{"id":98221,"date":"2020-10-25T02:42:25","date_gmt":"2020-10-25T00:42:25","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh"},"modified":"2020-11-18T00:58:46","modified_gmt":"2020-11-17T22:58:46","slug":"kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Come diventare un data scientist di successo e analista dei dati","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Come<\/a><\/noindex>
\nCi sono molti articoli sulle competenze necessarie per diventare un buon data scientist o analista dei dati, ma solo in pochi si soffermano sulle abilit\u00e0 necessarie per avere successo, siano esse una valutazione eccezionale del lavoro, le lodi da parte della direzione, una promozione, o tutto ci\u00f2 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 ci\u00f2 che ha imparato per raggiungere il successo.
\n<\/a><\/noindex><\/p>\n

Sono stata fortunata: mi \u00e8 stata offerta una posizione come data scientist quando non avevo alcuna esperienza nel campo del Data Science. Come ho affrontato questa sfida \u00e8 un'altra storia, e voglio dire che avevo solo una vaga idea di cosa facesse un data scientist prima di accettare questo lavoro. <\/p>\n

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. <\/p>\n

Il mio primo anno come data scientist \u00e8 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. <\/p>\n

Nel mio secondo anno di lavoro in azienda, \u00e8 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.<\/p>\n

Con il passare del tempo e il contatto con gli stakeholder, ho compreso che la Data Science \u00e8 un concetto sfocato, di cui le persone hanno sentito parlare, ma non comprendono appieno, specialmente a livello dirigenziale.<\/p><\/blockquote>\n

\nHo costruito oltre cento modelli, ma solo un terzo di essi \u00e8 stato utilizzato, poich\u00e9 non sapevo come mostrarne il valore, nonostante i modelli fossero stati richiesti in primo luogo dal marketing. <\/p>\n

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.<\/p>\n

Tuttavia, \u00e8 stato un completo fallimento, poich\u00e9 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.<\/p><\/blockquote>\n

\nDa queste situazioni ho tratto alcune lezioni che riporto di seguito.<\/p>\n

Lezioni che ho appreso per diventare un data scientist di successo<\/h2>\n

\n1. Preparatevi al successo scegliendo l'azienda giusta.<\/b>
\nDurante 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 \u00e8 pronta per iniziare la modellazione. Se spenderai il 90% del tuo tempo cercando di estrarre e pulire i dati grezzi, avrai ben poca possibilit\u00e0 di costruire modelli che dimostrino il tuo valore come data scientist. Fai attenzione se sei stato assunto come data scientist per la prima volta. Pu\u00f2 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<\/i>, ma non ha idea di cosa significhi realmente. Inoltre, se trovi un'azienda che \u00e8 basata sui dati (data driven), crescerai insieme a essa.<\/p>\n

2. Conosci i dati e i principali indicatori di performance (KPI).<\/b>
\nAll'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 opportunit\u00e0 che hanno migliorato la precisione dei modelli, poich\u00e9 ho lavorato intensamente con i dati grezzi nella mia posizione precedente. <\/p>\n

Presentando i risultati di una delle nostre campagne, ho potuto mostrare modelli che generano tassi di conversione pi\u00f9 elevati (in percentuale), dopo di che \u00e8 stata misurata una delle campagne KPI. Questo ha dimostrato il valore del modello per l'efficacia aziendale, che pu\u00f2 essere collegata al marketing.<\/p>\n

3. Assicurati l'adozione del modello dimostrando il suo valore ai portatori di interesse<\/b>
\nNon 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 \u00e8 trovare un punto dolente per l'azienda e dimostrare come pu\u00f2 aiutare il modello. <\/p>\n

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 probabilit\u00e0 di passare a licenze di team. \u00c8 stato impiegato un insieme di criteri per la selezione, ma il processo richiedeva molto tempo, poich\u00e9 i rappresentanti esaminavano un utente alla volta. Grazie al modello che ho sviluppato, i rappresentanti possono ora selezionare gli utenti con la maggiore probabilit\u00e0 di acquisto di una licenza di team, aumentando il tasso di conversione in meno tempo. Questo ha portato a un utilizzo pi\u00f9 efficiente del tempo, migliorando il tasso di conversione per gli indicatori chiave di prestazione a cui il reparto vendite pu\u00f2 avere attinenza.<\/p>\n

Sono passati alcuni anni e ho ripetutamente lavorato sugli stessi modelli, sentendo di non imparare pi\u00f9 nulla di nuovo. Ho deciso di cercare una nuova posizione e alla fine ho ottenuto un lavoro come analista di dati. La differenza nelle responsabilit\u00e0 non avrebbe potuto essere pi\u00f9 significativa rispetto a quando ero un data scientist, anche se ho continuato a supportare il marketing.<\/p>\n

\u00c8 stata la prima volta che ho analizzato esperimenti A\/B e ho scoperto tutti<\/i> i metodi in cui un esperimento pu\u00f2 andare male. Come data scientist, non mi sono mai occupata di A\/B testing, poich\u00e9 era riservato al team degli sperimentatori. Ho lavorato su un'ampia gamma di studi analitici influenzati dal marketing \u2014 dall'aumento del tasso di conversione per prodotti premium all'engagement utente e alla prevenzione dell'abbandono. Ho appreso diverse modalit\u00e0 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.<\/p>\n

Competenze che ho appreso per diventare un analista di dati di successo<\/h2>\n

\n1. Impara a raccontare storie con i dati<\/b>
\nNon considerare i KPI separatamente. Collegali, guarda l'azienda nel suo insieme. Questo aiuter\u00e0 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 abilit\u00e0 viene notata quando \u00e8 il momento di prendere decisioni su promozioni.<\/p>\n

2. Fornisci idee efficaci<\/b>
\nFornisci all'azienda un'idea efficace<\/i> per risolvere il problema. \u00c8 ancora meglio se proponi proattivamente una soluzione quando non \u00e8 stato ancora affermato che hai a che fare con una questione prioritaria. <\/p>\n

Ad esempio, se dicessi al marketing: \u00abHo notato che ultimamente il numero di visitatori del sito sta diminuendo mensilmente\u00bb<\/i>. Questa \u00e8 una tendenza che potrebbero aver notato nel dashboard e tu non hai proposto alcuna soluzione di valore come analista, perch\u00e9 ti sei limitato a esprimere un'osservazione. <\/p>\n

Invece, analizza i dati per trovare la causa e suggerire una soluzione. Un esempio migliore per il marketing sarebbe: \u00abHo notato che ultimamente abbiamo visto una diminuzione del numero di visitatori del nostro sito web. Ho scoperto che la causa del problema \u00e8 la ricerca organica, a causa delle recenti modifiche che hanno portato a un calo del nostro ranking su Google\u00bb<\/i>. 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.<\/p>\n

3. Diventa un consigliere affidabile<\/b>
\nDevi diventare la prima persona a cui i tuoi stakeholder si rivolgono per raccomandazioni o domande sulla funzione che supporti. Non ci sono scorciatoie, perch\u00e9 per dimostrare queste capacit\u00e0 ci vuole tempo. La chiave \u00e8 fornire coerentemente un'analisi di alta qualit\u00e0 con un numero minimo di errori. Qualsiasi errore nei calcoli ti coster\u00e0 punti fiducia, perch\u00e9 la prossima volta che fornirai un'analisi, le persone potrebbero chiedersi: Se ti sei sbagliato l'ultima volta, potresti sbagliarti anche questa volta?<\/i>. 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.<\/p>\n

4. Impara a comunicare chiaramente risultati complessi<\/b>
\nAncora una volta, non ci sono scorciatoie per imparare a comunicare in modo efficace. Richiede pratica e, col tempo, diventerai migliore in questo. \u00c8 fondamentale identificare i punti principali di ci\u00f2 che desideri realizzare e consigliare eventuali azioni che, a seguito della tua analisi, gli interessati possono intraprendere per migliorare l'attivit\u00e0. Man mano che sali nella gerarchia di un'organizzazione, diventa sempre pi\u00f9 importante saper comunicare. Trasmettere risultati complessi \u00e8 un'abilit\u00e0 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\" \u00e8 un successo ai miei occhi. Ora che conosci questi segreti, spero che il tuo percorso ti porti pi\u00f9 rapidamente al successo, qualunque cosa tu ne definisca.<\/p>\n

E per rendere il tuo viaggio verso il successo ancora pi\u00f9 veloce, utilizza il codice promozionale HABR<\/b>, che ti consente di ottenere un ulteriore 10% di sconto su quello indicato nel banner.<\/p>\n

\"Come<\/a><\/noindex><\/p>\n