KÄ kļūt par veiksmÄ«gu datu zinÄtnieku un datu analÄ«tiÄ·i
Ir daudz rakstu par prasmÄm, kas nepiecieÅ”amas, lai kļūtu par labu datu zinÄtnieku vai datu analÄ«tiÄ·i, taÄu daži raksti runÄ par prasmÄm, kas nepiecieÅ”amas, lai gÅ«tu panÄkumus ā vai tas bÅ«tu izcils veiktspÄjas pÄrskats, vadÄ«bas uzslavas, paaugstinÄÅ”ana amatÄ vai visas iepriekÅ” minÄtÄs. Å odien mÄs piedÄvÄjam jums materiÄlu, kura autore vÄlas dalÄ«ties savÄ personÄ«gajÄ pieredzÄ kÄ datu zinÄtniece un datu analÄ«tiÄ·e, kÄ arÄ« tajÄ, ko viÅa ir iemÄcÄ«jusies, lai gÅ«tu panÄkumus.
Man paveicÄs: man piedÄvÄja datu zinÄtnieka amatu, kad man nebija pieredzes datu zinÄtnÄ. Tas, kÄ es tiku galÄ ar uzdevumu, ir cits stÄsts, un es gribu teikt, ka man bija tikai neskaidrs priekÅ”stats par to, ko dara datu zinÄtnieks, pirms es stÄjos darbÄ.
Mani nolÄ«ga darbam ar datu cauruļvadiem, jo āāmans iepriekÅ”Äjais darbs bija datu inženieris, kur es izstrÄdÄju datu tirgu prognozÄjoÅ”ai analÄ«zei, ko izmantoja datu zinÄtnieku grupa.
Mans pirmais datu zinÄtnieka gads ietvÄra datu cauruļvadu izveidi, lai apmÄcÄ«tu maŔīnmÄcÄ«Å”anÄs modeļus un ieviestu tos ražoÅ”anÄ. Es turÄju zemu profilu un nepiedalÄ«jos daudzÄs sanÄksmÄs ar mÄrketinga ieinteresÄtajÄm personÄm, kas bija modeļu galalietotÄji.
OtrajÄ darba gadÄ uzÅÄmumÄ aizgÄja par mÄrketingu atbildÄ«gais datu apstrÄdes un analÄ«zes vadÄ«tÄjs. KopÅ” tÄ laika kļuvu par galveno spÄlÄtÄju un aktÄ«vÄk piedalÄ«jos modeļu izstrÄdÄ un projektu termiÅu apsprieÅ”anÄ.
Sazinoties ar ieinteresÄtajÄm personÄm, es sapratu, ka datu zinÄtne ir neskaidrs jÄdziens, par kuru cilvÄki ir dzirdÄjuÅ”i, taÄu tos Ä«sti nesaprot, jo Ä«paÅ”i augstÄkÄs vadÄ«bas lÄ«menÄ«.
Es uzbÅ«vÄju vairÄk nekÄ simts modeļu, bet tikai treÅ”Ä daļa tika izmantota, jo nezinÄju, kÄ parÄdÄ«t to vÄrtÄ«bu, lai gan modeļus galvenokÄrt pieprasÄ«ja mÄrketings.
Viens no maniem komandas locekļiem pavadÄ«ja mÄneÅ”us, izstrÄdÄjot modeli, kas, pÄc augstÄkÄs vadÄ«bas domÄm, demonstrÄtu datu zinÄtnes komandas vÄrtÄ«bu. Ideja bija izplatÄ«t modeli visÄ organizÄcijÄ pÄc tÄ izstrÄdes un mudinÄt mÄrketinga komandas to pieÅemt.
TÄ izrÄdÄ«jÄs pilnÄ«ga neveiksme, jo neviens nesaprata, kas ir maŔīnmÄcÄ«Å”anÄs modelis, un nevarÄja saprast tÄ izmantoÅ”anas vÄrtÄ«bu. RezultÄtÄ mÄneÅ”i tika izŔķiesti tam, ko neviens negribÄja.
No Å”ÄdÄm situÄcijÄm esmu guvis dažas mÄcÄ«bas, kuras sniegÅ”u tÄlÄk.
NodarbÄ«bas, ko es guvu, lai kļūtu par veiksmÄ«gu datu zinÄtnieku
1. Sagatavojieties panÄkumiem, izvÄloties pareizo uzÅÄmumu.
IntervÄjot uzÅÄmumÄ, jautÄjiet par datu kultÅ«ru un to, cik maŔīnmÄcÄ«Å”anÄs modeļu tiek pieÅemti un izmantoti lÄmumu pieÅemÅ”anÄ. JautÄjiet piemÄrus. Uzziniet, vai jÅ«su datu infrastruktÅ«ra ir iestatÄ«ta, lai sÄktu modelÄÅ”anu. Ja jÅ«s pavadÄt 90% sava laika, mÄÄ£inot iegÅ«t neapstrÄdÄtus datus un tos notÄ«rÄ«t, jums atliek maz laika, lai izveidotu modeļus, kas demonstrÄtu jÅ«su kÄ datu zinÄtnieka vÄrtÄ«bu. Esiet piesardzÄ«gs, ja pirmo reizi esat pieÅemts darbÄ kÄ datu zinÄtnieks. AtkarÄ«bÄ no datu kultÅ«ras tÄ var bÅ«t laba vai slikta lieta. JÅ«s varat saskarties ar lielÄku pretestÄ«bu modeļa ievieÅ”anai, ja augstÄkÄ vadÄ«ba nolÄ«gs datu zinÄtnieku tikai tÄpÄc, ka uzÅÄmums vÄlas bÅ«t pazÄ«stams kÄ izmantojot datu zinÄtni, lai pieÅemtu labÄkus lÄmumus, bet nav ne jausmas, ko tas patiesÄ«bÄ nozÄ«mÄ. TurklÄt, ja atrodat uzÅÄmumu, kas darbojas ar datiem, jÅ«s ar to attÄ«stÄ«sities.
2. ZinÄt datus un galvenos darbÄ«bas rÄdÄ«tÄjus (KPI).
SÄkumÄ es minÄju, ka kÄ datu inženieris izveidoju analÄ«tisko datu tirgu datu zinÄtnieku komandai. Pats kļūstot par datu zinÄtnieku, varÄju atrast jaunas iespÄjas, kas palielinÄja modeļu precizitÄti, jo iepriekÅ”ÄjÄ amatÄ intensÄ«vi strÄdÄju ar neapstrÄdÄtiem datiem.
IepazÄ«stinot ar vienas mÅ«su kampaÅas rezultÄtiem, es varÄju parÄdÄ«t modeļus, kas rada augstÄku reklÄmguvumu lÄ«meni (procentos), un pÄc tam izmÄrÄ«ju vienu no kampaÅas KPI. Tas demonstrÄja modeļa vÄrtÄ«bu uzÅÄmÄjdarbÄ«bas veikÅ”anai, ar kuru mÄrketingu var saistÄ«t.
3. NodroÅ”inÄt modeļa pÄrÅemÅ”anu, demonstrÄjot tÄ vÄrtÄ«bu ieinteresÄtajÄm pusÄm
JÅ«s nekad gÅ«sit panÄkumus kÄ datu zinÄtnieks, ja jÅ«su ieinteresÄtÄs personas nekad neizmantos jÅ«su modeļus biznesa lÄmumu pieÅemÅ”anai. Viens no veidiem, kÄ nodroÅ”inÄt modeļa ievieÅ”anu, ir atrast biznesa problÄmu un parÄdÄ«t, kÄ modelis var palÄ«dzÄt.
PÄc sarunas ar mÅ«su pÄrdoÅ”anas komandu es sapratu, ka divi pÄrstÄvji strÄdÄ pilnu slodzi, manuÄli pÄrmeklÄjot miljoniem lietotÄju uzÅÄmuma datu bÄzÄ, lai identificÄtu lietotÄjus ar vienu licenci, kuri, visticamÄk, jauninÄs uz komandas licencÄm. AtlasÄ tika izmantots kritÄriju kopums, taÄu atlase ieilga, jo pÄrstÄvji skatÄ«jÄs uz vienu lietotÄju vienlaikus. Izmantojot manis izstrÄdÄto modeli, pÄrstÄvji varÄja atlasÄ«t lietotÄjus, kuri, visticamÄk, iegÄdÄsies komandas licenci, un palielinÄt reklÄmguvuma iespÄjamÄ«bu Ä«sÄkÄ laikÄ. Tas ir ļÄvis efektÄ«vÄk izmantot laiku, palielinot reklÄmguvumu lÄ«meni galvenajiem darbÄ«bas rÄdÄ«tÄjiem, ar kuriem pÄrdoÅ”anas komanda var bÅ«t saistÄ«ta.
PagÄja vairÄki gadi, un es atkal un atkal izstrÄdÄju vienus un tos paÅ”us modeļus un jutu, ka vairs neko jaunu neapgÅ«stu. Es nolÄmu meklÄt citu amatu un ieguvu datu analÄ«tiÄ·a amatu. PienÄkumu atŔķirÄ«bas nevarÄja bÅ«t bÅ«tiskÄkas, salÄ«dzinot ar laiku, kad es biju datu zinÄtnieks, lai gan es atkal atbalstÄ«ju mÄrketingu.
Å Ä« bija pirmÄ reize, kad es analizÄju A/B eksperimentus un atradu viss veidi, kÄdos eksperiments var noiet greizi. KÄ datu zinÄtnieks es vispÄr nestrÄdÄju pie A/B testÄÅ”anas, jo tÄ bija paredzÄta eksperimentÄlajai komandai. Esmu strÄdÄjis pie plaÅ”a mÄrketinga ietekmes analÄ«tikas klÄsta ā no augstÄkÄs kvalitÄtes reklÄmguvumu lÄ«meÅa paaugstinÄÅ”anas lÄ«dz lietotÄju iesaistÄ«Å”anai un atteikÅ”anÄs novÄrÅ”anai. Es iemÄcÄ«jos daudz dažÄdu veidu, kÄ aplÅ«kot datus, un pavadÄ«ju daudz laika, apkopojot rezultÄtus un prezentÄjot tos ieinteresÄtajÄm personÄm un augstÄkajai vadÄ«bai. KÄ datu zinÄtnieks es galvenokÄrt strÄdÄju pie viena veida modeļiem un reti uzstÄjos. PÄrsteidziet dažus gadus uz priekÅ”u, lai apgÅ«tu prasmes, lai kļūtu par veiksmÄ«gu analÄ«tiÄ·i.
IemaÅas, ko apguvu, lai kļūtu par veiksmÄ«gu datu analÄ«tiÄ·i
1. IemÄcieties stÄstÄ«t stÄstus, izmantojot datus
Neskatieties uz KPI atseviŔķi. Savienojiet tos, apskatiet biznesu kopumÄ. Tas ļaus jums noteikt jomas, kas ietekmÄ viena otru. AugstÄkÄ vadÄ«ba raugÄs uz biznesu caur objektÄ«vu, un cilvÄks, kurÅ” demonstrÄ Å”o prasmi, tiek pamanÄ«ts, kad pienÄks laiks pieÅemt lÄmumus par paaugstinÄÅ”anu amatÄ.
2. Sniedziet Ä«stenojamas idejas.
NodroÅ”inÄt biznesu efektÄ«va ideja lai atrisinÄtu problÄmu. VÄl labÄk, ja jÅ«s proaktÄ«vi piedÄvÄjat risinÄjumu, kad vÄl nav teikts, ka jÅ«s saskaraties ar pamatproblÄmu.
PiemÄram, ja jÅ«s teicÄt mÄrketingam: "Es pamanÄ«ju, ka pÄdÄjÄ laikÄ vietnes apmeklÄtÄju skaits katru mÄnesi samazinÄs.". TÄ ir tendence, ko viÅi, iespÄjams, pamanÄ«ja informÄcijas panelÄ«, un jÅ«s kÄ analÄ«tiÄ·is nepiedÄvÄjÄt nekÄdu vÄrtÄ«gu risinÄjumu, jo norÄdÄ«jÄt tikai novÄrojumu.
TÄ vietÄ pÄrbaudiet datus, lai atrastu cÄloni un piedÄvÄtu risinÄjumu. LabÄks mÄrketinga piemÄrs bÅ«tu: āEsmu ievÄrojis, ka pÄdÄjÄ laikÄ mÅ«su mÄjaslapÄ ir samazinÄjies apmeklÄtÄju skaits. Es atklÄju, ka problÄmas avots ir dabiskÄ meklÄÅ”ana, jo nesenÄs izmaiÅas ir izraisÄ«juÅ”as mÅ«su Google meklÄÅ”anas rangu kritumu.. Å Ä« pieeja parÄda, ka jÅ«s izsekojÄt uzÅÄmuma KPI, pamanÄ«jÄt izmaiÅas, izpÄtÄ«jÄt cÄloni un piedÄvÄjÄt problÄmas risinÄjumu.
3. Kļūstiet par uzticamu padomdevÄju
Jums ir jÄbÅ«t pirmajai personai, pie kuras ieinteresÄtÄs personas vÄrÅ”as, lai saÅemtu padomu vai jautÄjumus par jÅ«su atbalstÄ«to uzÅÄmumu. Nav Ä«sceļa, jo ir nepiecieÅ”ams laiks, lai parÄdÄ«tu Ŕīs spÄjas. Galvenais ir konsekventi nodroÅ”inÄt augstas kvalitÄtes analÄ«zi ar minimÄlÄm kļūdÄm. JebkurÅ” nepareizs aprÄÄ·ins maksÄs jums uzticamÄ«bas punktus, jo nÄkamreiz, kad sniedzat analÄ«zi, cilvÄki var brÄ«nÄ«ties: Ja kļūdÄ«jies pagÄjuÅ”ajÄ reizÄ, varbÅ«t kļūdies arÄ« Å”oreiz?. VienmÄr vÄlreiz pÄrbaudiet savu darbu. Ja jums ir Å”aubas par veikto analÄ«zi, nenÄk par ļaunu lÅ«gt vadÄ«tÄjam vai kolÄÄ£im apskatÄ«t jÅ«su skaitļus pirms to uzrÄdÄ«Å”anas.
4. IemÄcieties skaidri paziÅot sarežģītus rezultÄtus.
Atkal, nav Ä«sceļa, lai iemÄcÄ«tos efektÄ«vi sazinÄties. Tam ir nepiecieÅ”ama prakse, un laika gaitÄ tas kļūs labÄks. Galvenais ir noteikt galvenos punktus, ko vÄlaties darÄ«t, un ieteikt jebkÄdas darbÄ«bas, kuras jÅ«su analÄ«zes rezultÄtÄ ieinteresÄtÄs personas var veikt, lai uzlabotu uzÅÄmÄjdarbÄ«bu. Jo augstÄk jÅ«s atrodaties organizÄcijÄ, jo svarÄ«gÄkas ir jÅ«su komunikÄcijas prasmes. Sarežģītu rezultÄtu paziÅoÅ”ana ir svarÄ«ga prasme, ko demonstrÄt. Es pavadÄ«ju gadus, mÄcoties veiksmes noslÄpumus kÄ datu zinÄtnieks un datu analÄ«tiÄ·is. CilvÄki panÄkumus definÄ dažÄdi. ManÄs acÄ«s tas, ka mani raksturo kÄ "brÄ«niŔķīgu" un "zvaigžÅu" analÄ«tiÄ·i, ir veiksme. Tagad, kad jÅ«s zinÄt Å”os noslÄpumus, es ceru, ka jÅ«su ceļŔ Ätri novedÄ«s pie panÄkumiem, lai arÄ« kÄ jÅ«s to definÄtu.
Un, lai jÅ«su ceļŔ uz panÄkumiem bÅ«tu vÄl ÄtrÄks, saglabÄjiet reklÄmas kodu HABR, ar kuru var iegÅ«t papildus 10% uz banerÄ« norÄdÄ«tÄs atlaides.