🥇Come diventare uno scienziato e un analista di dati di successo

Esistono molti articoli sulle competenze necessarie per essere un buon data scientist o analista di dati, ma pochi articoli parlano delle competenze necessarie per avere successo, che si tratti di una revisione eccezionale delle prestazioni, di elogi da parte del management, di una promozione o di tutto quanto sopra. Oggi vi presentiamo un materiale la cui autrice vorrebbe condividere la sua esperienza personale come data scientist e analista di dati, nonché ciò che ha imparato per raggiungere il successo.

Sono stato fortunato: mi è stato offerto il posto di data scientist quando non avevo esperienza in Data Science. Il modo in cui ho gestito l'incarico è una storia diversa e voglio dire che avevo solo una vaga idea di cosa fa un data scientist prima di accettare l'incarico.

Sono stato assunto per lavorare su pipeline di dati a causa del mio precedente lavoro come ingegnere dei dati, dove ho sviluppato un data mart per l'analisi predittiva utilizzato da un gruppo di data scientist.

Il mio primo anno come data scientist ha comportato la creazione di pipeline di dati per addestrare modelli di machine learning e metterli in produzione. Ho mantenuto un profilo basso e non ho partecipato a molti incontri con le parti interessate del marketing che erano gli utenti finali dei modelli.

Nel secondo anno di lavoro in azienda se ne andò il responsabile dell'elaborazione e analisi dei dati responsabile del marketing. Da quel momento in poi sono diventato il protagonista e ho preso parte più attiva nello sviluppo dei modelli e nella discussione delle scadenze dei progetti.

Interagendo con le parti interessate, mi sono reso conto che la scienza dei dati è un concetto vago di cui le persone hanno sentito parlare ma non comprendono del tutto, soprattutto a livello di senior management.

Ho costruito più di cento modelli, ma solo un terzo sono stati utilizzati perché non sapevo come dimostrarne il valore, anche se i modelli mi venivano richiesti principalmente dal marketing.

Uno dei membri del mio team ha trascorso mesi a sviluppare un modello che secondo il senior management avrebbe dimostrato il valore di un team di data science. L'idea era quella di diffondere il modello in tutta l'organizzazione una volta sviluppato e incoraggiare i team di marketing ad adottarlo.

Si è rivelato un completo fallimento perché nessuno capiva cosa fosse un modello di machine learning o poteva comprendere il valore del suo utilizzo. Di conseguenza, mesi furono sprecati per qualcosa che nessuno voleva.

Da tali situazioni ho imparato alcune lezioni, che darò di seguito.

Lezioni che ho imparato per diventare un data scientist di successo

1. Preparati al successo scegliendo l’azienda giusta.
Quando fai un colloquio presso un'azienda, chiedi informazioni sulla cultura dei dati e quanti modelli di machine learning vengono adottati e utilizzati nel processo decisionale. Chiedi esempi. Scopri se la tua infrastruttura dati è configurata per iniziare la modellazione. Se dedichi il 90% del tuo tempo a cercare di estrarre dati grezzi e ripulirli, ti resterà poco o nessun tempo per costruire modelli che dimostrino il tuo valore come data scientist. Fai attenzione se vieni assunto come data scientist per la prima volta. Ciò può essere positivo o negativo, a seconda della cultura dei dati. Potresti incontrare maggiore resistenza all'implementazione del modello se il senior management assume un Data Scientist solo perché l'azienda vuole essere conosciuta come utilizzare la scienza dei dati per prendere decisioni migliori, ma non ha idea di cosa significhi realmente. Inoltre, se trovi un’azienda basata sui dati, crescerai con essa.

2. Conoscere i dati e gli indicatori chiave di prestazione (KPI).
All'inizio ho detto che come ingegnere dei dati ho creato un data mart analitico per un team di data scientist. Essendo diventato io stesso un data scientist, ho potuto trovare nuove opportunità che aumentavano l'accuratezza dei modelli perché lavoravo intensamente con i dati grezzi nel mio ruolo precedente.

Presentando i risultati di una delle nostre campagne, ho potuto mostrare i modelli che generano tassi di conversione più elevati (in percentuale) e quindi misurare uno dei KPI della campagna. Ciò ha dimostrato il valore del modello di performance aziendale a cui può essere collegato il marketing.

3. Garantire l'adozione del modello dimostrandone il valore agli stakeholder
Non avrai mai successo come data scientist se i tuoi stakeholder non utilizzeranno mai i tuoi modelli per prendere decisioni aziendali. Un modo per garantire l'adozione del modello è individuare un punto critico dell'azienda e mostrare come il modello può essere d'aiuto.

Dopo aver parlato con il nostro team di vendita, mi sono reso conto che due rappresentanti stavano lavorando a tempo pieno esaminando manualmente milioni di utenti nel database dell'azienda per identificare gli utenti con licenze singole che avevano maggiori probabilità di passare alle licenze di gruppo. La selezione ha utilizzato una serie di criteri, ma ha richiesto molto tempo perché i rappresentanti hanno esaminato un utente alla volta. Utilizzando il modello che ho sviluppato, i rappresentanti sono stati in grado di rivolgersi agli utenti con maggiori probabilità di acquistare una licenza per team e aumentare la probabilità di conversione in meno tempo. Ciò ha portato a un utilizzo più efficiente del tempo aumentando i tassi di conversione per gli indicatori chiave di prestazione a cui il team di vendita può fare riferimento.

Passarono diversi anni e sviluppai sempre gli stessi modelli e sentivo che non stavo più imparando nulla di nuovo. Ho deciso di cercare un'altra posizione e ho finito per ottenere una posizione come analista di dati. La differenza di responsabilità non avrebbe potuto essere più significativa rispetto a quando lavoravo come data scientist, anche se ero tornato a supportare il marketing.

Questa è stata la prima volta che ho analizzato gli esperimenti A/B e ho trovato tutti modi in cui un esperimento può andare storto. In qualità di data scientist, non ho lavorato affatto sui test A/B perché erano riservati al team sperimentale. Ho lavorato su un'ampia gamma di analisi influenzate dal marketing, dall'aumento dei tassi di conversione premium al coinvolgimento degli utenti e alla prevenzione dell'abbandono. Ho imparato molti modi diversi di esaminare i dati e ho trascorso molto tempo a compilare i risultati e a presentarli alle parti interessate e al senior management. In qualità di scienziato dei dati, ho lavorato principalmente su un tipo di modello e raramente ho tenuto conferenze. Avanti veloce di qualche anno per scoprire le competenze che ho imparato per essere un analista di successo.

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

1. Impara a raccontare storie con i dati
Non guardare i KPI isolatamente. Collegali, guarda il business nel suo insieme. Ciò ti consentirà di identificare le aree che si influenzano a vicenda. Il senior management vede l'azienda attraverso una lente e una persona che dimostra questa abilità viene notata quando arriva il momento di prendere decisioni sulla promozione.

2. Fornire idee realizzabili.
Fornire affari idea efficace per risolvere il problema. È ancora meglio se offri in modo proattivo una soluzione quando non è ancora stato detto che stai affrontando il problema di fondo.

Ad esempio, se dicessi al marketing: "Ho notato che recentemente il numero di visitatori del sito è diminuito ogni mese.". Questa è una tendenza che potrebbero aver notato sulla dashboard e tu non hai offerto alcuna soluzione valida come analista perché hai solo affermato l'osservazione.

Esamina invece i dati per trovare la causa e proporre una soluzione. Un esempio migliore per il marketing sarebbe: “Ho notato che ultimamente abbiamo avuto un calo nel numero di visitatori del nostro sito web. Ho scoperto che la fonte del problema è la ricerca organica, a causa dei recenti cambiamenti che hanno causato un calo del nostro posizionamento nelle ricerche di Google.". Questo approccio dimostra che hai monitorato i KPI dell'azienda, notato il cambiamento, indagato la causa e proposto una soluzione al problema.

3. Diventa un consulente di fiducia
Devi essere la prima persona a cui i tuoi stakeholder si rivolgono per consigli o domande sull'attività che supporti. Non esistono scorciatoie perché ci vuole tempo per dimostrare queste capacità. La chiave per raggiungere questo obiettivo è fornire costantemente analisi di alta qualità con errori minimi. Qualsiasi errore di calcolo ti costerà punti credibilità perché la prossima volta che fornirai un'analisi, le persone potrebbero chiedersi: Se hai sbagliato l'ultima volta, forse hai sbagliato anche questa volta?. Controlla sempre il tuo lavoro. Inoltre, non fa male chiedere al tuo manager o collega di guardare i tuoi numeri prima di presentarli se hai dubbi sulla tua analisi.

4. Impara a comunicare chiaramente risultati complessi.
Ancora una volta, non esiste una scorciatoia per imparare a comunicare in modo efficace. Questo richiede pratica e col tempo migliorerai. La chiave è identificare i punti principali di ciò che si desidera fare e consigliare eventuali azioni che, a seguito dell'analisi, le parti interessate possono intraprendere per migliorare il business. Più sei in alto in un'organizzazione, più importanti sono le tue capacità di comunicazione. Comunicare risultati complessi è un'abilità importante da dimostrare. Ho trascorso anni ad apprendere i segreti del successo come data scientist e analista di dati. Le persone definiscono il successo in modo diverso. Essere descritto come un analista "straordinario" e "stellare" è un successo ai miei occhi. Ora che conosci questi segreti, spero che il tuo percorso ti porti rapidamente al successo, comunque tu lo definisca.

E per rendere il tuo percorso verso il successo ancora più veloce, conserva il codice promozionale CARPENNA, grazie al quale potrai ottenere un ulteriore 10% sullo sconto indicato sul banner.