🥇Come diventare un data scientist e analista di dati di successo

Ci sono molti articoli sulle competenze necessarie per diventare un buon data scientist o analista dei dati, ma solo in pochi si soffermano sulle abilità necessarie per avere successo, siano esse una valutazione eccezionale del lavoro, le lodi da parte della direzione, una promozione, o tutto ciò sopra menzionato. Oggi vi presentiamo un articolo scritto da un'autrice che desidera condividere la sua esperienza personale come data scientist e analista dei dati, e ciò che ha imparato per raggiungere il successo.

Sono stata fortunata: mi è stata offerta una posizione come data scientist quando non avevo alcuna esperienza nel campo del Data Science. Come ho affrontato questa sfida è un'altra storia, e voglio dire che avevo solo una vaga idea di cosa facesse un data scientist prima di accettare questo lavoro.

Sono stata assunta per lavorare nella creazione di data pipeline grazie alla mia precedente esperienza come ingegnere di elaborazione dati, dove ho sviluppato un data warehouse per analisi predittiva utilizzato da un gruppo di data scientist.

Il mio primo anno come data scientist è stato caratterizzato dalla creazione di pipeline di dati per l'addestramento di modelli di machine learning e la loro implementazione in produzione. Sono rimasta nella retroguardia e non ho partecipato a molti incontri con gli stakeholder del marketing, che erano gli utenti finali dei modelli.

Nel mio secondo anno di lavoro in azienda, è andato via il manager per l'elaborazione e l'analisi dei dati responsabile del marketing. Da quel momento, sono diventata il protagonista principale e ho partecipato attivamente allo sviluppo dei modelli e alla discussione delle tempistiche di realizzazione dei progetti.

Con il passare del tempo e il contatto con gli stakeholder, ho compreso che la Data Science è un concetto sfocato, di cui le persone hanno sentito parlare, ma non comprendono appieno, specialmente a livello dirigenziale.

Ho costruito oltre cento modelli, ma solo un terzo di essi è stato utilizzato, poiché non sapevo come mostrarne il valore, nonostante i modelli fossero stati richiesti in primo luogo dal marketing.

Uno dei membri del mio team ha impiegato mesi per sviluppare un modello che, secondo i vertici aziendali, avrebbe dimostrato il valore del team di data scientist. L'idea era di estendere questo modello a tutta l'organizzazione una volta sviluppato, incoraggiando i team di marketing a utilizzarlo.

Tuttavia, è stato un completo fallimento, poiché nessuno capiva cosa fosse un modello di machine learning e non poteva comprendere il valore del suo utilizzo. Di conseguenza, mesi sono stati sprecati su qualcosa che nessuno desiderava.

Da queste situazioni ho tratto alcune lezioni che riporto di seguito.

Lezioni che ho appreso per diventare un data scientist di successo

1. Preparatevi al successo scegliendo l'azienda giusta.
Durante il colloquio in azienda, chiedi della cultura dei dati e riguardo al numero di modelli di machine learning comunemente utilizzati nel processo decisionale. Richiedi esempi concreti. Verifica se l'infrastruttura dei dati è pronta per iniziare la modellazione. Se spenderai il 90% del tuo tempo cercando di estrarre e pulire i dati grezzi, avrai ben poca possibilità di costruire modelli che dimostrino il tuo valore come data scientist. Fai attenzione se sei stato assunto come data scientist per la prima volta. Può andare sia bene che male, a seconda della cultura dei dati. Potresti affrontare una notevole resistenza nell'implementazione di un modello se la leadership assume uno specialista in Data Science solo per migliorare la reputazione dell'azienda come utilizzatrice di Data Science per prendere decisioni migliori, ma non ha idea di cosa significhi realmente. Inoltre, se trovi un'azienda che è basata sui dati (data driven), crescerai insieme a essa.

2. Conosci i dati e i principali indicatori di performance (KPI).
All'inizio ho menzionato che, essendo un ingegnere di elaborazione dati, ho creato una vetrina di analisi per il team di data scientist. Diventando a mia volta data scientist, sono riuscita a trovare nuove opportunità che hanno migliorato la precisione dei modelli, poiché ho lavorato intensamente con i dati grezzi nella mia posizione precedente.

Presentando i risultati di una delle nostre campagne, ho potuto mostrare modelli che generano tassi di conversione più elevati (in percentuale), dopo di che è stata misurata una delle campagne KPI. Questo ha dimostrato il valore del modello per l'efficacia aziendale, che può essere collegata al marketing.

3. Assicurati l'adozione del modello dimostrando il suo valore ai portatori di interesse
Non avrai mai successo come professionista del Data Science se i portatori di interesse non utilizzeranno mai i tuoi modelli per prendere decisioni aziendali. Un modo per garantire l'adozione del modello è trovare un punto dolente per l'azienda e dimostrare come può aiutare il modello.

Dopo aver parlato con il nostro reparto vendite, ho capito che due rappresentanti lavorano a tempo pieno, esaminando manualmente milioni di utenti nel database dell'azienda per identificare quelli con licenze singole che hanno maggiori probabilità di passare a licenze di team. È stato impiegato un insieme di criteri per la selezione, ma il processo richiedeva molto tempo, poiché i rappresentanti esaminavano un utente alla volta. Grazie al modello che ho sviluppato, i rappresentanti possono ora selezionare gli utenti con la maggiore probabilità di acquisto di una licenza di team, aumentando il tasso di conversione in meno tempo. Questo ha portato a un utilizzo più efficiente del tempo, migliorando il tasso di conversione per gli indicatori chiave di prestazione a cui il reparto vendite può avere attinenza.

Sono passati alcuni anni e ho ripetutamente lavorato sugli stessi modelli, sentendo di non imparare più nulla di nuovo. Ho deciso di cercare una nuova posizione e alla fine ho ottenuto un lavoro come analista di dati. La differenza nelle responsabilità non avrebbe potuto essere più significativa rispetto a quando ero un data scientist, anche se ho continuato a supportare il marketing.

È stata la prima volta che ho analizzato esperimenti A/B e ho scoperto tutti i metodi in cui un esperimento può andare male. Come data scientist, non mi sono mai occupata di A/B testing, poiché era riservato al team degli sperimentatori. Ho lavorato su un'ampia gamma di studi analitici influenzati dal marketing — dall'aumento del tasso di conversione per prodotti premium all'engagement utente e alla prevenzione dell'abbandono. Ho appreso diverse modalità di visualizzazione dei dati e ho dedicato molto tempo alla sintesi dei risultati, presentandoli agli stakeholder e ai vertici dell'azienda. Come data scientist, ho principalmente lavorato su un tipo di modello e raramente ho fatto presentazioni. Passando alcuni anni avanti, parliamo delle competenze che ho acquisito per avere successo come analista.

Competenze che ho appreso per diventare un analista di dati di successo

1. Impara a raccontare storie con i dati
Non considerare i KPI separatamente. Collegali, guarda l'azienda nel suo insieme. Questo aiuterà a identificare le aree che si influenzano a vicenda. La direzione esecutiva guarda all'azienda attraverso questa lente, e una persona in grado di dimostrare questa abilità viene notata quando è il momento di prendere decisioni su promozioni.

2. Fornisci idee efficaci
Fornisci all'azienda un'idea efficace per risolvere il problema. È ancora meglio se proponi proattivamente una soluzione quando non è stato ancora affermato che hai a che fare con una questione prioritaria.

Ad esempio, se dicessi al marketing: «Ho notato che ultimamente il numero di visitatori del sito sta diminuendo mensilmente». Questa è una tendenza che potrebbero aver notato nel dashboard e tu non hai proposto alcuna soluzione di valore come analista, perché ti sei limitato a esprimere un'osservazione.

Invece, analizza i dati per trovare la causa e suggerire una soluzione. Un esempio migliore per il marketing sarebbe: «Ho notato che ultimamente abbiamo visto una diminuzione del numero di visitatori del nostro sito web. Ho scoperto che la causa del problema è la ricerca organica, a causa delle recenti modifiche che hanno portato a un calo del nostro ranking su Google». Questo approccio dimostra che hai monitorato i KPI dell'azienda, hai notato un cambiamento, hai indagato sulla causa e hai proposto una soluzione al problema.

3. Diventa un consigliere affidabile
Devi diventare la prima persona a cui i tuoi stakeholder si rivolgono per raccomandazioni o domande sulla funzione che supporti. Non ci sono scorciatoie, perché per dimostrare queste capacità ci vuole tempo. La chiave è fornire coerentemente un'analisi di alta qualità con un numero minimo di errori. Qualsiasi errore nei calcoli ti costerà punti fiducia, perché la prossima volta che fornirai un'analisi, le persone potrebbero chiedersi: Se ti sei sbagliato l'ultima volta, potresti sbagliarti anche questa volta?. Controlla sempre il tuo lavoro due volte. Non fa male chiedere al tuo manager o a un collega di dare un'occhiata ai tuoi dati prima di presentarli, se hai dei dubbi sulla tua analisi.

4. Impara a comunicare chiaramente risultati complessi
Ancora una volta, non ci sono scorciatoie per imparare a comunicare in modo efficace. Richiede pratica e, col tempo, diventerai migliore in questo. È fondamentale identificare i punti principali di ciò che desideri realizzare e consigliare eventuali azioni che, a seguito della tua analisi, gli interessati possono intraprendere per migliorare l'attività. Man mano che sali nella gerarchia di un'organizzazione, diventa sempre più importante saper comunicare. Trasmettere risultati complessi è un'abilità fondamentale da dimostrare. Ho dedicato anni a studiare i segreti del successo come data scientist e analista di dati. Le persone definiscono il successo in modi diversi. Ricevere il riconoscimento di essere un analista "straordinario" e "eccellente" è un successo ai miei occhi. Ora che conosci questi segreti, spero che il tuo percorso ti porti più rapidamente al successo, qualunque cosa tu ne definisca.

E per rendere il tuo viaggio verso il successo ancora più veloce, utilizza il codice promozionale HABR, che ti consente di ottenere un ulteriore 10% di sconto su quello indicato nel banner.