հավանական է, որ կանցնեին թիմային լիցենզիաների։ Ընտրության գործընթացում օգտագործվել են չափանիշների մի շարք, սակայն ընտրության գործընթացը երկար ժամանակ է պահանջել, քանի որ ներկայացուցիչները միաժամանակ դիտարկում էին մեկ օգտատիրոջ։ Իմ մշակած մոդելի միջոցով ներկայացուցիչները կարողացան ընտրել այն օգտատերերին, ովքեր ամենայն հավանականությամբ կգնեին թիմային լիցենզիա և ավելի կարճ ժամանակում մեծացրին փոխակերպման հավանականությունը։ Սա հանգեցրել է ժամանակի ավելի արդյունավետ օգտագործման՝ վաճառքի բաժնի կողմից հնարավոր ներգրավված հիմնական ցուցանիշների փոխակերպման մակարդակների բարձրացման միջոցով։

Անցավ մի քանի տարի, և ես անընդհատ մշակում էի նույն մոդելները և զգում էի, որ այլևս ոչ մի նոր բան չեմ սովորում։ Ես որոշեցի մեկ այլ աշխատանք փնտրել և ի վերջո ստացա տվյալների վերլուծաբանի պաշտոն։ Պարտականությունների տարբերությունը չէր կարող ավելի նշանակալի լինել՝ համեմատած տվյալների գիտնական աշխատելու իմ ժամանակահատվածի հետ, չնայած ես կրկին աջակցում էի մարքեթինգին։

Սա առաջին անգամն էր, որ ես վերլուծեցի A/B փորձերը և պարզեցի, որ բոլորը եղանակներ, որոնցով փորձը կարող է սխալ ընթանալ։ Որպես տվյալագետ, ես ընդհանրապես չեմ աշխատել A/B թեստավորման վրա, քանի որ դա վերապահված էր փորձարկումների թիմին։ Ես աշխատել եմ մարքեթինգի ազդեցության տակ գտնվող վերլուծական լայն շրջանակի վրա՝ սկսած պրեմիում կոնվերսիայի մակարդակի բարձրացումից մինչև օգտատերերի ներգրավվածություն և հաճախորդների արտահոսքի կանխարգելում։ Ես սովորեցի տվյալներին նայելու բազմաթիվ տարբեր եղանակներ և շատ ժամանակ ծախսեցի արդյունքները ամփոփելու, դրանք շահագրգիռ կողմերին և ավագ ղեկավարությանը ներկայացնելու վրա։ Որպես տվյալագետ, ես հիմնականում աշխատել եմ մեկ տեսակի մոդելի վրա և հազվադեպ եմ ելույթ ունեցել։ Մի քանի տարի առաջ գնանք և անցնենք այն հմտություններին, որոնք ձեռք բերեցի հաջողակ վերլուծաբան դառնալու համար։

Հմտություններ, որոնք ես սովորեցի հաջողակ տվյալների վերլուծաբան դառնալու համար

1. Սովորեք պատմություններ պատմել տվյալներով
Մի՛ դիտարկեք KPI-ները առանձին։ Կապեք դրանք միմյանց հետ, նայեք բիզնեսին որպես ամբողջություն։ Սա մեզ թույլ կտա բացահայտել միմյանց վրա ազդող ոլորտները։ Ավագ ղեկավարությունը բիզնեսը դիտարկում է այս տեսանկյունից, և այս հմտությունը ցուցաբերող անձը նկատելի է դառնում, երբ խոսքը գնում է պաշտոնի բարձրացման որոշումներ կայացնելու մասին։

2. Ներկայացրեք գործնական գաղափարներ
Ապահովել բիզնեսը արդյունավետ գաղափար խնդիրը լուծելու համար։ Ավելի լավ է, եթե դուք նախաձեռնողաբար լուծում առաջարկեք, նախքան այն, որ դուք գործ ունեք որևէ առաջնային խնդրի հետ, ասվի։

Օրինակ, եթե դուք մարքեթինգին ասեիք. «Ես նկատել եմ, որ վերջերս կայքի այցելուների թիվը ամսական նվազում է»։. Սա միտում է, որը նրանք կարող է նկատած լինեն վահանակում, և դուք որպես վերլուծաբան որևէ արժեքավոր տեղեկատվություն չեք ներկայացրել, քանի որ միայն դիտարկում եք նշել։

Դրա փոխարեն, ուսումնասիրեք տվյալները՝ պատճառը գտնելու և լուծում առաջարկելու համար։ Մարքեթինգի ավելի լավ օրինակ կլինի հետևյալը. «Ես նկատել եմ, որ վերջերս մեր կայքի այցելուների թիվը նվազել է։ Ես պարզեցի, որ խնդրի աղբյուրը օրգանական որոնումն էր՝ վերջերս տեղի ունեցած փոփոխությունների պատճառով, որոնք հանգեցրին մեր դիրքերի անկմանը Google որոնման արդյունքներում»։. Այս մոտեցումը ցույց է տալիս, որ դուք վերահսկել եք ընկերության KPI-ները, նկատել փոփոխություն, ուսումնասիրել պատճառը և առաջարկել խնդրի լուծում։

3. Դարձեք վստահելի խորհրդատու
Դուք պետք է լինեք առաջին մարդը, որին ձեր շահագրգիռ կողմերը դիմում են ձեր աջակցած գործի վերաբերյալ խորհրդատվության կամ հարցերի համար։ Կարճ ճանապարհ չկա, քանի որ այս կարողությունները ցուցադրելու համար ժամանակ է պետք։ Դրա բանալին հետևողականորեն բարձրորակ վերլուծություն մատուցելն է՝ նվազագույն սխալներով։ Հաշվարկներում ցանկացած սխալ ձեզ կարժենա հավաստիության միավորներ, քանի որ հաջորդ անգամ, երբ դուք ներկայացնեք ձեր վերլուծությունը, մարդիկ կարող են հարցնել. Եթե անցյալ անգամ սխալվել եք, գուցե այս անգամ էլ սխալվում եք։. Միշտ կրկնակի ստուգեք ձեր աշխատանքը։ Նաև չի խանգարի խնդրել ձեր ղեկավարին կամ գործընկերոջը նայել ձեր թվերը դրանք ներկայացնելուց առաջ, եթե կասկածներ ունեք ձեր վերլուծության վերաբերյալ։

4. Սովորեք հստակորեն հաղորդել բարդ արդյունքները
Կրկին, արդյունավետ հաղորդակցություն սովորելու կարճ ճանապարհ չկա։ Սա պահանջում է պրակտիկա, և ժամանակի ընթացքում դուք կհմտանաք դրանում։ Հիմնականը ձեր վերլուծության արդյունքում շահագրգիռ կողմերի կողմից ձեռնարկվող ցանկացած գործողությունների բացահայտումն է բիզնեսի բարելավման համար։ Որքան բարձր եք գտնվում կազմակերպությունում կարիերայի սանդուղքի վրա, այնքան ավելի կարևոր են դառնում հաղորդակցման հմտությունները։ Բարդ արդյունքների մասին հաղորդելը կարևոր հմտություն է, որը պետք է ցուցադրել։ Ես տարիներ եմ անցկացրել՝ ուսումնասիրելով տվյալների գիտնականի և տվյալների վերլուծաբանի հաջողության գաղտնիքները։ Մարդիկ հաջողությունը տարբեր կերպ են սահմանում։ Իմ կարծիքով, «հիանալի» և «աստղային» վերլուծաբանի որակումը հաջողություն է։ Հիմա, երբ դուք գիտեք այս գաղտնիքները, հուսով եմ, որ ձեր ուղին ձեզ ավելի արագ կտանի դեպի հաջողություն, անկախ նրանից, թե ինչպես եք այն սահմանում։

Եվ որպեսզի ձեր հաջողության ուղին ավելի արագ լինի, ահա գովազդային կոդ ՀԱԲՐ, որը թույլ է տալիս ստանալ լրացուցիչ 10%՝ ի լրումն պաստառի վրա նշված զեղչի։