Ana akeh artikel babagan katrampilan sing dibutuhake kanggo dadi ilmuwan data utawa analis data sing apik, nanging sawetara artikel sing ngomong babagan katrampilan sing dibutuhake kanggo sukses-apa iku review kinerja sing luar biasa, pujian saka manajemen, promosi, utawa kabeh sing kasebut ing ndhuwur. Dina iki, kita menehi sampeyan materi sing penulis pengin nuduhake pengalaman pribadine minangka ilmuwan data lan analis data, uga apa sing wis disinaoni kanggo sukses.
Aku begja: Aku ditawani posisi ilmuwan data nalika aku ora duwe pengalaman ing Ilmu Data. Kepiye cara nangani tugas kasebut minangka crita sing beda, lan aku pengin ujar manawa aku mung duwe ide sing ora jelas babagan apa sing ditindakake ilmuwan data sadurunge aku kerja.
Aku direkrut kanggo nggarap saluran pipa data amarga kerjaku sadurunge minangka insinyur data, ing ngendi aku ngembangake data mart kanggo analytics prediktif sing digunakake dening klompok ilmuwan data.
Taun pisanan minangka ilmuwan data melu nggawe saluran data kanggo nglatih model pembelajaran mesin lan nggawe produksi. Aku njaga profil sing kurang lan ora melu akeh rapat karo para pemangku kepentingan pemasaran sing dadi pangguna pungkasan model kasebut.
Ing taun kapindho kerja ing perusahaan, manajer pangolahan lan analisis data sing tanggung jawab kanggo marketing kiwa. Wiwit iku, aku dadi pemain utama lan njupuk bagΓ©yan luwih aktif ing ngembangaken model lan ngrembug deadline project.
Nalika aku sesambungan karo para pemangku kepentingan, aku nyadari yen Ilmu Data minangka konsep sing ora jelas sing wis dirungokake wong nanging ora ngerti, utamane ing tingkat manajemen senior.
Aku mbangun luwih saka satus model, nanging mung katelu saka wong-wong mau digunakake amarga aku ora ngerti carane kanggo nuduhake regane, sanajan model dijaluk utamanΓ© dening marketing.
Salah sawijining anggota tim saya ngenteni pirang-pirang wulan ngembangake model sing dirasakake manajemen senior bakal nuduhake nilai tim ilmu data. Ide iki yaiku nyebarake model kasebut ing saindhenging organisasi yen wis dikembangake lan nyengkuyung tim marketing kanggo nggunakake.
Pranyata gagal total amarga ora ana sing ngerti apa model pembelajaran mesin utawa bisa ngerti nilai nggunakake. AkibatΓ©, sasi dibuwang kanggo barang sing ora dikarepake.
Saka kahanan kaya mengkono, aku wis sinau sawetara pelajaran, sing bakal dakwenehake ing ngisor iki.
Pawulangan sing Aku Sinau Dadi Ilmuwan Data sing Sukses
1. Nggawe dhewe kanggo sukses kanthi milih perusahaan sing bener.
Nalika wawancara ing perusahaan, takon babagan budaya data lan pirang-pirang model pembelajaran mesin sing diadopsi lan digunakake kanggo nggawe keputusan. Njaluk conto. Temokake yen infrastruktur data sampeyan wis disetel kanggo miwiti modeling. Yen sampeyan nglampahi 90% wektu sampeyan nyoba narik data mentah lan ngresiki, sampeyan bakal duwe wektu sethithik kanggo mbangun model apa wae kanggo nduduhake nilai sampeyan minangka ilmuwan data. Ati-ati yen sampeyan direkrut dadi ilmuwan data kanggo pisanan. Iki bisa dadi apik utawa ala, gumantung saka budaya data. Sampeyan bisa uga nemoni resistensi luwih akeh kanggo ngetrapake model kasebut yen manajemen senior nyewa Ilmuwan Data mung amarga perusahaan pengin dikenal minangka nggunakake Ilmu Data kanggo nggawe keputusan sing luwih apik, nanging ora ngerti apa tegese. Kajaba iku, yen sampeyan nemokake perusahaan sing didorong data, sampeyan bakal tuwuh.
2. Ngerti data lan indikator kinerja utama (KPI).
Ing wiwitan, aku nyatakake yen minangka insinyur data, aku nggawe pasar data analitik kanggo tim ilmuwan data. Sawise dadi ilmuwan data dhewe, aku bisa nemokake kesempatan anyar sing nambah akurasi model amarga aku kerja intensif karo data mentah ing peranku sadurunge.
Kanthi nampilake asil saka salah sawijining kampanye, aku bisa nuduhake model sing ngasilake tingkat konversi sing luwih dhuwur (minangka persentase) lan banjur ngukur salah sawijining KPI kampanye. Iki nuduhake nilai model kanggo kinerja bisnis sing bisa disambungake marketing.
3. Njamin adopsi model kasebut kanthi nuduhake nilai kasebut marang para pemangku kepentingan
Sampeyan ora bakal sukses minangka ilmuwan data yen para pemangku kepentingan ora nate nggunakake model sampeyan kanggo nggawe keputusan bisnis. Salah siji cara kanggo njamin adopsi model yaiku nemokake titik nyeri bisnis lan nuduhake carane model bisa mbantu.
Sawise ngomong karo tim dodolan kita, aku nyadari yen rong wakil padha kerja full time kanthi manual nyisir jutaan pangguna ing basis data perusahaan kanggo ngenali pangguna sing duwe lisensi siji sing luwih seneng nganyarke lisensi tim. Pamilihan nggunakake sakumpulan kritΓ©ria, nanging pamilihan njupuk wektu sing suwe amarga wakil kasebut ndeleng pangguna siji-sijine. Nggunakake model sing dikembangake, reps bisa ngarahake pangguna sing paling mungkin tuku lisensi tim lan nambah kemungkinan konversi ing wektu sing luwih sithik. Iki nyebabake panggunaan wektu sing luwih efisien kanthi nambah tingkat konversi kanggo indikator kinerja utama sing bisa digandhengake karo tim sales.
Sawetara taun liwati lan aku ngembangake model sing padha bola-bali lan rumangsa ora sinau maneh sing anyar. Aku mutusake kanggo golek posisi liyane lan pungkasane entuk posisi minangka analis data. Bentenipun tanggung jawab ora bisa luwih signifikan dibandhingake nalika aku dadi ilmuwan data, sanajan aku bali ndhukung marketing.
Iki minangka pisanan aku nganalisa eksperimen A / B lan nemokake kabeh cara eksperimen bisa salah. Minangka ilmuwan data, aku ora nggarap tes A/B amarga dicadangake kanggo tim eksperimen. Aku wis nggarap macem-macem analytics sing kena pengaruh marketing - saka nambah tingkat konversi premium nganti keterlibatan pangguna lan pencegahan churn. Aku sinau macem-macem cara kanggo ndeleng data lan ngginakaken akeh wektu kanggo ngumpulake asil lan nampilake menyang stakeholder lan manajemen senior. Minangka ilmuwan data, aku biasane nggarap siji jinis model lan arang banget ngomong. Maju cepet sawetara taun kanggo katrampilan aku sinau dadi analis sukses.
Skills Aku Sinau Dadi Analis Data Sukses
1. Sinau crita kanthi data
Aja mung ndeleng KPI. Sambungake, deleng bisnis kanthi sakabehe. Iki bakal ngidini sampeyan ngenali wilayah sing saling pengaruh. Manajemen senior ndeleng bisnis liwat lensa, lan wong sing nduduhake katrampilan iki diweruhi nalika entuk keputusan promosi.
2. Nyedhiyakake gagasan sing bisa ditindakake.
Nyedhiyani bisnis gagasan efektif kanggo ngatasi masalah. Luwih apik yen sampeyan menehi solusi kanthi proaktif nalika durung dikandhakake yen sampeyan lagi ngatasi masalah sing ndasari.
Contone, yen sampeyan ngandhani marketing: "Aku ngerteni manawa jumlah pengunjung situs wis suda saben wulan.". Iki minangka tren sing bisa dingerteni ing dashboard lan sampeyan ora menehi solusi sing penting minangka analis amarga sampeyan mung nyatakake pengamatan kasebut.
Nanging, mriksa data kanggo nemokake sabab lan ngusulake solusi. Conto sing luwih apik kanggo marketing yaiku: "Aku wis ngerteni manawa jumlah pengunjung ing situs web kita wis suda akhir-akhir iki. Aku nemokake manawa sumber masalah kasebut yaiku panelusuran organik, amarga owah-owahan anyar sing nyebabake peringkat telusuran Google mudhun.. Pendekatan iki nuduhake yen sampeyan nglacak KPI perusahaan, ngerteni owah-owahan kasebut, nyelidiki sababe, lan ngusulake solusi kanggo masalah kasebut.
3. Dadi penasehat sing dipercaya
Sampeyan kudu dadi wong pisanan sing dituju kanggo njaluk saran utawa pitakonan babagan bisnis sing sampeyan dukung. Ora ana trabasan amarga butuh wektu kanggo nduduhake kabisan kasebut. Kunci kanggo iki yaiku kanthi konsisten ngirim analisis kualitas kanthi kesalahan minimal. Sembarang salah pitungan bakal menehi sampeyan nilai kredibilitas amarga sabanjure sampeyan menehi analisis, wong bisa mikir: Yen sampeyan salah pungkasan, mungkin sampeyan uga salah wektu iki?. Tansah mriksa maneh karya. Sampeyan uga ora masalah takon manajer utawa kolega sampeyan ndeleng nomer sampeyan sadurunge menehi sampeyan yen sampeyan duwe keraguan babagan analisis sampeyan.
4. Sinau kanggo komunikasi asil Komplek cetha.
Maneh, ora ana trabasan kanggo sinau babagan komunikasi kanthi efektif. Iki mbutuhake latihan lan suwe-suwe sampeyan bakal luwih apik. Kuncine yaiku kanggo ngenali poin-poin utama sing pengin ditindakake lan menehi rekomendasi tumindak sing, minangka asil analisis sampeyan, para pemangku kepentingan bisa nindakake kanggo nambah bisnis. Sing luwih dhuwur sampeyan ana ing organisasi, luwih penting katrampilan komunikasi sampeyan. Komunikasi asil Komplek minangka skill penting kanggo nduduhake. Aku ngenteni pirang-pirang taun sinau rahasia sukses minangka ilmuwan data lan analis data. Wong nemtokake sukses kanthi beda. Digambarake minangka analis sing "nggumunake" lan "lintang" iku sukses ing mripatku. Saiki sampeyan ngerti rahasia kasebut, muga-muga dalan sampeyan bakal cepet sukses, nanging sampeyan nemtokake.
Lan supaya dalan menyang sukses luwih cepet, tetep kode promo HABR, kanthi sampeyan bisa entuk tambahan 10% kanggo diskon sing dituduhake ing spanduk.
Kursus liyane
Artikel Pilihan
Source: www.habr.com