ວິທີການກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນແລະນັກວິເຄາະຂໍ້ມູນທີ່ປະສົບຜົນສໍາເລັດ

ມີຫຼາຍບົດຄວາມກ່ຽວກັບທັກສະທີ່ຈຳເປັນໃນການເປັນນັກວິທະຍາສາດຂໍ້ມູນ ຫຼືນັກວິເຄາະຂໍ້ມູນທີ່ດີ, ແຕ່ມີບົດຄວາມໜ້ອຍໜຶ່ງທີ່ເວົ້າເຖິງທັກສະທີ່ຈຳເປັນເພື່ອປະສົບຄວາມສຳເລັດ - ບໍ່ວ່າຈະເປັນການທົບທວນປະສິດທິພາບພິເສດ, ການຍ້ອງຍໍຈາກການຈັດການ, ການສົ່ງເສີມ ຫຼືທັງໝົດຂ້າງເທິງ. ມື້ນີ້ເຮົາມາສະເໜີທ່ານກ່ຽວກັບເອກະສານທີ່ຜູ້ຂຽນຢາກຈະແບ່ງປັນປະສົບການສ່ວນຕົວຂອງນາງທີ່ເປັນນັກວິທະຍາສາດຂໍ້ມູນ ແລະນັກວິເຄາະຂໍ້ມູນ ພ້ອມທັງສິ່ງທີ່ລາວໄດ້ຮຽນຮູ້ເພື່ອບັນລຸຜົນສຳເລັດ.

ຂ້ອຍໂຊກດີ: ຂ້ອຍໄດ້ຮັບຕໍາແຫນ່ງນັກວິທະຍາສາດຂໍ້ມູນໃນເວລາທີ່ຂ້ອຍບໍ່ມີປະສົບການໃນ Data Science. ວິທີທີ່ຂ້ອຍຈັດການກັບວຽກງານແມ່ນເປັນເລື່ອງທີ່ແຕກຕ່າງກັນ, ແລະຂ້ອຍຢາກເວົ້າວ່າຂ້ອຍພຽງແຕ່ມີຄວາມຄິດທີ່ບໍ່ຊັດເຈນກ່ຽວກັບສິ່ງທີ່ນັກວິທະຍາສາດຂໍ້ມູນເຮັດກ່ອນທີ່ຂ້ອຍຈະເຂົ້າເຮັດວຽກ.

ຂ້ອຍຖືກຈ້າງໃຫ້ເຮັດວຽກກ່ຽວກັບທໍ່ຂໍ້ມູນເນື່ອງຈາກວຽກທີ່ຜ່ານມາຂອງຂ້ອຍເປັນວິສະວະກອນຂໍ້ມູນ, ບ່ອນທີ່ຂ້ອຍໄດ້ພັດທະນາ data mart ສໍາລັບການວິເຄາະການຄາດຄະເນທີ່ໃຊ້ໂດຍກຸ່ມນັກວິທະຍາສາດຂໍ້ມູນ.

ປີທໍາອິດຂອງຂ້ອຍເປັນນັກວິທະຍາສາດຂໍ້ມູນມີສ່ວນຮ່ວມໃນການສ້າງທໍ່ຂໍ້ມູນເພື່ອຝຶກອົບຮົມແບບຈໍາລອງການຮຽນຮູ້ຂອງເຄື່ອງຈັກແລະເອົາພວກມັນເຂົ້າໃນການຜະລິດ. ຂ້າພະເຈົ້າໄດ້ເກັບຮັກສາຂໍ້ມູນຕ່ໍາແລະບໍ່ໄດ້ເຂົ້າຮ່ວມໃນກອງປະຊຸມຫຼາຍໆຄັ້ງກັບຜູ້ມີສ່ວນຮ່ວມດ້ານກາລະຕະຫຼາດທີ່ເປັນຜູ້ໃຊ້ສຸດທ້າຍຂອງແບບຈໍາລອງ.

ໃນປີທີສອງຂອງການເຮັດວຽກຂອງຂ້ອຍຢູ່ບໍລິສັດ, ຜູ້ຈັດການການປຸງແຕ່ງຂໍ້ມູນແລະການວິເຄາະທີ່ຮັບຜິດຊອບດ້ານການຕະຫຼາດໄດ້ປະໄວ້. ຈາກ​ນັ້ນ​ມາ, ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ກາຍ​ເປັນ​ຜູ້​ຫຼິ້ນ​ຕົ້ນ​ຕໍ ແລະ ໄດ້​ມີ​ສ່ວນ​ຮ່ວມ​ຢ່າງ​ຫ້າວ​ຫັນ​ກວ່າ​ໃນ​ການ​ພັດ​ທະ​ນາ​ຕົວ​ແບບ ແລະ ປຶກ​ສາ​ຫາ​ລື​ເສັ້ນ​ຕາຍ​ຂອງ​ໂຄງ​ການ.

ໃນຂະນະທີ່ຂ້ອຍພົວພັນກັບຜູ້ມີສ່ວນກ່ຽວຂ້ອງ, ຂ້ອຍຮູ້ວ່າວິທະຍາສາດຂໍ້ມູນແມ່ນແນວຄວາມຄິດທີ່ບໍ່ຊັດເຈນທີ່ຄົນໄດ້ຍິນແຕ່ບໍ່ຄ່ອຍເຂົ້າໃຈ, ໂດຍສະເພາະໃນລະດັບຜູ້ບໍລິຫານລະດັບສູງ.

ຂ້າພະເຈົ້າໄດ້ສ້າງຫຼາຍກວ່າຫນຶ່ງຮ້ອຍຕົວແບບ, ແຕ່ວ່າພຽງແຕ່ຫນຶ່ງສ່ວນສາມຂອງພວກມັນຖືກນໍາໃຊ້ຍ້ອນວ່າຂ້ອຍບໍ່ຮູ້ວິທີການສະແດງມູນຄ່າຂອງພວກເຂົາ, ເຖິງແມ່ນວ່າຕົວແບບໄດ້ຖືກຮ້ອງຂໍໂດຍການຕະຫຼາດຕົ້ນຕໍ.

ຫນຶ່ງໃນສະມາຊິກທີມຂອງຂ້ອຍໃຊ້ເວລາຫຼາຍເດືອນເພື່ອພັດທະນາຕົວແບບທີ່ຜູ້ບໍລິຫານລະດັບສູງຮູ້ສຶກວ່າຈະສະແດງໃຫ້ເຫັນຄຸນຄ່າຂອງທີມງານວິທະຍາສາດຂໍ້ມູນ. ແນວຄວາມຄິດແມ່ນເພື່ອເຜີຍແຜ່ຕົວແບບໃນທົ່ວອົງການເມື່ອມັນຖືກພັດທະນາແລະຊຸກຍູ້ໃຫ້ທີມງານການຕະຫຼາດຮັບຮອງເອົາມັນ.

ມັນໄດ້ກາຍເປັນຄວາມລົ້ມເຫລວຢ່າງສົມບູນເພາະວ່າບໍ່ມີໃຜເຂົ້າໃຈວ່າຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກແມ່ນຫຍັງຫຼືສາມາດເຂົ້າໃຈຄຸນຄ່າຂອງການນໍາໃຊ້ມັນ. ດັ່ງນັ້ນ, ຫຼາຍເດືອນໄດ້ຖືກສູນເສຍໄປກັບບາງສິ່ງບາງຢ່າງທີ່ບໍ່ມີໃຜຕ້ອງການ.

ຈາກສະຖານະການດັ່ງກ່າວຂ້າພະເຈົ້າໄດ້ຮຽນຮູ້ບາງບົດຮຽນ, ເຊິ່ງຂ້າພະເຈົ້າຈະໃຫ້ຂ້າງລຸ່ມນີ້.

ບົດຮຽນທີ່ຂ້ອຍໄດ້ຮຽນຮູ້ເພື່ອກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນທີ່ປະສົບຜົນສໍາເລັດ

1. ຕັ້ງຕົວເອງໃຫ້ປະສົບຜົນສໍາເລັດໂດຍການເລືອກບໍລິສັດທີ່ເຫມາະສົມ.
ໃນເວລາສໍາພາດຢູ່ບໍລິສັດ, ຖາມກ່ຽວກັບວັດທະນະທໍາຂໍ້ມູນແລະວິທີການຈໍານວນເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງໄດ້ຖືກຮັບຮອງເອົາແລະນໍາໃຊ້ໃນການຕັດສິນໃຈ. ຂໍຕົວຢ່າງ. ຊອກຫາວ່າໂຄງສ້າງພື້ນຖານຂໍ້ມູນຂອງທ່ານຖືກຕັ້ງຄ່າເພື່ອເລີ່ມຕົ້ນການສ້າງແບບຈໍາລອງ. ຖ້າທ່ານໃຊ້ເວລາ 90% ຂອງເວລາຂອງທ່ານພະຍາຍາມດຶງຂໍ້ມູນດິບແລະເຮັດຄວາມສະອາດມັນ, ທ່ານຈະບໍ່ມີເວລາຫນ້ອຍທີ່ຈະສ້າງແບບຈໍາລອງໃດໆເພື່ອສະແດງໃຫ້ເຫັນເຖິງຄຸນຄ່າຂອງເຈົ້າເປັນນັກວິທະຍາສາດຂໍ້ມູນ. ຈົ່ງລະມັດລະວັງຖ້າທ່ານຖືກຈ້າງເປັນນັກວິທະຍາສາດຂໍ້ມູນຄັ້ງທໍາອິດ. ນີ້ສາມາດເປັນສິ່ງທີ່ດີຫຼືສິ່ງທີ່ບໍ່ດີ, ຂຶ້ນກັບວັດທະນະທໍາຂໍ້ມູນ. ທ່ານອາດຈະພົບກັບຄວາມຕ້ານທານຕໍ່ການປະຕິບັດຕົວແບບຫຼາຍຂື້ນຖ້າຜູ້ບໍລິຫານລະດັບສູງຈ້າງ Data Scientist ພຽງແຕ່ຍ້ອນວ່າບໍລິສັດຕ້ອງການເປັນທີ່ຮູ້ຈັກເປັນ. ການນໍາໃຊ້ວິທະຍາສາດຂໍ້ມູນເພື່ອເຮັດການຕັດສິນໃຈທີ່ດີກວ່າ, ແຕ່ບໍ່ຮູ້ວ່າມັນຫມາຍຄວາມວ່າແນວໃດ. ນອກຈາກນັ້ນ, ຖ້າທ່ານຊອກຫາບໍລິສັດທີ່ມີຂໍ້ມູນ, ທ່ານຈະເຕີບໂຕກັບມັນ.

2. ຮູ້ຂໍ້ມູນ ແລະຕົວຊີ້ວັດການປະຕິບັດຫຼັກ (KPIs).
ໃນຕອນເລີ່ມຕົ້ນ, ຂ້າພະເຈົ້າໄດ້ກ່າວເຖິງວ່າໃນຖານະເປັນວິສະວະກອນຂໍ້ມູນ, ຂ້າພະເຈົ້າໄດ້ສ້າງຕາຕະລາງການວິເຄາະຂໍ້ມູນສໍາລັບທີມນັກວິທະຍາສາດຂໍ້ມູນ. ໄດ້ກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນດ້ວຍຕົນເອງ, ຂ້ອຍສາມາດຊອກຫາໂອກາດໃຫມ່ທີ່ເພີ່ມຄວາມຖືກຕ້ອງຂອງແບບຈໍາລອງຍ້ອນວ່າຂ້ອຍເຮັດວຽກຢ່າງເຂັ້ມງວດກັບຂໍ້ມູນດິບໃນບົດບາດທີ່ຜ່ານມາຂອງຂ້ອຍ.

ໂດຍການນໍາສະເຫນີຜົນໄດ້ຮັບຂອງຫນຶ່ງໃນແຄມເປນຂອງພວກເຮົາ, ຂ້ອຍສາມາດສະແດງຕົວແບບທີ່ສ້າງອັດຕາການປ່ຽນແປງທີ່ສູງຂຶ້ນ (ເປັນເປີເຊັນ) ແລະຫຼັງຈາກນັ້ນໄດ້ວັດແທກຫນຶ່ງຂອງແຄມເປນ KPIs. ນີ້ໄດ້ສະແດງໃຫ້ເຫັນມູນຄ່າຂອງຕົວແບບສໍາລັບການປະຕິບັດທຸລະກິດທີ່ການຕະຫຼາດສາມາດເຊື່ອມໂຍງໄດ້.

3. ຮັບປະກັນການຮັບຮອງເອົາແບບຢ່າງໂດຍການສະແດງໃຫ້ເຫັນຄຸນຄ່າຂອງມັນຕໍ່ຜູ້ມີສ່ວນກ່ຽວຂ້ອງ
ທ່ານຈະບໍ່ປະສົບຜົນສຳເລັດໃນຖານະນັກວິທະຍາສາດຂໍ້ມູນ ຖ້າຜູ້ມີສ່ວນກ່ຽວຂ້ອງຂອງເຈົ້າບໍ່ເຄີຍໃຊ້ຕົວແບບຂອງເຈົ້າໃນການຕັດສິນໃຈທາງທຸລະກິດ. ວິທີຫນຶ່ງເພື່ອຮັບປະກັນການຮັບຮອງເອົາແບບຈໍາລອງແມ່ນເພື່ອຊອກຫາຈຸດເຈັບປວດທາງທຸລະກິດແລະສະແດງໃຫ້ເຫັນວ່າຕົວແບບສາມາດຊ່ວຍໄດ້ແນວໃດ.

ຫຼັງຈາກເວົ້າກັບທີມງານຂາຍຂອງພວກເຮົາ, ຂ້ອຍຮູ້ວ່າຜູ້ຕາງຫນ້າສອງຄົນເຮັດວຽກເຕັມເວລາດ້ວຍຕົນເອງໂດຍຜ່ານຜູ້ໃຊ້ຫຼາຍລ້ານຄົນໃນຖານຂໍ້ມູນຂອງບໍລິສັດເພື່ອກໍານົດຜູ້ໃຊ້ທີ່ມີໃບອະນຸຍາດດຽວທີ່ມີແນວໂນ້ມທີ່ຈະຍົກລະດັບເປັນໃບອະນຸຍາດທີມ. ການຄັດເລືອກໄດ້ນໍາໃຊ້ເງື່ອນໄຂທີ່ກໍານົດໄວ້, ແຕ່ການຄັດເລືອກໃຊ້ເວລາດົນເພາະວ່າຜູ້ຕາງຫນ້າເບິ່ງຜູ້ໃຊ້ຫນຶ່ງຄັ້ງ. ການນໍາໃຊ້ແບບຈໍາລອງທີ່ຂ້າພະເຈົ້າໄດ້ພັດທະນາ, reps ສາມາດກໍານົດເປົ້າຫມາຍຜູ້ໃຊ້ຫຼາຍທີ່ສຸດທີ່ຈະຊື້ໃບອະນຸຍາດທີມງານແລະເພີ່ມຄວາມເປັນໄປໄດ້ຂອງການປ່ຽນໃຈເຫລື້ອມໃສໃນເວລາຫນ້ອຍ. ນີ້ໄດ້ສົ່ງຜົນໃຫ້ມີການໃຊ້ເວລາທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນໂດຍການເພີ່ມອັດຕາການປ່ຽນແປງສໍາລັບຕົວຊີ້ວັດການປະຕິບັດທີ່ສໍາຄັນທີ່ທີມງານຂາຍສາມາດພົວພັນກັບ.

ຫລາຍ​ປີ​ຜ່ານ​ໄປ ແລະ​ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ພັດ​ທະ​ນາ​ແບບ​ດຽວ​ກັນ​ຫຼາຍ​ຄັ້ງ​ແລະ​ຫຼາຍ​ຄັ້ງ​ແລະ​ຮູ້​ສຶກ​ວ່າ​ຂ້າ​ພະ​ເຈົ້າ​ບໍ່​ໄດ້​ຮຽນ​ຮູ້​ຫຍັງ​ໃຫມ່​ອີກ​ຕໍ່​ໄປ. ຂ້າພະເຈົ້າໄດ້ຕັດສິນໃຈຊອກຫາຕໍາແຫນ່ງອື່ນແລະສິ້ນສຸດການໄດ້ຮັບຕໍາແຫນ່ງເປັນນັກວິເຄາະຂໍ້ມູນ. ຄວາມແຕກຕ່າງຂອງຄວາມຮັບຜິດຊອບບໍ່ສາມາດມີຄວາມສໍາຄັນຫຼາຍກ່ວາເມື່ອຂ້ອຍເປັນນັກວິທະຍາສາດຂໍ້ມູນ, ເຖິງແມ່ນວ່າຂ້ອຍສະຫນັບສະຫນູນການຕະຫຼາດ.

ນີ້ແມ່ນຄັ້ງທຳອິດທີ່ຂ້ອຍໄດ້ວິເຄາະການທົດລອງ A/B ແລະພົບເຫັນ ທັງ​ຫມົດ ວິທີການທີ່ການທົດລອງສາມາດຜິດພາດ. ໃນຖານະນັກວິທະຍາສາດຂໍ້ມູນ, ຂ້ອຍບໍ່ໄດ້ເຮັດວຽກໃນການທົດສອບ A/B ເລີຍ ເພາະວ່າມັນຖືກສະຫງວນໄວ້ໃຫ້ກັບທີມທົດລອງ. ຂ້ອຍໄດ້ເຮັດວຽກກ່ຽວກັບການວິເຄາະທີ່ມີຜົນກະທົບດ້ານການຕະຫຼາດຢ່າງກວ້າງຂວາງ - ຈາກການເພີ່ມອັດຕາການປ່ຽນແປງທີ່ນິຍົມໄປສູ່ການມີສ່ວນຮ່ວມຂອງຜູ້ໃຊ້ແລະການປ້ອງກັນການປັ່ນປ່ວນ. ຂ້າພະເຈົ້າໄດ້ຮຽນຮູ້ຫຼາຍວິທີທີ່ແຕກຕ່າງກັນເພື່ອເບິ່ງຂໍ້ມູນແລະໃຊ້ເວລາຫຼາຍໃນການລວບລວມຜົນໄດ້ຮັບແລະນໍາສະເຫນີໃຫ້ຜູ້ທີ່ກ່ຽວຂ້ອງແລະຜູ້ບໍລິຫານລະດັບສູງ. ໃນຖານະເປັນນັກວິທະຍາສາດຂໍ້ມູນ, ຂ້າພະເຈົ້າສ່ວນຫຼາຍແມ່ນເຮັດວຽກກ່ຽວກັບຮູບແບບຫນຶ່ງແລະບໍ່ຄ່ອຍຈະເວົ້າ. ໄວຕໍ່ຫນ້າສອງສາມປີກັບທັກສະທີ່ຂ້ອຍໄດ້ຮຽນຮູ້ທີ່ຈະເປັນນັກວິເຄາະທີ່ປະສົບຜົນສໍາເລັດ.

ທັກສະທີ່ຂ້ອຍໄດ້ຮຽນຮູ້ເພື່ອກາຍເປັນນັກວິເຄາະຂໍ້ມູນທີ່ປະສົບຜົນສໍາເລັດ

1. ຮຽນຮູ້ທີ່ຈະບອກເລື່ອງທີ່ມີຂໍ້ມູນ
ຢ່າເບິ່ງ KPIs ໃນການໂດດດ່ຽວ. ເຊື່ອມຕໍ່ພວກເຂົາ, ເບິ່ງທຸລະກິດໂດຍລວມ. ນີ້ຈະຊ່ວຍໃຫ້ທ່ານສາມາດກໍານົດພື້ນທີ່ທີ່ມີອິດທິພົນຕໍ່ກັນແລະກັນ. ຜູ້ຈັດການອາວຸໂສເບິ່ງທຸລະກິດໂດຍຜ່ານທັດສະນະ, ແລະບຸກຄົນທີ່ສະແດງໃຫ້ເຫັນທັກສະນີ້ແມ່ນສັງເກດເຫັນໃນເວລາທີ່ມັນມາເຖິງເວລາທີ່ຈະຕັດສິນໃຈສົ່ງເສີມ.

2. ໃຫ້ຄວາມຄິດທີ່ປະຕິບັດໄດ້.
ໃຫ້ທຸລະກິດ ແນວຄວາມຄິດທີ່ມີປະສິດທິພາບ ເພື່ອແກ້ໄຂບັນຫາ. ມັນຈະດີກວ່າຖ້າທ່ານສະເຫນີການແກ້ໄຂຢ່າງຕັ້ງຫນ້າໃນເວລາທີ່ມັນຍັງບໍ່ທັນໄດ້ເວົ້າວ່າທ່ານກໍາລັງຈັດການກັບບັນຫາພື້ນຖານ.

ຕົວຢ່າງ, ຖ້າທ່ານບອກການຕະຫຼາດ: "ຂ້ອຍສັງເກດເຫັນວ່າບໍ່ດົນມານີ້ຈໍານວນຜູ້ເຂົ້າຊົມເວັບໄຊທ໌ໄດ້ຫຼຸດລົງທຸກໆເດືອນ.". ນີ້ແມ່ນແນວໂນ້ມທີ່ເຂົາເຈົ້າອາດຈະສັງເກດເຫັນຢູ່ໃນ dashboard ແລະທ່ານບໍ່ໄດ້ສະເຫນີການແກ້ໄຂທີ່ມີຄຸນຄ່າເປັນນັກວິເຄາະເພາະວ່າເຈົ້າພຽງແຕ່ລະບຸການສັງເກດການ.

ແທນທີ່ຈະ, ກວດເບິ່ງຂໍ້ມູນເພື່ອຊອກຫາສາເຫດແລະສະເຫນີວິທີແກ້ໄຂ. ຕົວຢ່າງທີ່ດີກວ່າສໍາລັບການຕະຫຼາດຈະເປັນ: "ຂ້ອຍໄດ້ສັງເກດເຫັນວ່າພວກເຮົາມີການຫຼຸດລົງຂອງຈໍານວນຜູ້ມາຢ້ຽມຢາມເວັບໄຊທ໌ຂອງພວກເຮົາບໍ່ດົນມານີ້. ຂ້າພະເຈົ້າໄດ້ຄົ້ນພົບວ່າແຫຼ່ງຂອງບັນຫາແມ່ນການຊອກຫາອິນຊີ, ເນື່ອງຈາກການປ່ຽນແປງທີ່ຜ່ານມາທີ່ເຮັດໃຫ້ການຈັດອັນດັບການຊອກຫາ Google ຂອງພວກເຮົາຫຼຸດລົງ.". ວິທີການນີ້ສະແດງໃຫ້ເຫັນວ່າທ່ານຕິດຕາມ KPIs ຂອງບໍລິສັດ, ສັງເກດເຫັນການປ່ຽນແປງ, ສືບສວນສາເຫດ, ແລະສະເຫນີວິທີການແກ້ໄຂບັນຫາ.

3. ກາຍເປັນທີ່ປຶກສາທີ່ເຊື່ອຖືໄດ້
ທ່ານຈໍາເປັນຕ້ອງເປັນບຸກຄົນທໍາອິດທີ່ພາກສ່ວນກ່ຽວຂ້ອງຂອງທ່ານຫັນໄປຫາຄໍາແນະນໍາຫຼືຄໍາຖາມກ່ຽວກັບທຸລະກິດທີ່ທ່ານສະຫນັບສະຫນູນ. ບໍ່ມີທາງລັດເພາະວ່າມັນໃຊ້ເວລາເພື່ອສະແດງໃຫ້ເຫັນຄວາມສາມາດເຫຼົ່ານີ້. ກຸນແຈສໍາຄັນນີ້ແມ່ນການສະຫນອງການວິເຄາະທີ່ມີຄຸນນະພາບສູງຢ່າງຕໍ່ເນື່ອງໂດຍມີຂໍ້ຜິດພາດຫນ້ອຍທີ່ສຸດ. ການຄິດໄລ່ຜິດໆຈະເຮັດໃຫ້ເຈົ້າເສຍຄ່າຈຸດຄວາມໜ້າເຊື່ອຖື ເພາະວ່າຄັ້ງຕໍ່ໄປເຈົ້າໃຫ້ການວິເຄາະ, ຄົນອາດຈະສົງໄສວ່າ: ຖ້າເຈົ້າຜິດຄັ້ງທີ່ແລ້ວ, ບາງທີເຈົ້າອາດຈະຜິດເທື່ອນີ້ບໍ?. ກວດເບິ່ງວຽກຂອງເຈົ້າສອງເທື່ອສະເໝີ. ມັນຍັງບໍ່ເຈັບປວດທີ່ຈະຂໍໃຫ້ຜູ້ຈັດການຫຼືເພື່ອນຮ່ວມງານຂອງເຈົ້າເບິ່ງຕົວເລກຂອງເຈົ້າກ່ອນທີ່ຈະນໍາສະເຫນີພວກມັນຖ້າທ່ານມີຄວາມສົງໃສກ່ຽວກັບການວິເຄາະຂອງເຈົ້າ.

4. ຮຽນຮູ້ທີ່ຈະສື່ສານຜົນໄດ້ຮັບທີ່ສັບສົນຢ່າງຊັດເຈນ.
ອີກເທື່ອຫນຶ່ງ, ບໍ່ມີທາງລັດທີ່ຈະຮຽນຮູ້ວິທີການສື່ສານປະສິດທິຜົນ. ນີ້ໃຊ້ເວລາການປະຕິບັດແລະໃນໄລຍະເວລາທີ່ເຈົ້າຈະດີຂຶ້ນ. ສິ່ງສໍາຄັນແມ່ນການກໍານົດຈຸດຕົ້ນຕໍຂອງສິ່ງທີ່ທ່ານຕ້ອງການເຮັດແລະແນະນໍາການດໍາເນີນການໃດໆ, ເປັນຜົນມາຈາກການວິເຄາະຂອງທ່ານ, ຜູ້ມີສ່ວນຮ່ວມສາມາດປະຕິບັດເພື່ອປັບປຸງທຸລະກິດ. ຍິ່ງເຈົ້າຢູ່ໃນອົງກອນທີ່ສູງຂຶ້ນ, ທັກສະການສື່ສານຂອງເຈົ້າມີຄວາມສໍາຄັນຫຼາຍຂຶ້ນ. ການສື່ສານຜົນໄດ້ຮັບທີ່ສັບສົນແມ່ນທັກສະທີ່ສໍາຄັນທີ່ຈະສະແດງໃຫ້ເຫັນ. ຂ້າພະເຈົ້າໄດ້ໃຊ້ເວລາຫຼາຍປີເພື່ອຮຽນຮູ້ຄວາມລັບຂອງຄວາມສໍາເລັດເປັນນັກວິທະຍາສາດຂໍ້ມູນແລະນັກວິເຄາະຂໍ້ມູນ. ຄົນເຮົາກຳນົດຄວາມສຳເລັດແຕກຕ່າງກັນ. ເພື່ອໄດ້ຮັບການອະທິບາຍວ່າເປັນນັກວິເຄາະ "ປະຫລາດໃຈ" ແລະ "ດາວ" ແມ່ນຄວາມສໍາເລັດໃນສາຍຕາຂອງຂ້ອຍ. ດຽວນີ້ເຈົ້າຮູ້ຄວາມລັບເຫຼົ່ານີ້ແລ້ວ, ຂ້ອຍຫວັງວ່າເສັ້ນທາງຂອງເຈົ້າຈະ ນຳ ເຈົ້າໄປສູ່ຄວາມ ສຳ ເລັດຢ່າງໄວວາ, ແຕ່ເຈົ້າ ກຳ ນົດມັນ.

ແລະເພື່ອເຮັດໃຫ້ເສັ້ນທາງໄປສູ່ຄວາມສໍາເລັດໄວຂຶ້ນ, ໃຫ້ຮັກສາລະຫັດໂປຣໂມຊັນໄວ້ HABR, ໂດຍທີ່ທ່ານສາມາດໄດ້ຮັບເພີ່ມເຕີມ 10% ກັບສ່ວນຫຼຸດທີ່ລະບຸໄວ້ໃນປ້າຍໂຄສະນາ.

• ວິທະຍາສາດຂໍ້ມູນອອນໄລນ໌ Bootcamp
• ການຝຶກອົບຮົມວິຊາຊີບຂອງ Data Analyst ຈາກ scratch
• Data Analytics Online Bootcamp
• ການສອນວິຊາຊີບຂອງ Data Science ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• Python ສໍາລັບຫຼັກສູດການພັດທະນາເວັບ

ຫຼັກສູດເພີ່ມເຕີມ

• ຫຼັກສູດການວິເຄາະຂໍ້ມູນ
• ຫຼັກສູດ DevOps
• ນັກພັດທະນາເວັບ
• ອາຊີບຜູ້ພັດທະນາ iOS ຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Android ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ນັກພັດທະນາ Java ມືອາຊີບຕັ້ງແຕ່ເລີ່ມຕົ້ນ
• ຫຼັກສູດ JavaScript
• ຫຼັກສູດການຮຽນຮູ້ເຄື່ອງຈັກ
• ຫຼັກສູດ "ຄະນິດສາດແລະການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບວິທະຍາສາດຂໍ້ມູນ"
• ຫຼັກສູດຂັ້ນສູງ "ການຮຽນຮູ້ເຄື່ອງຈັກ + ການຮຽນຮູ້ເລິກເຊິ່ງ"

ບົດຄວາມແນະນຳ

• ວິທີການກາຍເປັນນັກວິທະຍາສາດຂໍ້ມູນໂດຍບໍ່ມີຫຼັກສູດອອນໄລນ໌
• 450 ຫຼັກສູດ Ivy League ຟຣີ
• ວິທີການສຶກສາ Machine Learning 5 ມື້ຕໍ່ອາທິດເປັນເວລາ 9 ເດືອນຕິດຕໍ່ກັນ
• ນັກວິເຄາະຂໍ້ມູນມີລາຍໄດ້ຫຼາຍປານໃດ: ພາບລວມຂອງເງິນເດືອນແລະບ່ອນຫວ່າງໃນລັດເຊຍແລະຕ່າງປະເທດໃນປີ 2020
• ການຮຽນຮູ້ເຄື່ອງຈັກ ແລະວິໄສທັດຄອມພິວເຕີໃນອຸດສາຫະກໍາບໍ່ແຮ່

ແຫຼ່ງຂໍ້ມູນ: www.habr.com