Има многу написи за вештините потребни за да се биде добар научник за податоци или аналитичар на податоци, но малку написи зборуваат за вештините потребни за успех - било да е тоа исклучителен преглед на перформансите, пофалби од раководството, промоција или сето горенаведено. Денеска ви претставуваме материјал чиј автор би сакала да го сподели своето лично искуство како научник за податоци и аналитичар на податоци, како и она што го научила за да постигне успех.
Имав среќа: ми беше понудена позицијата научник за податоци кога немав искуство во Data Science. Како јас се справив со задачата е друга приказна и сакам да кажам дека имав само нејасна претстава за тоа што прави научникот за податоци пред да ја преземам работата.
Бев ангажиран да работам на цевководи за податоци поради мојата претходна работа како инженер за податоци, каде што развив податочен пазар за предвидлива аналитика што ја користат група научници за податоци.
Мојата прва година како научник за податоци вклучуваше создавање на цевководи за податоци за обука на модели за машинско учење и нивно ставање во производство. Одржував низок профил и не учествував на многу состаноци со маркетинг чинители кои беа крајни корисници на моделите.
Во втората година од мојата работа во компанијата, менаџерот за обработка и анализа на податоци одговорен за маркетинг си замина. Оттогаш, јас станав главен играч и земав поактивно учество во развивањето модели и дискусијата за роковите на проектот.
Како што комуницирав со засегнатите страни, сфатив дека Data Science е нејасен концепт за кој луѓето слушнале, но не го разбираат сосема, особено на нивоа на повисоко раководство.
Изградив над сто модели, но само една третина од нив беа искористени затоа што не знаев како да ја покажам нивната вредност, иако моделите беа барани првенствено од маркетинг.
Еден од членовите на мојот тим помина со месеци развивајќи модел за кој повисокото раководство сметаше дека ќе ја покаже вредноста на тимот за наука за податоци. Идејата беше да се прошири моделот низ организацијата откако ќе се развие и да се поттикнат маркетинг тимовите да го усвојат.
Се испостави дека е целосен неуспех бидејќи никој не разбра што е модел на машинско учење, ниту можеше да ја разбере вредноста на неговото користење. Како резултат на тоа, месеци беа потрошени на нешто што никој не го сакаше.
Од ваквите ситуации научив одредени лекции, кои ќе ги дадам подолу.
Лекции што ги научив за да станам успешен научник за податоци
1. Поставете се за успех со избирање на вистинската компанија.
Кога интервјуирате во компанија, прашајте за културата на податоци и колку модели на машинско учење се усвоени и користени во донесувањето одлуки. Побарајте примери. Дознајте дали вашата податочна инфраструктура е поставена за да започне моделирањето. Ако трошите 90% од вашето време обидувајќи се да извлечете необработени податоци и да ги исчистите, ќе ви остане малку или нема време за да изградите какви било модели за да ја покажете вашата вредност како научник за податоци. Бидете внимателни ако сте ангажирани како научник за податоци за прв пат. Ова може да биде добра или лоша работа, во зависност од културата на податоци. Може да наидете на поголем отпор за имплементирање на моделот ако повисокото раководство ангажира научник за податоци само затоа што компанијата сака да биде позната како користење на Data Science за да се донесат подобри одлуки, но нема поим што всушност значи. Плус, ако најдете компанија која е водена од податоци, ќе растете со неа.
2. Знајте ги податоците и клучните индикатори за изведба (KPI).
На почетокот, спомнав дека како инженер за податоци, создадов аналитички податоци за тим од научници за податоци. Откако станав и самиот научник за податоци, можев да најдам нови можности што ја зголемија точноста на моделите бидејќи интензивно работев со необработени податоци во мојата претходна улога.
Презентирајќи ги резултатите од една од нашите кампањи, можев да ги покажам моделите кои генерираат повисоки стапки на конверзија (како процент), а потоа измерив еден од KPI на кампањата. Ова ја покажа вредноста на моделот за деловни перформанси со кој може да се поврзе маркетингот.
3. Обезбедете усвојување на моделот со покажување на неговата вредност пред засегнатите страни
Никогаш нема да успеете како научник за податоци ако вашите засегнати страни никогаш не ги користат вашите модели за да донесат деловни одлуки. Еден начин да се обезбеди усвојување на моделот е да се најде деловна болка и да се покаже како моделот може да помогне.
Откако разговарав со нашиот продажен тим, сфатив дека двајца претставници работат со полно работно време рачно пробивајќи ги милионите корисници во базата на податоци на компанијата за да ги идентификуваат корисниците со единечни лиценци кои имаа поголема веројатност да се надополнат на лиценци за тим. Изборот користеше сет критериуми, но изборот траеше долго бидејќи претставниците гледаа еден по еден корисник. Користејќи го моделот што го развив, претставниците можеа да ги таргетираат корисниците кои најверојатно ќе купат лиценца за тим и ја зголемуваат веројатноста за конверзија за помалку време. Ова резултираше со поефикасно користење на времето со зголемување на стапките на конверзија за клучните показатели за перформансите со кои може да се поврзе продажниот тим.
Поминаа неколку години и ги развивав истите модели одново и одново и чувствував дека повеќе не учам ништо ново. Решив да барам друга позиција и на крајот добив позиција како аналитичар на податоци. Разликата во одговорностите не можеше да биде позначајна во споредба со времето кога бев научник за податоци, иако повторно го поддржував маркетингот.
Ова беше прв пат да анализирам A/B експерименти и да најдов сите начини на кои експериментот може да тргне наопаку. Како научник за податоци, воопшто не работев на A/B тестирање бидејќи беше резервирано за експерименталниот тим. Работев на широк опсег на аналитика под влијание на маркетингот - од зголемување на врвните стапки на конверзија до ангажман на корисникот и спречување на пречки. Научив многу различни начини за разгледување на податоците и потрошив многу време за да ги составам резултатите и да ги презентирам пред засегнатите страни и повисокото раководство. Како научник за податоци, најмногу работев на еден тип на модел и ретко држев говори. Напредно неколку години до вештините што ги научив да бидам успешен аналитичар.
Вештини што ги научив за да станам успешен аналитичар на податоци
1. Научете да раскажувате приказни со податоци
Не гледајте ги КПИ изолирано. Поврзете ги, погледнете го бизнисот како целина. Ова ќе ви овозможи да ги идентификувате областите кои влијаат едни на други. Високото раководство го гледа бизнисот низ објектив, а личноста која ја демонстрира оваа вештина е забележана кога ќе дојде време да се донесат одлуки за промоција.
2. Обезбедете акциони идеи.
Обезбедете бизнис ефективна идеја да се реши проблемот. Уште подобро е ако проактивно понудите решение кога сè уште не е кажано дека се занимавате со основниот проблем.
На пример, ако му кажете на маркетингот: „Забележав дека неодамна бројот на посетители на страницата се намалува секој месец.. Ова е тренд што можеби го забележале на контролната табла, а вие не понудивте никакво вредно решение како аналитичар затоа што само го наведовте набљудувањето.
Наместо тоа, испитајте ги податоците за да ја пронајдете причината и да предложите решение. Подобар пример за маркетинг би бил: „Забележав дека во последно време имаме намалување на бројот на посетители на нашата веб-страница. Открив дека изворот на проблемот е органското пребарување, поради неодамнешните промени кои предизвикаа опаѓање на рангирањето на нашето пребарување на Google“.. Овој пристап покажува дека сте ги следеле KPI-ите на компанијата, ја забележавте промената, ја истраживте причината и предложивте решение за проблемот.
3. Станете доверлив советник
Треба да бидете првата личност на која вашите засегнати страни се обраќаат за совет или прашања за бизнисот што го поддржувате. Нема кратенка бидејќи е потребно време за да се покажат овие способности. Клучот за ова е постојано доставување висококвалитетна анализа со минимални грешки. Секое погрешно пресметување ќе ве чини поени за кредибилитет затоа што следниот пат кога ќе дадете анализа, луѓето може да се запрашаат: Ако погрешивте минатиот пат, можеби грешите и овој пат?. Секогаш двојно проверувајте ја вашата работа. Исто така, не е повредено да побарате од вашиот менаџер или колега да ги погледне вашите броеви пред да ги презентирате доколку имате било какви сомнежи за вашата анализа.
4. Научете јасно да ги пренесувате сложените резултати.
Повторно, нема кратенка за учење како ефективно да комуницирате. Ова бара пракса и со текот на времето ќе станете подобри во тоа. Клучот е да ги идентификувате главните точки на она што сакате да го направите и да препорачате какви било активности што, како резултат на вашата анализа, засегнатите страни можат да ги преземат за да го подобрат бизнисот. Колку повисоко сте во организација, толку поважни се вашите комуникациски вештини. Комуницирањето сложени резултати е важна вештина што треба да се покаже. Поминав години учејќи ги тајните на успехот како научник за податоци и аналитичар на податоци. Луѓето различно го дефинираат успехот. Да бидам опишан како „неверојатен“ и „ѕвезден“ аналитичар е успех во моите очи. Сега кога ги знаете овие тајни, се надевам дека вашиот пат брзо ќе ве доведе до успех, како и да го дефинирате.
И за да го направите вашиот пат до успехот уште побрз, чувајте го промотивниот код HABR, со што можете да добиете дополнителни 10% на попустот наведен на банерот.
Повеќе курсеви
Избрани статии
Извор: www.habr.com