איך להפוך למדען נתונים ומנתח נתונים מצליחים

יש מאמרים רבים על הכישורים הדרושים כדי להיות מדען נתונים טוב או מנתח נתונים, אבל מעט מאמרים מדברים על הכישורים הדרושים כדי להצליח - בין אם זה סקירת ביצועים יוצאת דופן, שבחים מההנהלה, קידום או כל האמור לעיל. היום אנו מציגים בפניכם חומר שהכותבת שלו תרצה לחלוק את ניסיונה האישי כמדענית ומנתחת נתונים, וכן במה שלמדה כדי להגיע להצלחה.

היה לי מזל: הציעו לי תפקיד של מדען נתונים כשלא היה לי ניסיון ב-Data Science. איך התמודדתי עם המשימה זה סיפור אחר, ואני רוצה לומר שהיה לי רק מושג מעורפל מה עושה מדען נתונים לפני שנכנסתי לתפקיד.

התקבלתי לעבוד על צינורות נתונים בגלל העבודה הקודמת שלי כמהנדס נתונים, שם פיתחתי מתקן נתונים לניתוח חזוי בשימוש על ידי קבוצה של מדעני נתונים.

השנה הראשונה שלי כמדען נתונים כללה יצירת צינורות נתונים כדי להכשיר מודלים של למידת מכונה והכנסתם לייצור. שמרתי על פרופיל נמוך ולא השתתפתי בהרבה פגישות עם בעלי העניין השיווקיים שהיו משתמשי הקצה של הדגמים.

בשנה השנייה לעבודתי בחברה עזב מנהל עיבוד וניתוח הנתונים האחראי על השיווק. מכאן ואילך הפכתי לשחקן הראשי ולקחתי חלק פעיל יותר בפיתוח מודלים ובדיון במועדי פרויקט.

תוך כדי אינטראקציה עם בעלי עניין, הבנתי ש-Data Science הוא מושג מעורפל שאנשים שמעו עליו אבל לא ממש מבינים אותו, במיוחד ברמות ההנהלה הבכירות.

בניתי למעלה ממאה דגמים, אבל רק שליש מהם היו בשימוש כי לא ידעתי להראות את ערכם, למרות שהדגמים התבקשו בעיקר על ידי שיווק.

אחד מחברי הצוות שלי בילה חודשים בפיתוח מודל שההנהלה הבכירה חשה שיוכיח את הערך של צוות מדעי נתונים. הרעיון היה להפיץ את המודל בכל הארגון לאחר פיתוחו ולעודד צוותי שיווק לאמץ אותו.

התברר שזה היה כישלון מוחלט מכיוון שאיש לא הבין מהו מודל למידת מכונה או יכול להבין את הערך של השימוש בו. כתוצאה מכך, חודשים בזבזו על משהו שאף אחד לא רצה.

ממצבים כאלה למדתי שיעורים מסוימים, אותם אתן להלן.

לקחים שלמדתי כדי להפוך למדען נתונים מצליח

1. הגדר את עצמך להצלחה על ידי בחירת החברה הנכונה.
כשאתה מראיין בחברה, שאל על תרבות הנתונים וכמה מודלים של למידת מכונה מאומצים ומשמשים בקבלת החלטות. בקשו דוגמאות. גלה אם תשתית הנתונים שלך מוגדרת כדי להתחיל במודלים. אם אתה מבלה 90% מזמנך בניסיון למשוך נתונים גולמיים ולנקות אותם, לא יישאר לך מעט או לא זמן לבנות מודלים כלשהם כדי להדגים את הערך שלך כמדען נתונים. היזהר אם אתה מתקבל לעבודה כמדען נתונים בפעם הראשונה. זה יכול להיות טוב או רע, תלוי בתרבות הנתונים. אתה עלול להיתקל בהתנגדות רבה יותר ליישום המודל אם ההנהלה הבכירה תשכור מדען נתונים רק בגלל שהחברה רוצה להיות ידועה בתור שימוש ב-Data Science כדי לקבל החלטות טובות יותר, אבל אין לו מושג מה זה בעצם אומר. בנוסף, אם תמצא חברה מונעת נתונים, אתה תצמח איתה.

2. הכר את הנתונים ואת מדדי הביצועים העיקריים (KPI).
בהתחלה ציינתי שכמהנדס נתונים, יצרתי חנות נתונים אנליטית עבור צוות של מדעני נתונים. לאחר שהפכתי בעצמי למדען נתונים, הצלחתי למצוא הזדמנויות חדשות שהגדילו את הדיוק של המודלים מכיוון שעבדתי באופן אינטנסיבי עם נתונים גולמיים בתפקידי הקודם.

על ידי הצגת התוצאות של אחד הקמפיינים שלנו, הצלחתי להראות את המודלים שמייצרים שיעורי המרה גבוהים יותר (באחוזים) ולאחר מכן מדדתי את אחד ממדדי ה-KPI של הקמפיין. זה הוכיח את הערך של המודל לביצועים עסקיים שאליו ניתן לקשר שיווק.

3. להבטיח את אימוץ המודל על ידי הוכחת ערכו לבעלי עניין
לעולם לא תצליח כמדען נתונים אם בעלי העניין שלך לעולם לא ישתמשו במודלים שלך כדי לקבל החלטות עסקיות. אחת הדרכים להבטיח אימוץ מודלים היא למצוא נקודת כאב עסקית ולהראות כיצד המודל יכול לעזור.

לאחר שדיברתי עם צוות המכירות שלנו, הבנתי ששני נציגים עובדים במשרה מלאה בסירוק ידני בין מיליוני המשתמשים במסד הנתונים של החברה כדי לזהות משתמשים בעלי רישיונות בודדים שיש להם סיכוי גבוה יותר לשדרג לרשיונות צוותים. הבחירה השתמשה בקבוצת קריטריונים, אך הבחירה ארכה זמן רב מכיוון שהנציגים הסתכלו על משתמש אחד בכל פעם. באמצעות המודל שפיתחתי, נציגים יכלו למקד למשתמשים בעלי הסבירות הגבוהה ביותר לרכוש רישיון צוות ולהגדיל את הסבירות להמרה בפחות זמן. זה הביא לניצול יעיל יותר של זמן על ידי הגדלת שיעורי ההמרה עבור מדדי ביצועים מרכזיים שצוות המכירות יכול להתייחס אליהם.

עברו כמה שנים ופיתחתי את אותם מודלים שוב ושוב והרגשתי שאני כבר לא לומדת שום דבר חדש. החלטתי לחפש תפקיד אחר ובסופו של דבר קיבלתי תפקיד של מנתח נתונים. ההבדל באחריות לא יכול היה להיות משמעותי יותר בהשוואה לתקופה שהייתי מדען נתונים, למרות שחזרתי לתמוך בשיווק.

זו הייתה הפעם הראשונה שניתחתי ניסויי A/B ומצאתי כל דרכים שבהן ניסוי יכול להשתבש. בתור מדען נתונים, לא עבדתי על בדיקות A/B בכלל כי זה היה שמור לצוות הניסוי. עבדתי על מגוון רחב של ניתוחים המושפעים מהשיווק - מהגדלת שיעורי ההמרה המובחרים ועד למעורבות של משתמשים ומניעת נטישה. למדתי דרכים רבות ושונות לצפות בנתונים והשקעתי זמן רב בהרכבת התוצאות והצגתן בפני מחזיקי עניין והנהלה בכירה. כמדען נתונים, עבדתי בעיקר על סוג אחד של מודלים ולעתים רחוקות נשאתי הרצאות. מהר קדימה כמה שנים לכישורים שלמדתי כדי להיות אנליסט מצליח.

מיומנויות שלמדתי כדי להיות מנתח נתונים מצליח

1. למד לספר סיפורים עם נתונים
אל תסתכל על מדדי KPI בנפרד. חברו ביניהם, הסתכלו על העסק כמכלול. זה יאפשר לך לזהות אזורים שמשפיעים זה על זה. ההנהלה הבכירה רואה את העסק מבעד לעדשה, ואדם שמפגין מיומנות זו מורגש כשמגיע הזמן לקבל החלטות קידום.

2. ספק רעיונות מעשיים.
לספק עסקים רעיון יעיל לפתור את הבעיה. עדיף אפילו אם תציעו באופן יזום פתרון כשעדיין לא נאמר שאתם מתמודדים עם הבעיה הבסיסית.

לדוגמה, אם אמרת לשיווק: "שמתי לב שלאחרונה מספר המבקרים באתר יורד מדי חודש.". זו מגמה שאולי הבחינו בלוח המחוונים ולא הצעתת שום פתרון בעל ערך כאנליסט כי רק ציינת את התצפית.

במקום זאת, בדוק את הנתונים כדי למצוא את הסיבה ולהציע פתרון. דוגמה טובה יותר לשיווק תהיה: "שמתי לב שיש לנו ירידה במספר המבקרים באתר שלנו לאחרונה. גיליתי שמקור הבעיה הוא חיפוש אורגני, עקב שינויים אחרונים שגרמו לירידה בדירוג החיפוש שלנו בגוגל".. גישה זו מראה שעקבתם אחר מדדי ה-KPI של החברה, שמתם לב לשינוי, חקרתם את הסיבה והצעתם פתרון לבעיה.

3. הפוך ליועץ מהימן
אתה צריך להיות האדם הראשון שבעלי העניין שלך פונים אליו כדי לקבל עצות או שאלות לגבי העסק שאתה תומך בו. אין קיצור דרך כי לוקח זמן להפגין את היכולות הללו. המפתח לכך הוא אספקת ניתוח באיכות גבוהה באופן עקבי עם מינימום שגיאות. כל חישוב שגוי יעלה לך נקודות אמינות מכיוון שבפעם הבאה שתספק ניתוח, אנשים עשויים לתהות: אם טעית בפעם הקודמת, אולי גם הפעם אתה טועה?. בדוק תמיד את העבודה שלך. זה גם לא מזיק לבקש מהמנהל או הקולגה שלך להסתכל על המספרים שלך לפני הצגתם אם יש לך ספקות לגבי הניתוח שלך.

4. למדו לתקשר תוצאות מורכבות בצורה ברורה.
שוב, אין קיצור דרך ללמוד כיצד לתקשר ביעילות. זה דורש תרגול ועם הזמן אתה תשתפר בזה. המפתח הוא לזהות את הנקודות העיקריות של מה שאתה רוצה לעשות ולהמליץ ​​על כל פעולה שכתוצאה מהניתוח שלך, בעלי עניין יכולים לנקוט כדי לשפר את העסק. ככל שאתה נמצא בארגון גבוה יותר, כך כישורי התקשורת שלך חשובים יותר. העברת תוצאות מורכבות היא מיומנות חשובה להפגין. ביליתי שנים בלימוד סודות ההצלחה כמדען נתונים ומנתח נתונים. אנשים מגדירים הצלחה אחרת. להיות מתואר כאנליטיקאי "מדהים" ו"כוכבי" זו הצלחה בעיניי. עכשיו כשאתה יודע את הסודות האלה, אני מקווה שהדרך שלך תוביל אותך במהירות להצלחה, איך שתגדיר זאת.

וכדי להפוך את הדרך שלך להצלחה למהירה עוד יותר, שמור את קוד ההטבה HABR, שבאמצעותו ניתן לקבל תוספת של 10% להנחה המצוינת על הבאנר.

• Data Science Online Bootcamp
• הכשרת מקצוע ה-Data Analyst מאפס
• Data Analytics Bootcamp מקוון
• מלמדת את מקצוע הנתונים מאפס
• קורס פייתון לפיתוח אתרים

קורסים נוספים

• קורס ניתוח נתונים
• קורס DevOps
• מקצוע מפתח אתרים
• עיסוק מפתח iOS מאפס
• מקצוע מפתח אנדרואיד מאפס
• מקצוע מפתח Java מאפס
• קורס JavaScript
• קורס למידת מכונה
• קורס "מתמטיקה ולמידת מכונה למדעי הנתונים"
• קורס מתקדם "Machine Learning Pro + Deep Learning"

מאמרים מומלצים

• איך להיות מדען נתונים בלי קורסים מקוונים
• 450 קורסי ליגת הקיסוס בחינם
• כיצד ללמוד למידת מכונה 5 ימים בשבוע במשך 9 חודשים ברציפות
• כמה מרוויח מנתח נתונים: סקירה כללית של משכורות ומשרות פנויות ברוסיה ומחוצה לה בשנת 2020
• למידת מכונה וראייה ממוחשבת בתעשיית הכרייה

מקור: www.habr.com