ಉತ್ತಮ ಡೇಟಾ ವಿಜ್ಞಾನಿ ಅಥವಾ ಡೇಟಾ ವಿಶ್ಲೇಷಕರಾಗಲು ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳ ಕುರಿತು ಹಲವು ಲೇಖನಗಳಿವೆ, ಆದರೆ ಕೆಲವು ಲೇಖನಗಳು ಯಶಸ್ವಿಯಾಗಲು ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತವೆ-ಅದು ಅಸಾಧಾರಣ ಕಾರ್ಯಕ್ಷಮತೆಯ ವಿಮರ್ಶೆ, ನಿರ್ವಹಣೆಯಿಂದ ಪ್ರಶಂಸೆ, ಪ್ರಚಾರ, ಅಥವಾ ಮೇಲಿನ ಎಲ್ಲಾ. ಡೇಟಾ ವಿಜ್ಞಾನಿ ಮತ್ತು ಡೇಟಾ ವಿಶ್ಲೇಷಕರಾಗಿ ತಮ್ಮ ವೈಯಕ್ತಿಕ ಅನುಭವವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಲೇಖಕರು ಬಯಸುತ್ತಾರೆ ಮತ್ತು ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಲು ಅವರು ಕಲಿತದ್ದನ್ನು ಇಂದು ನಾವು ನಿಮಗೆ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತೇವೆ.
ನಾನು ಅದೃಷ್ಟಶಾಲಿಯಾಗಿದ್ದೆ: ಡೇಟಾ ಸೈನ್ಸ್‌ನಲ್ಲಿ ನನಗೆ ಯಾವುದೇ ಅನುಭವವಿಲ್ಲದಿದ್ದಾಗ ನನಗೆ ಡೇಟಾ ವಿಜ್ಞಾನಿ ಸ್ಥಾನವನ್ನು ನೀಡಲಾಯಿತು. ನಾನು ಕೆಲಸವನ್ನು ಹೇಗೆ ನಿರ್ವಹಿಸಿದೆ ಎಂಬುದು ವಿಭಿನ್ನ ಕಥೆಯಾಗಿದೆ ಮತ್ತು ನಾನು ಕೆಲಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೊದಲು ಡೇಟಾ ವಿಜ್ಞಾನಿ ಏನು ಮಾಡುತ್ತಾನೆ ಎಂಬ ಅಸ್ಪಷ್ಟ ಕಲ್ಪನೆಯನ್ನು ನಾನು ಹೊಂದಿದ್ದೇನೆ ಎಂದು ನಾನು ಹೇಳಲು ಬಯಸುತ್ತೇನೆ.
ಡೇಟಾ ಇಂಜಿನಿಯರ್ ಆಗಿ ನನ್ನ ಹಿಂದಿನ ಕೆಲಸದಿಂದಾಗಿ ಡೇಟಾ ಪೈಪ್‌ಲೈನ್‌ಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ನನ್ನನ್ನು ನೇಮಿಸಲಾಯಿತು, ಅಲ್ಲಿ ನಾನು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ಗುಂಪು ಬಳಸುವ ಭವಿಷ್ಯ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಡೇಟಾ ಮಾರ್ಟ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ.
ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿಯಾಗಿ ನನ್ನ ಮೊದಲ ವರ್ಷ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಮತ್ತು ಅವುಗಳನ್ನು ಉತ್ಪಾದನೆಗೆ ಒಳಪಡಿಸಲು ಡೇಟಾ ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ರಚಿಸುವುದನ್ನು ಒಳಗೊಂಡಿತ್ತು. ನಾನು ಕಡಿಮೆ ಪ್ರೊಫೈಲ್ ಅನ್ನು ಇಟ್ಟುಕೊಂಡಿದ್ದೇನೆ ಮತ್ತು ಮಾದರಿಗಳ ಅಂತಿಮ ಬಳಕೆದಾರರಾದ ಮಾರ್ಕೆಟಿಂಗ್ ಮಧ್ಯಸ್ಥಗಾರರೊಂದಿಗೆ ಅನೇಕ ಸಭೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸಲಿಲ್ಲ.
ಕಂಪನಿಯಲ್ಲಿ ನನ್ನ ಕೆಲಸದ ಎರಡನೇ ವರ್ಷದಲ್ಲಿ, ಮಾರ್ಕೆಟಿಂಗ್‌ಗೆ ಜವಾಬ್ದಾರರಾಗಿರುವ ಡೇಟಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ವಿಶ್ಲೇಷಣಾ ವ್ಯವಸ್ಥಾಪಕರು ಬಿಟ್ಟರು. ಅಂದಿನಿಂದ, ನಾನು ಮುಖ್ಯ ಆಟಗಾರನಾಗಿದ್ದೇನೆ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ಮತ್ತು ಯೋಜನೆಯ ಗಡುವನ್ನು ಚರ್ಚಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಸಕ್ರಿಯವಾಗಿ ಭಾಗವಹಿಸಿದೆ.
ನಾನು ಮಧ್ಯಸ್ಥಗಾರರೊಂದಿಗೆ ಸಂವಾದ ನಡೆಸಿದಾಗ, ಡೇಟಾ ಸೈನ್ಸ್ ಎಂಬುದು ಅಸ್ಪಷ್ಟ ಪರಿಕಲ್ಪನೆಯಾಗಿದೆ ಎಂದು ನಾನು ಅರಿತುಕೊಂಡೆ, ಜನರು ಕೇಳಿರುವ ಆದರೆ ಸಾಕಷ್ಟು ಅರ್ಥವಾಗದ, ವಿಶೇಷವಾಗಿ ಹಿರಿಯ ನಿರ್ವಹಣಾ ಹಂತಗಳಲ್ಲಿ.
ನಾನು ನೂರಕ್ಕೂ ಹೆಚ್ಚು ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಿದೆ, ಆದರೆ ಅವುಗಳಲ್ಲಿ ಮೂರನೇ ಒಂದು ಭಾಗವನ್ನು ಮಾತ್ರ ಬಳಸಲಾಗಿದೆ ಏಕೆಂದರೆ ಅವುಗಳ ಮೌಲ್ಯವನ್ನು ಹೇಗೆ ತೋರಿಸಬೇಕೆಂದು ನನಗೆ ತಿಳಿದಿರಲಿಲ್ಲ, ಆದರೂ ಮಾದರಿಗಳನ್ನು ಪ್ರಾಥಮಿಕವಾಗಿ ಮಾರ್ಕೆಟಿಂಗ್ ಮೂಲಕ ವಿನಂತಿಸಲಾಗಿದೆ.
ನನ್ನ ತಂಡದ ಸದಸ್ಯರಲ್ಲಿ ಒಬ್ಬರು ದತ್ತಾಂಶ ವಿಜ್ಞಾನ ತಂಡದ ಮೌಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ ಎಂದು ಹಿರಿಯ ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್ ಭಾವಿಸಿದ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ತಿಂಗಳುಗಳನ್ನು ಕಳೆದರು. ಇದನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನಂತರ ಸಂಸ್ಥೆಯಾದ್ಯಂತ ಮಾದರಿಯನ್ನು ಹರಡಲು ಮತ್ತು ಅದನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಮಾರ್ಕೆಟಿಂಗ್ ತಂಡಗಳನ್ನು ಉತ್ತೇಜಿಸಲು ಕಲ್ಪನೆಯನ್ನು ಹೊಂದಿತ್ತು.
ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿ ಏನೆಂದು ಯಾರಿಗೂ ಅರ್ಥವಾಗಲಿಲ್ಲ ಅಥವಾ ಅದನ್ನು ಬಳಸುವ ಮೌಲ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗದ ಕಾರಣ ಇದು ಸಂಪೂರ್ಣ ವಿಫಲವಾಗಿದೆ. ಪರಿಣಾಮವಾಗಿ, ಯಾರಿಗೂ ಬೇಡವಾದ ವಿಷಯಕ್ಕೆ ತಿಂಗಳುಗಳು ವ್ಯರ್ಥವಾಯಿತು.
ಅಂತಹ ಸನ್ನಿವೇಶಗಳಿಂದ ನಾನು ಕೆಲವು ಪಾಠಗಳನ್ನು ಕಲಿತಿದ್ದೇನೆ, ಅದನ್ನು ನಾನು ಕೆಳಗೆ ನೀಡುತ್ತೇನೆ.
ಯಶಸ್ವಿ ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾಗಲು ನಾನು ಕಲಿತ ಪಾಠಗಳು
1. ಸರಿಯಾದ ಕಂಪನಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ ಯಶಸ್ಸಿಗೆ ನಿಮ್ಮನ್ನು ಹೊಂದಿಸಿಕೊಳ್ಳಿ.
ಕಂಪನಿಯಲ್ಲಿ ಸಂದರ್ಶನ ಮಾಡುವಾಗ, ಡೇಟಾ ಕಲ್ಚರ್ ಮತ್ತು ಎಷ್ಟು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗಿದೆ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ಕೇಳಿ. ಉದಾಹರಣೆಗಳನ್ನು ಕೇಳಿ. ಮಾಡೆಲಿಂಗ್ ಪ್ರಾರಂಭಿಸಲು ನಿಮ್ಮ ಡೇಟಾ ಮೂಲಸೌಕರ್ಯವನ್ನು ಹೊಂದಿಸಲಾಗಿದೆಯೇ ಎಂದು ಕಂಡುಹಿಡಿಯಿರಿ. ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಎಳೆಯಲು ಮತ್ತು ಅದನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು ನೀವು ನಿಮ್ಮ ಸಮಯದ 90% ರಷ್ಟು ಸಮಯವನ್ನು ಕಳೆದರೆ, ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾಗಿ ನಿಮ್ಮ ಮೌಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಲು ಯಾವುದೇ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ನಿಮಗೆ ಸ್ವಲ್ಪ ಸಮಯ ಉಳಿದಿಲ್ಲ. ನೀವು ಮೊದಲ ಬಾರಿಗೆ ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾಗಿ ನೇಮಕಗೊಂಡಿದ್ದರೆ ಜಾಗರೂಕರಾಗಿರಿ. ಡೇಟಾ ಸಂಸ್ಕೃತಿಯನ್ನು ಅವಲಂಬಿಸಿ ಇದು ಒಳ್ಳೆಯದು ಅಥವಾ ಕೆಟ್ಟ ವಿಷಯವಾಗಿರಬಹುದು. ಕಂಪನಿಯು ಹೆಸರಿಸಲು ಬಯಸುತ್ತದೆ ಎಂಬ ಕಾರಣಕ್ಕಾಗಿ ಹಿರಿಯ ನಿರ್ವಹಣೆಯು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳನ್ನು ನೇಮಿಸಿಕೊಂಡರೆ ನೀವು ಮಾದರಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಹೆಚ್ಚಿನ ಪ್ರತಿರೋಧವನ್ನು ಎದುರಿಸಬಹುದು ಉತ್ತಮ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ನು ಬಳಸುವುದು, ಆದರೆ ಇದರ ಅರ್ಥವೇನೆಂದು ತಿಳಿದಿಲ್ಲ. ಜೊತೆಗೆ, ಡೇಟಾ ಚಾಲಿತ ಕಂಪನಿಯನ್ನು ನೀವು ಕಂಡುಕೊಂಡರೆ, ನೀವು ಅದರೊಂದಿಗೆ ಬೆಳೆಯುತ್ತೀರಿ.
2. ಡೇಟಾ ಮತ್ತು ಪ್ರಮುಖ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚಕಗಳನ್ನು (ಕೆಪಿಐಗಳು) ತಿಳಿಯಿರಿ.
ಆರಂಭದಲ್ಲಿ, ನಾನು ಡೇಟಾ ಎಂಜಿನಿಯರ್ ಆಗಿ, ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ತಂಡಕ್ಕಾಗಿ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಡೇಟಾ ಮಾರ್ಟ್ ಅನ್ನು ರಚಿಸಿದ್ದೇನೆ ಎಂದು ನಾನು ಉಲ್ಲೇಖಿಸಿದೆ. ನಾನೇ ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾದ ನಂತರ, ನನ್ನ ಹಿಂದಿನ ಪಾತ್ರದಲ್ಲಿ ಕಚ್ಚಾ ಡೇಟಾದೊಂದಿಗೆ ನಾನು ತೀವ್ರವಾಗಿ ಕೆಲಸ ಮಾಡಿದ್ದರಿಂದ ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಹೊಸ ಅವಕಾಶಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ನನಗೆ ಸಾಧ್ಯವಾಯಿತು.
ನಮ್ಮ ಒಂದು ಅಭಿಯಾನದ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಮೂಲಕ, ಹೆಚ್ಚಿನ ಪರಿವರ್ತನೆ ದರಗಳನ್ನು (ಶೇಕಡಾವಾರು) ಉತ್ಪಾದಿಸುವ ಮಾದರಿಗಳನ್ನು ತೋರಿಸಲು ನನಗೆ ಸಾಧ್ಯವಾಯಿತು ಮತ್ತು ನಂತರ ಪ್ರಚಾರದ KPI ಗಳಲ್ಲಿ ಒಂದನ್ನು ಅಳತೆ ಮಾಡಿದೆ. ಇದು ವ್ಯಾಪಾರದ ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ ಮಾರ್ಕೆಟಿಂಗ್ ಅನ್ನು ಲಿಂಕ್ ಮಾಡಬಹುದಾದ ಮಾದರಿಯ ಮೌಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಿತು.
3. ಮಧ್ಯಸ್ಥಗಾರರಿಗೆ ಅದರ ಮೌಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುವ ಮೂಲಕ ಮಾದರಿಯ ಅಳವಡಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ
ನಿಮ್ಮ ಮಧ್ಯಸ್ಥಗಾರರು ವ್ಯವಹಾರ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ನಿಮ್ಮ ಮಾದರಿಗಳನ್ನು ಎಂದಿಗೂ ಬಳಸದಿದ್ದರೆ ನೀವು ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾಗಿ ಎಂದಿಗೂ ಯಶಸ್ವಿಯಾಗುವುದಿಲ್ಲ. ಮಾದರಿ ಅಳವಡಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಒಂದು ಮಾರ್ಗವೆಂದರೆ ವ್ಯವಹಾರದ ನೋವಿನ ಬಿಂದುವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಮತ್ತು ಮಾದರಿಯು ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
ನಮ್ಮ ಮಾರಾಟ ತಂಡದೊಂದಿಗೆ ಮಾತನಾಡಿದ ನಂತರ, ಎರಡು ಪ್ರತಿನಿಧಿಗಳು ಕಂಪನಿಯ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿರುವ ಲಕ್ಷಾಂತರ ಬಳಕೆದಾರರ ಮೂಲಕ ಹಸ್ತಚಾಲಿತವಾಗಿ ಪೂರ್ಣ ಸಮಯ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದಾರೆ ಎಂದು ನಾನು ಅರಿತುಕೊಂಡೆ, ಏಕ ಪರವಾನಗಿ ಹೊಂದಿರುವ ಬಳಕೆದಾರರನ್ನು ತಂಡ ಪರವಾನಗಿಗಳಿಗೆ ಅಪ್‌ಗ್ರೇಡ್ ಮಾಡುವ ಸಾಧ್ಯತೆಯಿದೆ. ಆಯ್ಕೆಯು ಮಾನದಂಡಗಳ ಗುಂಪನ್ನು ಬಳಸಿದೆ, ಆದರೆ ಪ್ರತಿನಿಧಿಗಳು ಒಂದು ಸಮಯದಲ್ಲಿ ಒಬ್ಬ ಬಳಕೆದಾರರನ್ನು ನೋಡುವುದರಿಂದ ಆಯ್ಕೆಯು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಂಡಿತು. ನಾನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು, ಪ್ರತಿನಿಧಿಗಳು ತಂಡದ ಪರವಾನಗಿಯನ್ನು ಖರೀದಿಸಲು ಮತ್ತು ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಪರಿವರ್ತನೆಯ ಸಾಧ್ಯತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಬಳಕೆದಾರರನ್ನು ಗುರಿಯಾಗಿಸಲು ಸಾಧ್ಯವಾಯಿತು. ಇದು ಮಾರಾಟ ತಂಡವು ಸಂಬಂಧಿಸಬಹುದಾದ ಪ್ರಮುಖ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚಕಗಳಿಗೆ ಪರಿವರ್ತನೆ ದರಗಳನ್ನು ಹೆಚ್ಚಿಸುವ ಮೂಲಕ ಸಮಯವನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳುವಲ್ಲಿ ಕಾರಣವಾಗಿದೆ.
ಹಲವಾರು ವರ್ಷಗಳು ಕಳೆದವು ಮತ್ತು ನಾನು ಅದೇ ಮಾದರಿಗಳನ್ನು ಮತ್ತೆ ಮತ್ತೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದೆ ಮತ್ತು ನಾನು ಇನ್ನು ಮುಂದೆ ಹೊಸದನ್ನು ಕಲಿಯುತ್ತಿಲ್ಲ ಎಂದು ಭಾವಿಸಿದೆ. ನಾನು ಇನ್ನೊಂದು ಸ್ಥಾನವನ್ನು ಹುಡುಕಲು ನಿರ್ಧರಿಸಿದೆ ಮತ್ತು ಡೇಟಾ ವಿಶ್ಲೇಷಕನಾಗಿ ಸ್ಥಾನವನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ. ನಾನು ಮಾರ್ಕೆಟಿಂಗ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತಿದ್ದರೂ, ನಾನು ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾಗಿದ್ದಾಗ ಹೋಲಿಸಿದರೆ ಜವಾಬ್ದಾರಿಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸವು ಹೆಚ್ಚು ಮಹತ್ವದ್ದಾಗಿರಲಿಲ್ಲ.
ನಾನು ಮೊದಲ ಬಾರಿಗೆ A/B ಪ್ರಯೋಗಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿದ್ದೇನೆ ಮತ್ತು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ ಎಲ್ಲಾ ಪ್ರಯೋಗವು ತಪ್ಪಾಗುವ ವಿಧಾನಗಳು. ಡೇಟಾ ವಿಜ್ಞಾನಿಯಾಗಿ, ನಾನು ಎ/ಬಿ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಲಿಲ್ಲ ಏಕೆಂದರೆ ಅದು ಪ್ರಾಯೋಗಿಕ ತಂಡಕ್ಕೆ ಕಾಯ್ದಿರಿಸಲ್ಪಟ್ಟಿದೆ. ನಾನು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಮಾರ್ಕೆಟಿಂಗ್-ಪ್ರಭಾವಿತ ವಿಶ್ಲೇಷಣೆಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದ್ದೇನೆ - ಪ್ರೀಮಿಯಂ ಪರಿವರ್ತನೆ ದರಗಳನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಹಿಡಿದು ಬಳಕೆದಾರರ ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಮಂಥನ ತಡೆಗಟ್ಟುವಿಕೆ. ನಾನು ಡೇಟಾವನ್ನು ನೋಡಲು ಹಲವು ವಿಭಿನ್ನ ವಿಧಾನಗಳನ್ನು ಕಲಿತಿದ್ದೇನೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಕಂಪೈಲ್ ಮಾಡಲು ಮತ್ತು ಅವುಗಳನ್ನು ಮಧ್ಯಸ್ಥಗಾರರಿಗೆ ಮತ್ತು ಹಿರಿಯ ನಿರ್ವಹಣೆಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲು ಸಾಕಷ್ಟು ಸಮಯವನ್ನು ಕಳೆದಿದ್ದೇನೆ. ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿಯಾಗಿ, ನಾನು ಹೆಚ್ಚಾಗಿ ಒಂದು ಮಾದರಿಯ ಮಾದರಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಿದ್ದೇನೆ ಮತ್ತು ವಿರಳವಾಗಿ ಮಾತುಕತೆಗಳನ್ನು ನೀಡಿದ್ದೇನೆ. ನಾನು ಯಶಸ್ವಿ ವಿಶ್ಲೇಷಕನಾಗಲು ಕಲಿತ ಕೌಶಲಗಳಿಗೆ ಕೆಲವು ವರ್ಷಗಳನ್ನು ಫಾಸ್ಟ್ ಫಾರ್ವರ್ಡ್ ಮಾಡಿ.
ಯಶಸ್ವಿ ಡೇಟಾ ವಿಶ್ಲೇಷಕನಾಗಲು ನಾನು ಕಲಿತ ಕೌಶಲ್ಯಗಳು
1. ಡೇಟಾದೊಂದಿಗೆ ಕಥೆಗಳನ್ನು ಹೇಳಲು ಕಲಿಯಿರಿ
ಕೆಪಿಐಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನೋಡಬೇಡಿ. ಅವುಗಳನ್ನು ಸಂಪರ್ಕಿಸಿ, ಒಟ್ಟಾರೆಯಾಗಿ ವ್ಯವಹಾರವನ್ನು ನೋಡಿ. ಪರಸ್ಪರ ಪ್ರಭಾವ ಬೀರುವ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸಲು ಇದು ನಿಮ್ಮನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಹಿರಿಯ ನಿರ್ವಹಣೆಯು ವ್ಯಾಪಾರವನ್ನು ಲೆನ್ಸ್ ಮೂಲಕ ವೀಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರಚಾರದ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯ ಬಂದಾಗ ಈ ಕೌಶಲ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸುವ ವ್ಯಕ್ತಿಯನ್ನು ಗಮನಿಸಲಾಗುತ್ತದೆ.
2. ಕ್ರಿಯಾಶೀಲ ವಿಚಾರಗಳನ್ನು ಒದಗಿಸಿ.
ವ್ಯಾಪಾರವನ್ನು ಒದಗಿಸಿ ಪರಿಣಾಮಕಾರಿ ಕಲ್ಪನೆ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು. ನೀವು ಆಧಾರವಾಗಿರುವ ಸಮಸ್ಯೆಯೊಂದಿಗೆ ವ್ಯವಹರಿಸುತ್ತಿರುವಿರಿ ಎಂದು ಇನ್ನೂ ಹೇಳದೆ ಇರುವಾಗ ನೀವು ಪೂರ್ವಭಾವಿಯಾಗಿ ಪರಿಹಾರವನ್ನು ನೀಡಿದರೆ ಅದು ಇನ್ನೂ ಉತ್ತಮವಾಗಿದೆ.
ಉದಾಹರಣೆಗೆ, ನೀವು ಮಾರ್ಕೆಟಿಂಗ್ ಅನ್ನು ಹೇಳಿದರೆ: "ಇತ್ತೀಚೆಗೆ ಪ್ರತಿ ತಿಂಗಳು ಸೈಟ್ ಸಂದರ್ಶಕರ ಸಂಖ್ಯೆ ಕಡಿಮೆಯಾಗುತ್ತಿದೆ ಎಂದು ನಾನು ಗಮನಿಸಿದ್ದೇನೆ.". ಇದು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಅವರು ಗಮನಿಸಿರುವ ಪ್ರವೃತ್ತಿಯಾಗಿದೆ ಮತ್ತು ನೀವು ವಿಶ್ಲೇಷಕರಾಗಿ ಯಾವುದೇ ಮೌಲ್ಯಯುತ ಪರಿಹಾರವನ್ನು ನೀಡಿಲ್ಲ ಏಕೆಂದರೆ ನೀವು ವೀಕ್ಷಣೆಯನ್ನು ಮಾತ್ರ ಹೇಳಿದ್ದೀರಿ.
ಬದಲಾಗಿ, ಕಾರಣವನ್ನು ಕಂಡುಹಿಡಿಯಲು ಮತ್ತು ಪರಿಹಾರವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲು ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸಿ. ಮಾರ್ಕೆಟಿಂಗ್‌ಗೆ ಉತ್ತಮ ಉದಾಹರಣೆಯೆಂದರೆ: “ಇತ್ತೀಚೆಗೆ ನಮ್ಮ ವೆಬ್‌ಸೈಟ್‌ಗೆ ಭೇಟಿ ನೀಡುವವರ ಸಂಖ್ಯೆಯಲ್ಲಿ ಇಳಿಕೆಯಾಗಿರುವುದನ್ನು ನಾನು ಗಮನಿಸಿದ್ದೇನೆ. ನಮ್ಮ Google ಹುಡುಕಾಟ ಶ್ರೇಯಾಂಕಗಳು ಕುಸಿಯಲು ಕಾರಣವಾದ ಇತ್ತೀಚಿನ ಬದಲಾವಣೆಗಳಿಂದಾಗಿ ಸಮಸ್ಯೆಯ ಮೂಲವು ಸಾವಯವ ಹುಡುಕಾಟವಾಗಿದೆ ಎಂದು ನಾನು ಕಂಡುಹಿಡಿದಿದ್ದೇನೆ.". ನೀವು ಕಂಪನಿಯ KPI ಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿದ್ದೀರಿ, ಬದಲಾವಣೆಯನ್ನು ಗಮನಿಸಿದ್ದೀರಿ, ಕಾರಣವನ್ನು ತನಿಖೆ ಮಾಡಿದ್ದೀರಿ ಮತ್ತು ಸಮಸ್ಯೆಗೆ ಪರಿಹಾರವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿದ್ದೀರಿ ಎಂದು ಈ ವಿಧಾನವು ತೋರಿಸುತ್ತದೆ.
3. ವಿಶ್ವಾಸಾರ್ಹ ಸಲಹೆಗಾರರಾಗಿ
ನೀವು ಬೆಂಬಲಿಸುವ ವ್ಯಾಪಾರದ ಕುರಿತು ಸಲಹೆ ಅಥವಾ ಪ್ರಶ್ನೆಗಳಿಗಾಗಿ ನಿಮ್ಮ ಮಧ್ಯಸ್ಥಗಾರರು ಮೊದಲು ತಿರುಗುವ ಮೊದಲ ವ್ಯಕ್ತಿ ನೀವು ಆಗಿರಬೇಕು. ಯಾವುದೇ ಶಾರ್ಟ್‌ಕಟ್ ಇಲ್ಲ ಏಕೆಂದರೆ ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಕನಿಷ್ಠ ದೋಷಗಳೊಂದಿಗೆ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸ್ಥಿರವಾಗಿ ನೀಡುವುದು ಇದರ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ. ಯಾವುದೇ ತಪ್ಪು ಲೆಕ್ಕಾಚಾರವು ನಿಮಗೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಅಂಕಗಳನ್ನು ನೀಡುತ್ತದೆ ಏಕೆಂದರೆ ಮುಂದಿನ ಬಾರಿ ನೀವು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒದಗಿಸಿದಾಗ, ಜನರು ಆಶ್ಚರ್ಯಪಡಬಹುದು: ನೀವು ಕಳೆದ ಬಾರಿ ತಪ್ಪಾಗಿದ್ದರೆ, ಬಹುಶಃ ಈ ಬಾರಿಯೂ ತಪ್ಪಾಗಿರಬಹುದು?. ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಯಾವಾಗಲೂ ಎರಡು ಬಾರಿ ಪರಿಶೀಲಿಸಿ. ನಿಮ್ಮ ವಿಶ್ಲೇಷಣೆಯ ಬಗ್ಗೆ ನಿಮಗೆ ಯಾವುದೇ ಸಂದೇಹಗಳಿದ್ದರೆ ಅವುಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವ ಮೊದಲು ನಿಮ್ಮ ಸಂಖ್ಯೆಗಳನ್ನು ನೋಡಲು ನಿಮ್ಮ ಮ್ಯಾನೇಜರ್ ಅಥವಾ ಸಹೋದ್ಯೋಗಿಯನ್ನು ಕೇಳುವುದು ಸಹ ನೋಯಿಸುವುದಿಲ್ಲ.
4. ಸಂಕೀರ್ಣ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಸಂವಹನ ಮಾಡಲು ಕಲಿಯಿರಿ.
ಮತ್ತೊಮ್ಮೆ, ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂವಹನ ಮಾಡುವುದು ಹೇಗೆಂದು ಕಲಿಯಲು ಯಾವುದೇ ಶಾರ್ಟ್‌ಕಟ್ ಇಲ್ಲ. ಇದು ಅಭ್ಯಾಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಕಾಲಾನಂತರದಲ್ಲಿ ನೀವು ಅದರಲ್ಲಿ ಉತ್ತಮಗೊಳ್ಳುತ್ತೀರಿ. ನೀವು ಏನು ಮಾಡಲು ಬಯಸುತ್ತೀರಿ ಎಂಬುದರ ಮುಖ್ಯ ಅಂಶಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ನಿಮ್ಮ ವಿಶ್ಲೇಷಣೆಯ ಪರಿಣಾಮವಾಗಿ, ವ್ಯಾಪಾರವನ್ನು ಸುಧಾರಿಸಲು ಮಧ್ಯಸ್ಥಗಾರರು ತೆಗೆದುಕೊಳ್ಳಬಹುದಾದ ಯಾವುದೇ ಕ್ರಮಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದು ಪ್ರಮುಖವಾಗಿದೆ. ನೀವು ಸಂಸ್ಥೆಯಲ್ಲಿ ಉನ್ನತ ಸ್ಥಾನದಲ್ಲಿರುವಿರಿ, ನಿಮ್ಮ ಸಂವಹನ ಕೌಶಲ್ಯಗಳು ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿರುತ್ತದೆ. ಸಂಕೀರ್ಣ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂವಹನ ಮಾಡುವುದು ಪ್ರದರ್ಶಿಸಲು ಪ್ರಮುಖ ಕೌಶಲ್ಯವಾಗಿದೆ. ನಾನು ಡೇಟಾ ವಿಜ್ಞಾನಿ ಮತ್ತು ಡೇಟಾ ವಿಶ್ಲೇಷಕನಾಗಿ ಯಶಸ್ಸಿನ ರಹಸ್ಯಗಳನ್ನು ಕಲಿಯಲು ವರ್ಷಗಳನ್ನು ಕಳೆದಿದ್ದೇನೆ. ಜನರು ಯಶಸ್ಸನ್ನು ವಿಭಿನ್ನವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಾರೆ. "ಅದ್ಭುತ" ಮತ್ತು "ನಕ್ಷತ್ರ" ವಿಶ್ಲೇಷಕ ಎಂದು ವಿವರಿಸಲು ನನ್ನ ದೃಷ್ಟಿಯಲ್ಲಿ ಯಶಸ್ಸು. ಈಗ ನೀವು ಈ ರಹಸ್ಯಗಳನ್ನು ತಿಳಿದಿದ್ದೀರಿ, ನಿಮ್ಮ ಮಾರ್ಗವು ನಿಮ್ಮನ್ನು ತ್ವರಿತವಾಗಿ ಯಶಸ್ಸಿನತ್ತ ಕೊಂಡೊಯ್ಯುತ್ತದೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ, ಆದರೆ ನೀವು ಅದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೀರಿ.
ಮತ್ತು ನಿಮ್ಮ ಯಶಸ್ಸಿನ ಹಾದಿಯನ್ನು ಇನ್ನಷ್ಟು ವೇಗವಾಗಿ ಮಾಡಲು, ಪ್ರೋಮೋ ಕೋಡ್ ಅನ್ನು ಇರಿಸಿಕೊಳ್ಳಿ HABR, ಬ್ಯಾನರ್‌ನಲ್ಲಿ ಸೂಚಿಸಲಾದ ರಿಯಾಯಿತಿಗೆ ನೀವು ಹೆಚ್ಚುವರಿ 10% ಪಡೆಯಬಹುದು.
ಹೆಚ್ಚಿನ ಕೋರ್ಸ್‌ಗಳು
ವೈಶಿಷ್ಟ್ಯಗೊಳಿಸಿದ ಲೇಖನಗಳು
ಮೂಲ: www.habr.com