വിജയകരമായ ഒരു ഡാറ്റാ സയന്റിസ്റ്റും ഡാറ്റ അനലിസ്റ്റും ആകുന്നത് എങ്ങനെ

ഒരു നല്ല ഡാറ്റാ സയന്റിസ്റ്റ് അല്ലെങ്കിൽ ഡാറ്റാ അനലിസ്റ്റ് ആവാൻ ആവശ്യമായ വൈദഗ്ധ്യങ്ങളെ കുറിച്ച് ധാരാളം ലേഖനങ്ങളുണ്ട്, എന്നാൽ ചില ലേഖനങ്ങൾ വിജയിക്കാൻ ആവശ്യമായ കഴിവുകളെക്കുറിച്ച് സംസാരിക്കുന്നു-അത് അസാധാരണമായ പ്രകടന അവലോകനമോ മാനേജ്മെന്റിൽ നിന്നുള്ള പ്രശംസയോ പ്രമോഷനോ അല്ലെങ്കിൽ മുകളിൽ പറഞ്ഞവയോ ആകട്ടെ. ഒരു ഡാറ്റാ സയന്റിസ്റ്റും ഡാറ്റാ അനലിസ്റ്റും എന്ന നിലയിലുള്ള അവളുടെ വ്യക്തിപരമായ അനുഭവവും വിജയിക്കാൻ അവൾ പഠിച്ച കാര്യങ്ങളും പങ്കിടാൻ രചയിതാവ് ആഗ്രഹിക്കുന്ന ഒരു മെറ്റീരിയലാണ് ഇന്ന് ഞങ്ങൾ നിങ്ങൾക്ക് അവതരിപ്പിക്കുന്നത്.

ഞാൻ ഭാഗ്യവാനായിരുന്നു: എനിക്ക് ഡാറ്റാ സയൻസിൽ പരിചയമില്ലാതിരുന്നപ്പോൾ എനിക്ക് ഡാറ്റാ സയന്റിസ്റ്റ് സ്ഥാനം വാഗ്ദാനം ചെയ്തു. ഞാൻ എങ്ങനെ ചുമതല കൈകാര്യം ചെയ്തു എന്നത് മറ്റൊരു കഥയാണ്, ഞാൻ ജോലി ഏറ്റെടുക്കുന്നതിന് മുമ്പ് ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് എന്താണ് ചെയ്യുന്നതെന്ന് എനിക്ക് അവ്യക്തമായ ധാരണ മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ എന്ന് ഞാൻ പറയാൻ ആഗ്രഹിക്കുന്നു.

ഒരു ഡാറ്റാ എഞ്ചിനീയർ എന്ന നിലയിലുള്ള എന്റെ മുൻ ജോലി കാരണം ഡാറ്റാ പൈപ്പ്‌ലൈനുകളിൽ ജോലി ചെയ്യാൻ എന്നെ നിയമിച്ചു, അവിടെ ഒരു കൂട്ടം ഡാറ്റാ സയന്റിസ്റ്റുകൾ ഉപയോഗിക്കുന്ന പ്രവചന വിശകലനത്തിനായി ഞാൻ ഒരു ഡാറ്റാ മാർട്ട് വികസിപ്പിച്ചെടുത്തു.

ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് എന്ന നിലയിൽ എന്റെ ആദ്യ വർഷം മെഷീൻ ലേണിംഗ് മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിനും അവ ഉൽപ്പാദിപ്പിക്കുന്നതിനുമായി ഡാറ്റ പൈപ്പ്ലൈനുകൾ സൃഷ്ടിക്കുന്നതിൽ ഉൾപ്പെടുന്നു. ഞാൻ ഒരു താഴ്ന്ന പ്രൊഫൈൽ സൂക്ഷിച്ചു, മോഡലുകളുടെ അന്തിമ ഉപയോക്താക്കളായ മാർക്കറ്റിംഗ് ഓഹരി ഉടമകളുമായി പല മീറ്റിംഗുകളിലും പങ്കെടുത്തില്ല.

കമ്പനിയിലെ എന്റെ ജോലിയുടെ രണ്ടാം വർഷത്തിൽ, മാർക്കറ്റിംഗിന്റെ ഉത്തരവാദിത്തമുള്ള ഡാറ്റ പ്രോസസ്സിംഗ് ആൻഡ് അനാലിസിസ് മാനേജർ വിട്ടു. അന്നുമുതൽ, ഞാൻ പ്രധാന കളിക്കാരനായി മാറി, മോഡലുകൾ വികസിപ്പിക്കുന്നതിലും പ്രോജക്റ്റ് ഡെഡ്‌ലൈനുകൾ ചർച്ച ചെയ്യുന്നതിലും കൂടുതൽ സജീവമായി പങ്കെടുത്തു.

ഞാൻ ബന്ധപ്പെട്ടവരുമായി സംവദിച്ചപ്പോൾ, ആളുകൾ കേട്ടിട്ടുള്ളതും എന്നാൽ മനസ്സിലാക്കാത്തതുമായ ഒരു അവ്യക്തമായ ആശയമാണ് ഡാറ്റാ സയൻസ് എന്ന് ഞാൻ മനസ്സിലാക്കി, പ്രത്യേകിച്ച് സീനിയർ മാനേജ്‌മെന്റ് തലത്തിൽ.

ഞാൻ നൂറിലധികം മോഡലുകൾ നിർമ്മിച്ചു, പക്ഷേ അവയിൽ മൂന്നിലൊന്ന് മാത്രമേ ഉപയോഗിച്ചിട്ടുള്ളൂ, കാരണം അവയുടെ മൂല്യം എങ്ങനെ കാണിക്കണമെന്ന് എനിക്കറിയില്ല, മോഡലുകൾ പ്രാഥമികമായി മാർക്കറ്റിംഗ് വഴി ആവശ്യപ്പെട്ടെങ്കിലും.

ഒരു ഡാറ്റാ സയൻസ് ടീമിന്റെ മൂല്യം പ്രകടമാക്കുമെന്ന് സീനിയർ മാനേജ്‌മെന്റിന് തോന്നിയ ഒരു മോഡൽ വികസിപ്പിക്കാൻ എന്റെ ടീം അംഗങ്ങളിൽ ഒരാൾ മാസങ്ങൾ ചെലവഴിച്ചു. വികസിപ്പിച്ച ശേഷം ഈ മാതൃക സ്ഥാപനത്തിലുടനീളം പ്രചരിപ്പിക്കുകയും അത് സ്വീകരിക്കാൻ മാർക്കറ്റിംഗ് ടീമുകളെ പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യുക എന്നതായിരുന്നു ആശയം.

ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ എന്താണെന്ന് ആർക്കും മനസ്സിലാകാത്തതിനാലോ അത് ഉപയോഗിക്കുന്നതിന്റെ മൂല്യം മനസ്സിലാക്കാൻ കഴിയാത്തതിനാലോ ഇത് ഒരു സമ്പൂർണ്ണ പരാജയമായി മാറി. തൽഫലമായി, ആരും ആഗ്രഹിക്കാത്ത കാര്യങ്ങളിൽ മാസങ്ങൾ പാഴായി.

അത്തരം സാഹചര്യങ്ങളിൽ നിന്ന് ഞാൻ ചില പാഠങ്ങൾ പഠിച്ചു, അത് ഞാൻ ചുവടെ നൽകും.

വിജയകരമായ ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് ആകാൻ ഞാൻ പഠിച്ച പാഠങ്ങൾ

1. ശരിയായ കമ്പനിയെ തിരഞ്ഞെടുത്ത് വിജയത്തിനായി സ്വയം സജ്ജമാക്കുക.
ഒരു കമ്പനിയിൽ അഭിമുഖം നടത്തുമ്പോൾ, ഡാറ്റാ കൾച്ചറിനെക്കുറിച്ച് ചോദിക്കുക, എത്ര മെഷീൻ ലേണിംഗ് മോഡലുകൾ സ്വീകരിക്കുകയും തീരുമാനമെടുക്കുകയും ചെയ്യുന്നു. ഉദാഹരണങ്ങൾ ചോദിക്കുക. മോഡലിംഗ് ആരംഭിക്കാൻ നിങ്ങളുടെ ഡാറ്റ ഇൻഫ്രാസ്ട്രക്ചർ സജ്ജീകരിച്ചിട്ടുണ്ടോയെന്ന് കണ്ടെത്തുക. നിങ്ങളുടെ സമയത്തിന്റെ 90% അസംസ്‌കൃത ഡാറ്റ വലിച്ചെടുക്കാനും അത് വൃത്തിയാക്കാനും നിങ്ങൾ ചെലവഴിക്കുകയാണെങ്കിൽ, ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് എന്ന നിലയിൽ നിങ്ങളുടെ മൂല്യം പ്രകടിപ്പിക്കുന്നതിന് ഏതെങ്കിലും മോഡലുകൾ നിർമ്മിക്കാൻ നിങ്ങൾക്ക് സമയമില്ല. നിങ്ങൾ ആദ്യമായി ഒരു ഡാറ്റാ സയന്റിസ്റ്റായി നിയമിക്കുകയാണെങ്കിൽ ശ്രദ്ധിക്കുക. ഡാറ്റാ കൾച്ചറിനെ ആശ്രയിച്ച് ഇത് നല്ലതോ ചീത്തയോ ആകാം. കമ്പനി അറിയപ്പെടാൻ ആഗ്രഹിക്കുന്നതിനാൽ സീനിയർ മാനേജ്‌മെന്റ് ഒരു ഡാറ്റാ സയന്റിസ്റ്റിനെ നിയമിക്കുകയാണെങ്കിൽ മോഡൽ നടപ്പിലാക്കുന്നതിൽ നിങ്ങൾക്ക് കൂടുതൽ പ്രതിരോധം നേരിടേണ്ടി വന്നേക്കാം. മികച്ച തീരുമാനങ്ങൾ എടുക്കാൻ ഡാറ്റ സയൻസ് ഉപയോഗിക്കുന്നു, എന്നാൽ അതിന്റെ യഥാർത്ഥ അർത്ഥമെന്താണെന്ന് അറിയില്ല. കൂടാതെ, ഡാറ്റ പ്രവർത്തിക്കുന്ന ഒരു കമ്പനിയെ നിങ്ങൾ കണ്ടെത്തുകയാണെങ്കിൽ, നിങ്ങൾ അതിനൊപ്പം വളരും.

2. ഡാറ്റയും പ്രധാന പ്രകടന സൂചകങ്ങളും (കെപിഐ) അറിയുക.
ഒരു ഡാറ്റാ എഞ്ചിനീയർ എന്ന നിലയിൽ, ഒരു കൂട്ടം ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കായി ഞാൻ ഒരു അനലിറ്റിക്കൽ ഡാറ്റാ മാർട്ട് സൃഷ്ടിച്ചതായി തുടക്കത്തിൽ ഞാൻ സൂചിപ്പിച്ചു. സ്വയം ഒരു ഡാറ്റാ സയന്റിസ്റ്റായി മാറിയതിനാൽ, മോഡലുകളുടെ കൃത്യത വർദ്ധിപ്പിക്കുന്ന പുതിയ അവസരങ്ങൾ കണ്ടെത്താൻ എനിക്ക് കഴിഞ്ഞു, കാരണം എന്റെ മുൻ റോളിൽ റോ ഡാറ്റയുമായി ഞാൻ തീവ്രമായി പ്രവർത്തിച്ചു.

ഞങ്ങളുടെ ഒരു കാമ്പെയ്‌നിന്റെ ഫലങ്ങൾ അവതരിപ്പിക്കുന്നതിലൂടെ, ഉയർന്ന പരിവർത്തന നിരക്ക് (ഒരു ശതമാനമായി) സൃഷ്ടിക്കുന്ന മോഡലുകൾ കാണിക്കാനും തുടർന്ന് കാമ്പെയ്‌ൻ കെപിഐകളിലൊന്ന് അളക്കാനും എനിക്ക് കഴിഞ്ഞു. മാർക്കറ്റിംഗുമായി ബന്ധിപ്പിക്കാൻ കഴിയുന്ന ബിസിനസ്സ് പ്രകടനത്തിനുള്ള മോഡലിന്റെ മൂല്യം ഇത് പ്രകടമാക്കി.

3. പങ്കാളികൾക്ക് അതിന്റെ മൂല്യം പ്രദർശിപ്പിച്ചുകൊണ്ട് മാതൃക സ്വീകരിക്കുന്നത് ഉറപ്പാക്കുക
ബിസിനസ്സ് തീരുമാനങ്ങൾ എടുക്കാൻ നിങ്ങളുടെ പങ്കാളികൾ ഒരിക്കലും നിങ്ങളുടെ മോഡലുകൾ ഉപയോഗിക്കുന്നില്ലെങ്കിൽ നിങ്ങൾ ഒരിക്കലും ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് എന്ന നിലയിൽ വിജയിക്കില്ല. മോഡൽ ദത്തെടുക്കൽ ഉറപ്പാക്കാനുള്ള ഒരു മാർഗം ഒരു ബിസിനസ്സ് പെയിൻ പോയിന്റ് കണ്ടെത്തി മോഡൽ എങ്ങനെ സഹായിക്കുമെന്ന് കാണിക്കുക എന്നതാണ്.

ഞങ്ങളുടെ സെയിൽസ് ടീമുമായി സംസാരിച്ചതിന് ശേഷം, ടീം ലൈസൻസുകളിലേക്ക് അപ്‌ഗ്രേഡ് ചെയ്യാൻ കൂടുതൽ സാധ്യതയുള്ള സിംഗിൾ ലൈസൻസുള്ള ഉപയോക്താക്കളെ തിരിച്ചറിയാൻ രണ്ട് പ്രതിനിധികൾ കമ്പനിയുടെ ഡാറ്റാബേസിലെ ദശലക്ഷക്കണക്കിന് ഉപയോക്താക്കളിലൂടെ സ്വമേധയാ പ്രവർത്തിക്കുന്നതായി എനിക്ക് മനസ്സിലായി. തിരഞ്ഞെടുക്കൽ ഒരു കൂട്ടം മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ചു, പക്ഷേ പ്രതിനിധികൾ ഒരു സമയം ഒരു ഉപയോക്താവിനെ നോക്കിയതിനാൽ തിരഞ്ഞെടുക്കലിന് വളരെയധികം സമയമെടുത്തു. ഞാൻ വികസിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച്, ഒരു ടീം ലൈസൻസ് വാങ്ങാൻ സാധ്യതയുള്ള ഉപയോക്താക്കളെ ടാർഗെറ്റുചെയ്യാനും കുറഞ്ഞ സമയത്തിനുള്ളിൽ പരിവർത്തനത്തിനുള്ള സാധ്യത വർദ്ധിപ്പിക്കാനും പ്രതിനിധികൾക്ക് കഴിഞ്ഞു. സെയിൽസ് ടീമിന് ബന്ധപ്പെടാൻ കഴിയുന്ന പ്രധാന പ്രകടന സൂചകങ്ങൾക്കായുള്ള പരിവർത്തന നിരക്ക് വർദ്ധിപ്പിച്ച് സമയത്തിന്റെ കൂടുതൽ കാര്യക്ഷമമായ ഉപയോഗത്തിന് ഇത് കാരണമായി.

കുറച്ച് വർഷങ്ങൾ കടന്നുപോയി, അതേ മാതൃകകൾ ഞാൻ വീണ്ടും വീണ്ടും വികസിപ്പിച്ചെടുത്തു, ഞാൻ ഇനി പുതിയതൊന്നും പഠിക്കുന്നില്ലെന്ന് തോന്നി. ഞാൻ മറ്റൊരു സ്ഥാനം നോക്കാൻ തീരുമാനിക്കുകയും ഡാറ്റ അനലിസ്റ്റായി ഒരു സ്ഥാനം നേടുകയും ചെയ്തു. ഞാൻ ഒരു ഡാറ്റാ സയന്റിസ്റ്റായിരുന്ന കാലത്തെ അപേക്ഷിച്ച് ഉത്തരവാദിത്തങ്ങളിലെ വ്യത്യാസം കൂടുതൽ പ്രാധാന്യമുള്ളതായിരിക്കില്ല, ഞാൻ മാർക്കറ്റിംഗിനെ പിന്തുണച്ചിരുന്നുവെങ്കിലും.

ഞാൻ ആദ്യമായി A/B പരീക്ഷണങ്ങൾ വിശകലനം ചെയ്ത് കണ്ടെത്തി എല്ലാം ഒരു പരീക്ഷണം തെറ്റായി പോകാനുള്ള വഴികൾ. ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് എന്ന നിലയിൽ, എ/ബി ടെസ്റ്റിംഗിൽ ഞാൻ പ്രവർത്തിച്ചില്ല, കാരണം ഇത് പരീക്ഷണ ടീമിനായി റിസർവ് ചെയ്തതാണ്. പ്രീമിയം കൺവേർഷൻ നിരക്കുകൾ വർധിപ്പിക്കുന്നത് മുതൽ ഉപയോക്തൃ ഇടപഴകലും തടസ്സം തടയലും വരെ - മാർക്കറ്റിംഗ്-ഇംപാക്റ്റഡ് അനലിറ്റിക്‌സിന്റെ വിപുലമായ ശ്രേണിയിൽ ഞാൻ പ്രവർത്തിച്ചിട്ടുണ്ട്. ഡാറ്റ നോക്കുന്നതിനുള്ള പല വഴികളും ഞാൻ പഠിച്ചു, ഫലങ്ങൾ സമാഹരിക്കാനും അവ സ്‌റ്റേക്ക്‌ഹോൾഡർമാർക്കും സീനിയർ മാനേജ്‌മെന്റിനും അവതരിപ്പിക്കാനും ധാരാളം സമയം ചിലവഴിച്ചു. ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് എന്ന നിലയിൽ, ഞാൻ മിക്കവാറും ഒരു തരം മോഡലിൽ പ്രവർത്തിക്കുകയും അപൂർവ്വമായി സംഭാഷണങ്ങൾ നടത്തുകയും ചെയ്തു. വിജയകരമായ ഒരു വിശകലന വിദഗ്ദ്ധനാകാൻ ഞാൻ പഠിച്ച കഴിവുകളിലേക്ക് കുറച്ച് വർഷങ്ങൾ വേഗത്തിൽ മുന്നോട്ട് പോകുക.

ഒരു വിജയകരമായ ഡാറ്റാ അനലിസ്റ്റാകാൻ ഞാൻ പഠിച്ച കഴിവുകൾ

1. ഡാറ്റ ഉപയോഗിച്ച് കഥകൾ പറയാൻ പഠിക്കുക
കെപിഐകളെ ഒറ്റപ്പെടുത്തി നോക്കരുത്. അവരെ ബന്ധിപ്പിക്കുക, ബിസിനസ്സ് മൊത്തത്തിൽ നോക്കുക. പരസ്പരം സ്വാധീനിക്കുന്ന മേഖലകൾ തിരിച്ചറിയാൻ ഇത് നിങ്ങളെ അനുവദിക്കും. മുതിർന്ന മാനേജ്മെന്റ് ഒരു ലെൻസിലൂടെ ബിസിനസ്സ് വീക്ഷിക്കുന്നു, പ്രമോഷൻ തീരുമാനങ്ങൾ എടുക്കേണ്ട സമയമാകുമ്പോൾ ഈ വൈദഗ്ദ്ധ്യം പ്രകടിപ്പിക്കുന്ന ഒരു വ്യക്തി ശ്രദ്ധിക്കപ്പെടുന്നു.

2. പ്രവർത്തനക്ഷമമായ ആശയങ്ങൾ നൽകുക.
ബിസിനസ്സ് നൽകുക ഫലപ്രദമായ ആശയം പ്രശ്നം പരിഹരിക്കാൻ. അടിസ്ഥാനപരമായ പ്രശ്‌നമാണ് നിങ്ങൾ കൈകാര്യം ചെയ്യുന്നതെന്ന് ഇതുവരെ പറഞ്ഞിട്ടില്ലെങ്കിൽ, നിങ്ങൾ മുൻകൈയെടുത്ത് ഒരു പരിഹാരം വാഗ്ദാനം ചെയ്യുന്നതാണ് നല്ലത്.

ഉദാഹരണത്തിന്, നിങ്ങൾ മാർക്കറ്റിംഗ് പറഞ്ഞാൽ: "അടുത്തിടെ ഓരോ മാസവും സൈറ്റ് സന്ദർശകരുടെ എണ്ണം കുറയുന്നത് ഞാൻ ശ്രദ്ധിച്ചു.". ഡാഷ്‌ബോർഡിൽ അവർ ശ്രദ്ധിച്ചിരിക്കാവുന്ന ഒരു പ്രവണതയാണിത്, നിങ്ങൾ നിരീക്ഷണം മാത്രം പ്രസ്‌താവിച്ചതിനാൽ നിങ്ങൾ ഒരു വിശകലന വിദഗ്ധൻ എന്ന നിലയിൽ വിലപ്പെട്ട ഒരു പരിഹാരവും വാഗ്ദാനം ചെയ്തില്ല.

പകരം, കാരണം കണ്ടെത്താനും പരിഹാരം നൽകാനും ഡാറ്റ പരിശോധിക്കുക. മാർക്കറ്റിംഗിനുള്ള മികച്ച ഉദാഹരണം ഇതായിരിക്കും: “ഞങ്ങളുടെ വെബ്‌സൈറ്റിലേക്കുള്ള സന്ദർശകരുടെ എണ്ണത്തിൽ ഈയിടെയായി കുറവുണ്ടായതായി ഞാൻ ശ്രദ്ധിച്ചു. ഞങ്ങളുടെ ഗൂഗിൾ സെർച്ച് റാങ്കിംഗ് കുറയാൻ കാരണമായ സമീപകാല മാറ്റങ്ങൾ കാരണം, പ്രശ്നത്തിന്റെ ഉറവിടം ഓർഗാനിക് തിരയലാണെന്ന് ഞാൻ കണ്ടെത്തി.". നിങ്ങൾ കമ്പനിയുടെ കെപിഐകൾ ട്രാക്ക് ചെയ്തുവെന്നും മാറ്റം ശ്രദ്ധിച്ചുവെന്നും കാരണം അന്വേഷിച്ചുവെന്നും പ്രശ്‌നത്തിന് ഒരു പരിഹാരം നിർദ്ദേശിച്ചതായും ഈ സമീപനം കാണിക്കുന്നു.

3. വിശ്വസ്തനായ ഒരു ഉപദേശകനാകുക
നിങ്ങൾ പിന്തുണയ്ക്കുന്ന ബിസിനസിനെക്കുറിച്ചുള്ള ഉപദേശത്തിനോ ചോദ്യങ്ങൾക്കോ ​​വേണ്ടി നിങ്ങളുടെ പങ്കാളികൾ ആദ്യം സമീപിക്കുന്ന വ്യക്തി നിങ്ങളായിരിക്കണം. ഈ കഴിവുകൾ പ്രകടിപ്പിക്കാൻ സമയമെടുക്കുന്നതിനാൽ കുറുക്കുവഴികളൊന്നുമില്ല. കുറഞ്ഞ പിശകുകളോടെ ഉയർന്ന നിലവാരമുള്ള വിശകലനം സ്ഥിരമായി വിതരണം ചെയ്യുക എന്നതാണ് ഇതിന്റെ പ്രധാന കാര്യം. ഏതൊരു തെറ്റായ കണക്കുകൂട്ടലും നിങ്ങൾക്ക് വിശ്വാസ്യത പോയിന്റുകൾ നഷ്ടപ്പെടുത്തും, കാരണം അടുത്ത തവണ നിങ്ങൾ ഒരു വിശകലനം നൽകുമ്പോൾ, ആളുകൾ ആശ്ചര്യപ്പെട്ടേക്കാം: കഴിഞ്ഞ തവണ തെറ്റ് പറ്റിയെങ്കിൽ ഇത്തവണയും തെറ്റിയോ?. നിങ്ങളുടെ ജോലി എപ്പോഴും രണ്ടുതവണ പരിശോധിക്കുക. നിങ്ങളുടെ വിശകലനത്തെക്കുറിച്ച് നിങ്ങൾക്ക് എന്തെങ്കിലും സംശയമുണ്ടെങ്കിൽ അവ അവതരിപ്പിക്കുന്നതിന് മുമ്പ് നിങ്ങളുടെ മാനേജറിനോടോ സഹപ്രവർത്തകനോടോ നിങ്ങളുടെ നമ്പറുകൾ നോക്കാൻ ആവശ്യപ്പെടുന്നതും ഉപദ്രവിക്കില്ല.

4. സങ്കീർണ്ണമായ ഫലങ്ങൾ വ്യക്തമായി ആശയവിനിമയം നടത്താൻ പഠിക്കുക.
വീണ്ടും, എങ്ങനെ ഫലപ്രദമായി ആശയവിനിമയം നടത്താമെന്ന് പഠിക്കുന്നതിന് കുറുക്കുവഴികളൊന്നുമില്ല. ഇതിന് പരിശീലനം ആവശ്യമാണ്, കാലക്രമേണ നിങ്ങൾ അതിൽ മെച്ചപ്പെടും. നിങ്ങൾ ചെയ്യാനാഗ്രഹിക്കുന്ന കാര്യങ്ങളുടെ പ്രധാന പോയിന്റുകൾ തിരിച്ചറിയുകയും നിങ്ങളുടെ വിശകലനത്തിന്റെ ഫലമായി, ബിസിനസ്സ് മെച്ചപ്പെടുത്താൻ പങ്കാളികൾക്ക് എടുക്കാൻ കഴിയുന്ന പ്രവർത്തനങ്ങൾ ശുപാർശ ചെയ്യുകയും ചെയ്യുക എന്നതാണ് പ്രധാനം. നിങ്ങൾ ഒരു ഓർഗനൈസേഷനിൽ എത്ര ഉന്നതനാണോ അത്രത്തോളം നിങ്ങളുടെ ആശയവിനിമയ കഴിവുകൾ പ്രധാനമാണ്. സങ്കീർണ്ണമായ ഫലങ്ങൾ ആശയവിനിമയം നടത്തുന്നത് പ്രകടിപ്പിക്കുന്നതിനുള്ള ഒരു പ്രധാന വൈദഗ്ധ്യമാണ്. ഒരു ഡാറ്റാ സയന്റിസ്റ്റും ഡാറ്റാ അനലിസ്റ്റും എന്ന നിലയിൽ വിജയത്തിന്റെ രഹസ്യങ്ങൾ പഠിക്കാൻ ഞാൻ വർഷങ്ങളോളം ചെലവഴിച്ചു. ആളുകൾ വിജയത്തെ വ്യത്യസ്തമായി നിർവചിക്കുന്നു. "അത്ഭുതപ്പെടുത്തുന്ന", "നക്ഷത്ര" അനലിസ്റ്റ് എന്ന് വിശേഷിപ്പിക്കപ്പെടുന്നത് എന്റെ കണ്ണിലെ വിജയമാണ്. ഇപ്പോൾ നിങ്ങൾക്ക് ഈ രഹസ്യങ്ങൾ അറിയാം, നിങ്ങളുടെ പാത നിങ്ങളെ വിജയത്തിലേക്ക് നയിക്കുമെന്ന് ഞാൻ പ്രതീക്ഷിക്കുന്നു, എന്നിരുന്നാലും നിങ്ങൾ അത് നിർവ്വചിക്കുന്നു.

വിജയത്തിലേക്കുള്ള നിങ്ങളുടെ പാത കൂടുതൽ വേഗത്തിലാക്കാൻ, പ്രൊമോ കോഡ് സൂക്ഷിക്കുക HABR, ബാനറിൽ സൂചിപ്പിച്ചിരിക്കുന്ന കിഴിവിൽ നിങ്ങൾക്ക് 10% അധികമായി ലഭിക്കും.

• ഡാറ്റ സയൻസ് ഓൺലൈൻ ബൂട്ട്ക്യാമ്പ്
• ഡാറ്റാ അനലിസ്റ്റിന്റെ തൊഴിൽ ആദ്യം മുതൽ പരിശീലിപ്പിക്കുന്നു
• ഡാറ്റ അനലിറ്റിക്സ് ഓൺലൈൻ ബൂട്ട്ക്യാമ്പ്
• ആദ്യം മുതൽ ഡാറ്റാ സയൻസ് പ്രൊഫഷൻ പഠിപ്പിക്കുന്നു
• വെബ് ഡെവലപ്‌മെന്റ് കോഴ്‌സിനായുള്ള പൈത്തൺ

കൂടുതൽ കോഴ്സുകൾ

• ഡാറ്റ അനലിറ്റിക്സ് കോഴ്സ്
• DevOps കോഴ്സ്
• പ്രൊഫഷണൽ വെബ് ഡെവലപ്പർ
• ആദ്യം മുതൽ തൊഴിൽ iOS ഡെവലപ്പർ
• പ്രൊഫഷൻ ആൻഡ്രോയിഡ് ഡെവലപ്പർ ആദ്യം മുതൽ
• ആദ്യം മുതൽ പ്രൊഫഷണൽ ജാവ ഡെവലപ്പർ
• ജാവാസ്ക്രിപ്റ്റ് കോഴ്സ്
• മെഷീൻ ലേണിംഗ് കോഴ്സ്
• കോഴ്‌സ് "ഡാറ്റ സയൻസിന് മാത്തമാറ്റിക്സും മെഷീൻ ലേണിംഗും"
• വിപുലമായ കോഴ്‌സ് "മെഷീൻ ലേണിംഗ് പ്രോ + ഡീപ് ലേണിംഗ്"

ഫീച്ചർ ചെയ്ത ലേഖനങ്ങൾ

• ഓൺലൈൻ കോഴ്‌സുകളില്ലാതെ എങ്ങനെ ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് ആകാം
• 450 സൗജന്യ ഐവി ലീഗ് കോഴ്സുകൾ
• മെഷീൻ ലേണിംഗ് എങ്ങനെ ആഴ്ചയിൽ 5 ദിവസം തുടർച്ചയായി 9 മാസം പഠിക്കാം
• ഒരു ഡാറ്റാ അനലിസ്റ്റ് എത്രമാത്രം സമ്പാദിക്കുന്നു: 2020 ൽ റഷ്യയിലും വിദേശത്തുമുള്ള ശമ്പളത്തിന്റെയും ഒഴിവുകളുടെയും ഒരു അവലോകനം
• ഖനന വ്യവസായത്തിലെ മെഷീൻ ലേണിംഗ്, കമ്പ്യൂട്ടർ വിഷൻ

അവലംബം: www.habr.com