{"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 e un analista dati di successo","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Come<\/a><\/noindex>
\nCi sono molti articoli sulle competenze necessarie per essere un buon data scientist o analista di dati, ma solo in pochi scrivono sulle abilit\u00e0 necessarie per avere successo, che si tratti di una valutazione eccezionale del lavoro, dei complimenti da parte della direzione, di una promozione o di tutto quanto sopra. Oggi vi presentiamo un contenuto realizzato da un'autrice che desidera condividere la sua esperienza lavorativa come data scientist e analista di 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 della Data Science. Come ho affrontato questa sfida \u00e8 un'altra storia, e voglio dire che avevo solo un'idea vaga di cosa fa un data scientist prima di accettare questo lavoro. <\/p>\n

Sono stata assunta per lavorare alla costruzione di pipeline di dati grazie alla mia precedente esperienza come ingegnere di elaborazione dei dati, dove ho sviluppato un data warehouse per l'analisi predittiva, utilizzato da un gruppo di data scientist. <\/p>\n

Il mio primo anno come data scientist ha incluso la creazione di pipeline di dati per l'addestramento di modelli di machine learning e il loro deployment in produzione. Sono rimasta nell'ombra e non ho partecipato a molte riunioni con gli stakeholder nel marketing, che erano gli utenti finali dei modelli. <\/p>\n

Nel mio secondo anno di lavoro in azienda, \u00e8 andato via il manager di elaborazione e analisi dei dati responsabile del marketing. Da quel momento in poi, sono diventata il principale punto di riferimento e ho preso parte pi\u00f9 attivamente allo sviluppo dei modelli e alla discussione delle tempistiche di realizzazione dei progetti.<\/p>\n

Con l'aumentare delle interazioni con gli stakeholder, ho realizzato che la Data Science \u00e8 un concetto vago, di cui le persone hanno sentito parlare ma che non comprendono completamente, soprattutto in relazione alla direzione aziendale.<\/p><\/blockquote>\n

\nHo costruito oltre cento modelli, ma solo un terzo di essi \u00e8 stato utilizzato, poich\u00e9 non sapevo come mostrare il loro 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 la dirigenza, avrebbe dimostrato il valore del team di data scientist. L'idea era quella di diffondere questo modello in tutta l'organizzazione dopo la sua creazione e di incoraggiare i team di marketing a utilizzarlo.<\/p>\n

Si \u00e8 trasformato in un completo fallimento, perch\u00e9 nessuno capiva cos'era un modello di apprendimento automatico e non riusciva a coglierne il valore. Alla fine, mesi sono stati sprecati su qualcosa che nessuno voleva.<\/p><\/blockquote>\n

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

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

\n1. Sintonizzati per il successo scegliendo la giusta azienda.<\/b>
\nDurante il colloquio in azienda, chiedi della cultura dei dati e di quante decisioni vengano prese utilizzando modelli di apprendimento automatico. Richiedi esempi. Scopri se l'infrastruttura dei dati \u00e8 pronta per iniziare la modellazione. Se passi il 90% del tuo tempo a cercare di estrarre dati grezzi e a pulirli, avrai praticamente poco tempo per 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 essere sia positivo che negativo, a seconda della cultura dei dati. Potresti incontrare una grande resistenza all'implementazione del modello se la dirigenza assume un esperto di Data Science solo perch\u00e9 l'azienda vuole essere conosciuta come utilizzante Data Science per prendere decisioni migliori<\/i>, ma non ha idea di cosa significhi realmente. Inoltre, se trovi un'azienda guidata dai dati, crescerai insieme ad essa.<\/p>\n

2. Conosci i dati e i KPI.<\/b>
\nAll'inizio ho accennato al fatto che, essendo ingegnere di elaborazione dati, ho creato una vetrina per l'analisi dei dati per il team di data scientist. Diventando io stessa data scientist, sono riuscita a scoprire nuove opportunit\u00e0, aumentando la precisione dei modelli, perch\u00e9 avevo lavorato intensamente con i dati grezzi nel mio precedente ruolo. <\/p>\n

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

3. Garantire l'adozione del modello, mostrando il suo valore agli stakeholder<\/b>
\nNon avrai mai successo come specialista in Data Science se gli stakeholder non applicheranno mai i tuoi modelli per prendere decisioni aziendali. Un modo per garantire l'adozione del modello \u00e8 trovare un problema aziendale e mostrare come il modello possa aiutare. <\/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 gli utenti con licenze singole che hanno maggiori probabilit\u00e0 di passare a licenze di gruppo. \u00c8 stato utilizzato un insieme di criteri per la selezione, ma ci \u00e8 voluto molto tempo perch\u00e9 i rappresentanti esaminavano un singolo utente alla volta. Con il modello che ho sviluppato, i rappresentanti sono stati in grado di scegliere gli utenti con la maggiore probabilit\u00e0 di acquistare una licenza di gruppo, aumentando la probabilit\u00e0 di conversione in meno tempo. Questo ha portato a un utilizzo pi\u00f9 efficace del tempo grazie all'aumento del tasso di conversione per le metriche chiave a cui il reparto vendite pu\u00f2 avere attinenza.<\/p>\n

Sono passati alcuni anni e ho ripetutamente sviluppato gli stessi modelli, sentendo di non imparare pi\u00f9 nulla di nuovo. Ho deciso di cercare un'altra posizione e alla fine ho ottenuto il ruolo di analista dati. La differenza nelle responsabilit\u00e0 non potrebbe essere pi\u00f9 significativa rispetto a quando ero data scientist, anche se ho riassunto il supporto al marketing.<\/p>\n

\u00c8 stata la prima volta che ho analizzato esperimenti A\/B e ho scoperto tutti<\/i> modi in cui l'esperimento pu\u00f2 andare storto. Come data scientist, non ho mai lavorato sulle A\/B test, poich\u00e9 era un compito riservato al team degli sperimentatori. Ho lavorato su una vasta gamma di ricerche analitiche influenzate dal marketing \u2014 dall'incremento del tasso di conversione premium al coinvolgimento degli utenti e alla prevenzione dell'abbandono. Ho appreso tanti modi diversi per visualizzare i dati e ho trascorso molto tempo a compilare risultati, presentarli agli stakeholder e al top management. Come data scientist ho principalmente lavorato su un solo tipo di modello e ho parlato raramente in pubblico. Saltiamo alcuni anni e passiamo alle competenze che ho acquisito per diventare un analista di successo.<\/p>\n

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

\n1. Impara a raccontare storie con i dati<\/b>
\nNon guardare ai KPI singolarmente. Collegali, guarda il business come un tutto. Questo aiuter\u00e0 a identificare le aree che si influenzano reciprocamente. La dirigenza osserva il business attraverso una lente, e chi dimostra tale competenza viene notato quando \u00e8 il momento di prendere decisioni su promozioni.<\/p>\n

2. Fornisci idee azionabili<\/b>
\nFornisci al business un'idea azionabile<\/i> per risolvere un problema. Ancora meglio, se proponi proattivamente una soluzione prima ancora di essere informato che stai affrontando un problema prioritario. <\/p>\n

Ad esempio, se dicessi al marketing: \u00abHo notato che recentemente il numero di visitatori del sito web sta diminuendo ogni mese\u00bb<\/i>. Questa \u00e8 una tendenza che avrebbero potuto notare nella dashboard e non hai fornito alcuna soluzione preziosa come analista, poich\u00e9 hai semplicemente riportato un'osservazione. <\/p>\n

Invece, esamina i dati per trovare la causa e proporre una soluzione. Un buon esempio per il marketing sarebbe: \u00abHo notato che il numero di visitatori del nostro sito web \u00e8 diminuito recentemente. Ho scoperto che la causa del problema \u00e8 la ricerca organica, a causa di modifiche recenti che hanno portato a una diminuzione della nostra posizione nei risultati di ricerca di Google\u00bb<\/i>. Questo approccio dimostra che hai monitorato i KPI dell'azienda, notato un cambiamento, indagato sulla causa e proposto una soluzione al problema.<\/p>\n

3. Diventa un consulente affidabile<\/b>
\nDevi diventare la prima persona a cui i tuoi stakeholder si rivolgono per raccomandazioni o domande riguardanti l'area di attivit\u00e0 che gestisci. Non ci sono scorciatoie, perch\u00e9 per dimostrare queste capacit\u00e0 ci vuole tempo. La chiave \u00e8 fornire continuamente un'analisi di alta qualit\u00e0 con il minimo di errori. Qualsiasi errore nei calcoli ti coster\u00e0 punti di fiducia, perch\u00e9 la prossima volta che fornirete un'analisi, le persone potrebbero chiedersi: Se ti sei sbagliato l'ultima volta, potresti sbagliarti anche questa volta?<\/i>. Controlla sempre due volte il tuo lavoro. Non farebbe male chiedere al tuo manager o a un collega di dare un'occhiata ai tuoi dati prima di presentarli, se hai qualche dubbio riguardo alla tua analisi.<\/p>\n

4. Impara a comunicare chiaramente risultati complessi<\/b>
\nAncora una volta, non ci sono scorciatoie per imparare comunicazioni efficaci. Ci vuole pratica e col tempo diventerai migliore. La cosa principale \u00e8 definire i punti chiave di ci\u00f2 che vuoi fare e raccomandare qualsiasi azione che, come risultato della tua analisi, gli stakeholder possano intraprendere per migliorare l'azienda. Pi\u00f9 in alto sei nella scala della carriera all'interno dell'organizzazione, pi\u00f9 \u00e8 importante saper comunicare. Trasmettere risultati complessi \u00e8 un'abilit\u00e0 importante da dimostrare. Ho trascorso 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 \u201canalista sorprendente\u201d e \u201cstellare\u201d \u00e8 il mio concetto di successo. Ora che conosci questi segreti, spero che il tuo percorso ti porti pi\u00f9 velocemente al successo, qualunque forma tu gli dia.<\/p>\n

E per rendere il tuo percorso verso il successo ancora pi\u00f9 veloce, tieni a mente 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