Ada banyak artikel tentang keterampilan yang dibutuhkan untuk menjadi ilmuwan data atau analis data yang baik, namun hanya sedikit artikel yang membahas tentang keterampilan yang dibutuhkan untuk suksesβbaik itu tinjauan kinerja yang luar biasa, pujian dari manajemen, promosi, atau semua hal di atas. Hari ini kami mempersembahkan kepada Anda materi yang penulisnya ingin berbagi pengalaman pribadinya sebagai ilmuwan data dan analis data, serta apa yang telah ia pelajari untuk mencapai kesuksesan.
Saya beruntung: Saya ditawari posisi data scientist ketika saya tidak memiliki pengalaman di bidang Ilmu Data. Cara saya menangani tugas tersebut adalah cerita yang berbeda, dan saya ingin mengatakan bahwa saya hanya memiliki gambaran samar tentang apa yang dilakukan data scientist sebelum saya mengambil pekerjaan tersebut.
Saya dipekerjakan untuk bekerja pada jalur data karena pekerjaan saya sebelumnya sebagai insinyur data, di mana saya mengembangkan data mart untuk analisis prediktif yang digunakan oleh sekelompok ilmuwan data.
Tahun pertama saya sebagai ilmuwan data melibatkan pembuatan saluran data untuk melatih model pembelajaran mesin dan memasukkannya ke dalam produksi. Saya tidak terlalu menonjolkan diri dan tidak berpartisipasi dalam banyak pertemuan dengan pemangku kepentingan pemasaran yang merupakan pengguna akhir model tersebut.
Pada tahun kedua saya bekerja di perusahaan, manajer pemrosesan dan analisis data yang bertanggung jawab atas pemasaran keluar. Sejak saat itu, saya menjadi pemain utama dan lebih aktif dalam mengembangkan model dan mendiskusikan tenggat waktu proyek.
Saat saya berinteraksi dengan para pemangku kepentingan, saya menyadari bahwa Ilmu Data adalah konsep samar yang pernah didengar orang tetapi belum begitu dipahami, terutama di tingkat manajemen senior.
Saya membuat lebih dari seratus model, tetapi hanya sepertiganya yang digunakan karena saya tidak tahu cara menunjukkan nilainya, meskipun model tersebut terutama diminta oleh pemasaran.
Salah satu anggota tim saya menghabiskan waktu berbulan-bulan untuk mengembangkan model yang menurut manajemen senior akan menunjukkan nilai tim ilmu data. Idenya adalah untuk menyebarkan model tersebut ke seluruh organisasi setelah model tersebut dikembangkan dan mendorong tim pemasaran untuk mengadopsinya.
Ternyata gagal total karena tidak ada yang memahami apa itu model pembelajaran mesin atau memahami manfaat penggunaannya. Akibatnya, berbulan-bulan terbuang sia-sia untuk sesuatu yang tidak diinginkan siapa pun.
Dari situasi seperti itu saya mendapat pelajaran tertentu, yang akan saya berikan di bawah.
Pelajaran yang Saya Peroleh untuk Menjadi Ilmuwan Data yang Sukses
1. Siapkan diri Anda untuk sukses dengan memilih perusahaan yang tepat.
Saat melakukan wawancara di sebuah perusahaan, tanyakan tentang budaya data dan berapa banyak model pembelajaran mesin yang diadopsi dan digunakan dalam pengambilan keputusan. Mintalah contoh. Cari tahu apakah infrastruktur data Anda sudah disiapkan untuk memulai pemodelan. Jika Anda menghabiskan 90% waktu Anda untuk mencoba mengambil data mentah dan membersihkannya, Anda tidak akan punya banyak waktu lagi untuk membuat model apa pun guna menunjukkan nilai Anda sebagai data scientist. Berhati-hatilah jika Anda baru pertama kali dipekerjakan sebagai data scientist. Ini bisa menjadi hal yang baik atau buruk, tergantung pada budaya data. Anda mungkin menghadapi lebih banyak penolakan untuk menerapkan model ini jika manajemen senior mempekerjakan seorang Ilmuwan Data hanya karena perusahaan ingin dikenal sebagai menggunakan Ilmu Data untuk membuat keputusan yang lebih baik, tapi tidak tahu apa arti sebenarnya. Selain itu, jika Anda menemukan perusahaan yang berbasis data, Anda akan berkembang bersamanya.
2. Mengetahui data dan key performance indikator (KPI).
Pada awalnya, saya menyebutkan bahwa sebagai data engineer, saya membuat data mart analitik untuk tim data scientist. Setelah menjadi data scientist, saya dapat menemukan peluang baru yang meningkatkan akurasi model karena saya bekerja secara intensif dengan data mentah di peran saya sebelumnya.
Dengan mempresentasikan hasil salah satu kampanye kami, saya dapat menunjukkan model yang menghasilkan rasio konversi lebih tinggi (dalam persentase) dan kemudian mengukur salah satu KPI kampanye. Hal ini menunjukkan nilai model bagi kinerja bisnis yang dapat dihubungkan dengan pemasaran.
3. Memastikan penerapan model tersebut dengan menunjukkan manfaatnya kepada pemangku kepentingan
Anda tidak akan pernah sukses sebagai data scientist jika pemangku kepentingan tidak pernah menggunakan model Anda untuk membuat keputusan bisnis. Salah satu cara untuk memastikan adopsi model adalah dengan menemukan permasalahan bisnis dan menunjukkan bagaimana model tersebut dapat membantu.
Setelah berbicara dengan tim penjualan kami, saya menyadari bahwa dua perwakilan bekerja penuh waktu secara manual menyisir jutaan pengguna di database perusahaan untuk mengidentifikasi pengguna dengan lisensi tunggal yang lebih mungkin untuk meningkatkan ke lisensi tim. Seleksinya menggunakan serangkaian kriteria, namun seleksinya memakan waktu lama karena perwakilannya hanya melihat satu pengguna dalam satu waktu. Dengan menggunakan model yang saya kembangkan, perwakilan dapat menargetkan pengguna yang kemungkinan besar akan membeli lisensi tim dan meningkatkan kemungkinan konversi dalam waktu yang lebih singkat. Hal ini menghasilkan penggunaan waktu yang lebih efisien dengan meningkatkan tingkat konversi untuk indikator kinerja utama yang dapat dikaitkan dengan tim penjualan.
Beberapa tahun berlalu dan saya mengembangkan model yang sama berulang kali dan merasa bahwa saya tidak lagi mempelajari sesuatu yang baru. Saya memutuskan untuk mencari posisi lain dan akhirnya mendapatkan posisi sebagai analis data. Perbedaan tanggung jawabnya sangat signifikan dibandingkan saat saya menjadi data scientist, meskipun saya kembali mendukung pemasaran.
Ini adalah pertama kalinya saya menganalisis eksperimen A/B dan menemukannya semua cara di mana percobaan bisa salah. Sebagai data scientist, saya tidak mengerjakan pengujian A/B sama sekali karena pengujian tersebut hanya dilakukan oleh tim eksperimen. Saya telah mengerjakan berbagai analisis yang berdampak pada pemasaran - mulai dari meningkatkan tingkat konversi premium hingga keterlibatan pengguna dan pencegahan churn. Saya mempelajari banyak cara berbeda dalam melihat data dan menghabiskan banyak waktu untuk mengumpulkan hasilnya dan menyajikannya kepada pemangku kepentingan dan manajemen senior. Sebagai data scientist, saya kebanyakan mengerjakan satu jenis model dan jarang memberikan ceramah. Beberapa tahun kemudian, saya mempelajari keterampilan yang saya pelajari untuk menjadi analis yang sukses.
Keterampilan yang Saya Pelajari untuk Menjadi Analis Data yang Sukses
1. Belajar bercerita dengan data
Jangan melihat KPI secara terpisah. Hubungkan mereka, lihat bisnis secara keseluruhan. Ini akan memungkinkan Anda mengidentifikasi area yang saling mempengaruhi. Manajemen senior memandang bisnis melalui kacamata, dan seseorang yang menunjukkan keterampilan ini akan diperhatikan ketika tiba waktunya untuk membuat keputusan promosi.
2. Berikan ide-ide yang bisa ditindaklanjuti.
Menyediakan bisnis ide yang efektif untuk memecahkan masalah. Lebih baik lagi jika Anda secara proaktif menawarkan solusi ketika belum dikatakan bahwa Anda sedang mengatasi masalah mendasarnya.
Misalnya, jika Anda memberi tahu bagian pemasaran: βSaya perhatikan akhir-akhir ini jumlah pengunjung situs menurun setiap bulannya.β. Ini adalah tren yang mungkin mereka perhatikan di dasbor dan Anda tidak menawarkan solusi berharga apa pun sebagai analis karena Anda hanya menyatakan observasi.
Sebaliknya, periksa data untuk menemukan penyebabnya dan usulkan solusi. Contoh pemasaran yang lebih baik adalah: βSaya memperhatikan bahwa kami mengalami penurunan jumlah pengunjung ke situs web kami akhir-akhir ini. Saya menemukan bahwa sumber masalahnya adalah penelusuran organik, karena perubahan terkini yang menyebabkan peringkat penelusuran Google kami turun.". Pendekatan ini menunjukkan bahwa Anda melacak KPI perusahaan, memperhatikan perubahannya, menyelidiki penyebabnya, dan mengusulkan solusi terhadap masalah tersebut.
3. Menjadi penasihat yang terpercaya
Anda harus menjadi orang pertama yang dimintai saran atau pertanyaan oleh pemangku kepentingan Anda tentang bisnis yang Anda dukung. Tidak ada jalan pintas karena butuh waktu untuk menunjukkan kemampuan tersebut. Kuncinya adalah secara konsisten memberikan analisis berkualitas tinggi dengan kesalahan minimal. Kesalahan perhitungan apa pun akan membuat Anda kehilangan poin kredibilitas karena saat Anda memberikan analisis lagi, orang mungkin bertanya-tanya: Jika terakhir kali Anda salah, mungkin kali ini Anda salah juga?. Selalu periksa kembali pekerjaan Anda. Tidak ada salahnya juga meminta manajer atau kolega Anda untuk melihat angka-angka Anda sebelum menyajikannya jika Anda ragu dengan analisis Anda.
4. Belajar mengkomunikasikan hasil yang kompleks dengan jelas.
Sekali lagi, tidak ada jalan pintas untuk mempelajari cara berkomunikasi secara efektif. Ini membutuhkan latihan dan seiring waktu Anda akan menjadi lebih baik. Kuncinya adalah mengidentifikasi poin-poin utama dari apa yang ingin Anda lakukan dan merekomendasikan tindakan apa pun yang, sebagai hasil analisis Anda, dapat diambil oleh pemangku kepentingan untuk meningkatkan bisnis. Semakin tinggi posisi Anda dalam suatu organisasi, semakin penting keterampilan komunikasi Anda. Mengkomunikasikan hasil yang kompleks adalah keterampilan yang penting untuk ditunjukkan. Saya menghabiskan waktu bertahun-tahun mempelajari rahasia sukses sebagai ilmuwan data dan analis data. Orang mendefinisikan kesuksesan secara berbeda. Digambarkan sebagai analis yang "luar biasa" dan "bintang" adalah kesuksesan di mata saya. Sekarang setelah Anda mengetahui rahasia-rahasia ini, saya harap jalan Anda akan segera membawa Anda menuju kesuksesan, bagaimanapun Anda mendefinisikannya.
Dan untuk mempercepat jalan Anda menuju kesuksesan, simpanlah kode promonya HABR, yang dengannya Anda bisa mendapatkan tambahan 10% dari diskon yang tertera di spanduk.
Lebih banyak kursus
Artikel Pilihan
Sumber: www.habr.com