Yra daug straipsnių apie įgūdžius, kurių reikia norint būti geru duomenų mokslininku ar duomenų analitiku, tačiau keli straipsniai kalba apie įgūdžius, kurių reikia norint pasiekti sėkmės. Šiandien pristatome jums medžiagą, kurios autorė norėtų pasidalinti savo asmenine duomenų mokslininkės ir duomenų analitiko patirtimi bei tuo, ko išmoko siekdama sėkmės.
Man pasisekė: man buvo pasiūlytos duomenų mokslininkės pareigos, kai neturėjau patirties duomenų moksle. Tai, kaip aš sprendžiau užduotį, yra kita istorija, ir noriu pasakyti, kad prieš imdamasis darbo turėjau tik miglotą supratimą apie tai, ką veikia duomenų mokslininkas.
Mane pasamdė dirbti su duomenų perdavimo kanalais dėl ankstesnio duomenų inžinieriaus darbo, kuriame sukūriau duomenų rinkinį, skirtą nuspėjamajai analizei, kurią naudoja duomenų mokslininkų grupė.
Pirmieji mano, kaip duomenų mokslininko, metai buvo susiję su duomenų vamzdynų kūrimu mašininio mokymosi modeliams mokyti ir pradėti juos gaminti. Išlaikiau žemą profilį ir nedalyvavau daugelyje susitikimų su rinkodaros suinteresuotosiomis šalimis, kurios buvo galutiniai modelių vartotojai.
Antraisiais mano darbo metais įmonėje išėjo už rinkodarą atsakinga duomenų apdorojimo ir analizės vadovė. Nuo tada tapau pagrindiniu žaidėju ir aktyviau dalyvavau kuriant modelius, aptariant projektų terminus.
Bendraudamas su suinteresuotosiomis šalimis supratau, kad duomenų mokslas yra miglota sąvoka, apie kurią žmonės girdėjo, bet nelabai supranta, ypač vyresniųjų vadovų lygmenyje.
Sukūriau per šimtą modelių, bet tik trečdalis jų buvo panaudoti, nes nemokėjau parodyti jų vertės, nors modelių pirmiausia prašė marketingas.
Vienas iš mano komandos narių mėnesius praleido kurdamas modelį, kuris, vyresniosios vadovybės nuomone, parodytų duomenų mokslo komandos vertę. Idėja buvo paskleisti modelį visoje organizacijoje, kai tik jis buvo sukurtas, ir paskatinti rinkodaros komandas jį pritaikyti.
Paaiškėjo, kad tai visiška nesėkmė, nes niekas nesuprato, kas yra mašininio mokymosi modelis, ir negalėjo suprasti jo naudojimo vertės. Dėl to mėnesiai buvo švaistomi tam, ko niekas nenorėjo.
Iš tokių situacijų išmokau tam tikras pamokas, kurias pateiksiu toliau.
Pamokos, kurias išmokau, kad tapčiau sėkmingu duomenų mokslininku
1. Pasiruoškite sėkmei pasirinkdami tinkamą įmonę.
Pokalbio metu įmonėje paklauskite apie duomenų kultūrą ir tai, kiek mašininio mokymosi modelių yra priimta ir naudojama priimant sprendimus. Paklauskite pavyzdžių. Sužinokite, ar jūsų duomenų infrastruktūra nustatyta pradėti modeliuoti. Jei 90 % laiko skirsite bandydami surinkti neapdorotus duomenis ir juos išvalyti, jums liks nedaug laiko sukurti modelius, kurie parodytų jūsų, kaip duomenų mokslininko, vertę. Būkite atsargūs, jei pirmą kartą esate samdomas duomenų mokslininku. Tai gali būti geras arba blogas dalykas, priklausomai nuo duomenų kultūros. Galite susidurti su didesniu pasipriešinimu modelio įgyvendinimui, jei vyresnioji vadovybė pasamdys duomenų mokslininką tik todėl, kad įmonė nori būti žinoma kaip naudojant duomenų mokslą geresniems sprendimams priimti, bet neįsivaizduoja, ką tai iš tikrųjų reiškia. Be to, jei surasite įmonę, kuri yra valdoma duomenimis, augsite kartu su ja.
2. Žinokite duomenis ir pagrindinius veiklos rodiklius (KPI).
Pradžioje minėjau, kad kaip duomenų inžinierius sukūriau analitinių duomenų rinką duomenų mokslininkų komandai. Pats tapęs duomenų mokslininku, galėjau rasti naujų galimybių, kurios padidino modelių tikslumą, nes ankstesniame vaidmenyje intensyviai dirbau su neapdorotais duomenimis.
Pateikdamas vienos iš mūsų kampanijų rezultatus galėjau parodyti modelius, generuojančius didesnį konversijų rodiklį (procentais), ir tada išmatavau vieną iš kampanijos KPI. Tai parodė verslo efektyvumo modelio, su kuriuo galima susieti rinkodarą, vertę.
3. Užtikrinti modelio pritaikymą, parodant suinteresuotosioms šalims jo vertę
Jums niekada nepasiseks kaip duomenų mokslininkui, jei jūsų suinteresuotosios šalys niekada nenaudos jūsų modelių priimdamos verslo sprendimus. Vienas iš būdų užtikrinti modelio pritaikymą yra rasti verslo skausmo tašką ir parodyti, kaip modelis gali padėti.
Pasikalbėjęs su mūsų pardavimų komanda supratau, kad du atstovai visą darbo dieną dirba rankiniu būdu, ieškodami milijonų vartotojų įmonės duomenų bazėje, kad nustatytų naudotojus, turinčius vieną licenciją, kurie labiau linkę atnaujinti komandines licencijas. Atrankoje buvo naudojamas kriterijų rinkinys, tačiau atranka užtruko, nes atstovai žiūrėjo į vieną vartotoją vienu metu. Naudodami mano sukurtą modelį, atstovai galėjo nukreipti naudotojus, kurie greičiausiai įsigys komandos licenciją, ir padidino konversijos tikimybę per trumpesnį laiką. Dėl to laikas buvo naudojamas efektyviau, nes padidėjo pagrindinių veiklos rodiklių, su kuriais gali susieti pardavimo komanda, konversijų rodikliai.
Praėjo keleri metai ir aš nuolat kūriau tuos pačius modelius ir jaučiau, kad nebesimokau nieko naujo. Nusprendžiau ieškoti kitos pozicijos ir galiausiai gavau duomenų analitiko pareigas. Atsakomybių skirtumas negalėjo būti didesnis nei tada, kai buvau duomenų mokslininkas, nors grįžau į rinkodarą.
Tai buvo pirmas kartas, kai analizavau A/B eksperimentus ir radau visi būdai, kuriais eksperimentas gali suklysti. Kaip duomenų mokslininkas, aš visiškai nedirbau su A / B testavimu, nes jis buvo skirtas eksperimentinei komandai. Dirbau su įvairiomis rinkodaros įtakos turinčiomis analizėmis – nuo aukščiausios kokybės konversijų rodiklių didinimo iki naudotojų įtraukimo ir klientų netekimo prevencijos. Išmokau daug įvairių būdų žiūrėti į duomenis ir praleidau daug laiko rinkdamas rezultatus bei pristatydamas juos suinteresuotosioms šalims ir vyresniajai vadovybei. Būdamas duomenų mokslininkas, daugiausia dirbau su vieno tipo modeliais ir retai kalbėjau. Keletą metų pasukite į priekį, kol išmokau būti sėkmingu analitiku.
Įgūdžiai, kurių išmokau, kad tapčiau sėkmingu duomenų analitiku
1. Išmokite pasakoti istorijas naudodami duomenis
Nežiūrėkite į KPI atskirai. Sujunkite juos, pažiūrėkite į verslą kaip į visumą. Tai leis jums nustatyti sritis, kurios daro įtaką viena kitai. Vyresnioji vadovybė į verslą žiūri pro objektyvą, o šį įgūdį demonstruojantis asmuo pastebimas, kai ateina laikas priimti paaukštinimo sprendimus.
2. Pateikite įgyvendinamų idėjų.
Suteikti verslą veiksminga idėja išspręsti problemą. Dar geriau, jei aktyviai pasiūlytumėte sprendimą, kai dar nebuvo pasakyta, kad susiduriate su pagrindine problema.
Pavyzdžiui, jei pasakėte marketingui: „Pastebėjau, kad pastaruoju metu svetainės lankytojų skaičius kas mėnesį mažėja.. Tai tendencija, kurią jie galėjo pastebėti prietaisų skydelyje, ir jūs, kaip analitikas, nepasiūlėte jokio vertingo sprendimo, nes nurodėte tik pastebėjimą.
Vietoj to išnagrinėkite duomenis, kad surastumėte priežastį ir pasiūlytumėte sprendimą. Geresnis rinkodaros pavyzdys būtų: „Pastebėjau, kad pastaruoju metu mūsų svetainėje sumažėjo lankytojų. Sužinojau, kad problemos šaltinis yra natūrali paieška dėl naujausių pakeitimų, dėl kurių sumažėjo mūsų „Google“ paieškos reitingas.. Šis metodas rodo, kad stebėjote įmonės KPI, pastebėjote pokytį, ištyrėte priežastį ir pasiūlėte problemos sprendimą.
3. Tapkite patikimu patarėju
Turite būti pirmasis asmuo, į kurį jūsų suinteresuotosios šalys kreipiasi patarimo ar klausimų apie jūsų remiamą verslą. Nėra nuorodos, nes reikia laiko parodyti šiuos gebėjimus. Svarbiausia yra nuolat teikti aukštos kokybės analizę su minimaliomis klaidomis. Bet koks klaidingas apskaičiavimas kainuos patikimumo balus, nes kitą kartą pateikus analizę žmonės gali susimąstyti: Jei klydote praeitą kartą, gal klydote ir šį kartą?. Visada dar kartą patikrinkite savo darbą. Taip pat nekenkia paprašyti vadovo ar kolegos pažvelgti į jūsų skaičius prieš pateikiant juos, jei abejojate dėl savo analizės.
4. Išmokite aiškiai perteikti sudėtingus rezultatus.
Vėlgi, nėra jokios nuorodos, kaip išmokti efektyviai bendrauti. Tam reikia praktikos, o laikui bėgant jums tai seksis geriau. Svarbiausia yra nustatyti pagrindinius dalykus, kuriuos norite daryti, ir rekomenduoti bet kokius veiksmus, kurių suinteresuotosios šalys, atlikusios jūsų analizę, galėtų imtis verslo gerinimui. Kuo aukščiau esate organizacijoje, tuo svarbesni jūsų bendravimo įgūdžiai. Sudėtingų rezultatų perdavimas yra svarbus įgūdis, kurį reikia parodyti. Daugelį metų mokiausi sėkmės paslapčių kaip duomenų mokslininkas ir duomenų analitikas. Žmonės sėkmę apibrėžia skirtingai. Apibūdinti kaip „nuostabų“ ir „žvaigždžių“ analitiką mano akimis yra sėkmė. Dabar, kai žinote šias paslaptis, tikiuosi, kad jūsų kelias greitai nuves jus į sėkmę, kad ir kaip ją apibrėžtumėte.
O kad jūsų kelias į sėkmę būtų dar greitesnis, išsaugokite reklamos kredito kodą RAGAŠAS, kuria galite gauti papildomus 10% nuo baneryje nurodytos nuolaidos.
Daugiau kursų
Teminiai straipsniai
Šaltinis: www.habr.com