यशस्वी डेटा सायंटिस्ट आणि डेटा विश्लेषक कसे व्हावे

एक चांगला डेटा सायंटिस्ट किंवा डेटा विश्लेषक होण्यासाठी आवश्यक असलेल्या कौशल्यांबद्दल बरेच लेख आहेत, परंतु काही लेख यशस्वी होण्यासाठी आवश्यक कौशल्यांबद्दल बोलतात—मग ते अपवादात्मक कार्यप्रदर्शन पुनरावलोकन, व्यवस्थापनाकडून प्रशंसा, जाहिरात किंवा वरील सर्व असो. आज आम्‍ही तुम्‍हाला एक अशी सामग्री सादर करत आहोत जिच्‍या लेखिकेला डेटा सायंटिस्ट आणि डेटा विश्‍लेषक म्‍हणून तिचा वैयक्तिक अनुभव तसेच यश मिळवण्‍यासाठी तिने काय शिकले आहे ते शेअर करण्‍याची इच्छा आहे.

मी भाग्यवान होतो: मला डेटा सायन्समध्ये कोणताही अनुभव नसताना मला डेटा सायंटिस्ट पदाची ऑफर देण्यात आली. मी हे कार्य कसे हाताळले ही एक वेगळी कथा आहे आणि मला असे म्हणायचे आहे की मी नोकरी स्वीकारण्यापूर्वी डेटा सायंटिस्ट काय करतो याची मला फक्त अस्पष्ट कल्पना होती.

डेटा अभियंता म्हणून माझ्या पूर्वीच्या नोकरीमुळे मला डेटा पाइपलाइनवर काम करण्यासाठी नियुक्त करण्यात आले होते, जिथे मी डेटा वैज्ञानिकांच्या गटाद्वारे वापरल्या जाणार्‍या भविष्यसूचक विश्लेषणासाठी डेटा मार्ट विकसित केले होते.

डेटा सायंटिस्ट म्हणून माझे पहिले वर्ष मशीन लर्निंग मॉडेल्सना प्रशिक्षित करण्यासाठी डेटा पाइपलाइन तयार करण्यासाठी आणि त्यांना उत्पादनात आणण्यासाठी सामील होते. मी कमी प्रोफाइल ठेवले आणि मॉडेलचे अंतिम वापरकर्ते असलेल्या मार्केटिंग भागधारकांसोबतच्या अनेक मीटिंगमध्ये भाग घेतला नाही.

कंपनीत माझ्या कामाच्या दुसऱ्या वर्षी, मार्केटिंगसाठी जबाबदार डेटा प्रोसेसिंग आणि विश्लेषण व्यवस्थापक बाकी. तेव्हापासून, मी मुख्य खेळाडू बनलो आणि मॉडेल विकसित करण्यात आणि प्रकल्पाच्या मुदतीवर चर्चा करण्यात अधिक सक्रिय भाग घेतला.

मी स्टेकहोल्डर्सशी संवाद साधत असताना, मला जाणवले की डेटा सायन्स ही एक अस्पष्ट संकल्पना आहे ज्याबद्दल लोकांनी ऐकले आहे परंतु ते फारसे समजत नाही, विशेषत: वरिष्ठ व्यवस्थापन स्तरावर.

मी शंभरहून अधिक मॉडेल्स तयार केली, परंतु त्यापैकी फक्त एक तृतीयांश मॉडेल्स वापरली गेली कारण मला त्यांचे मूल्य कसे दाखवायचे हे माहित नव्हते, जरी मॉडेल्सची प्रामुख्याने मार्केटिंगद्वारे विनंती केली गेली होती.

माझ्या कार्यसंघ सदस्यांपैकी एकाने एक मॉडेल विकसित करण्यासाठी महिने घालवले जे वरिष्ठ व्यवस्थापनाला डेटा विज्ञान संघाचे मूल्य प्रदर्शित करेल असे वाटले. मॉडेल विकसित झाल्यानंतर ते संपूर्ण संस्थेमध्ये पसरवणे आणि विपणन संघांना ते स्वीकारण्यास प्रोत्साहित करणे ही कल्पना होती.

हे पूर्णपणे अपयशी ठरले कारण मशीन लर्निंग मॉडेल काय आहे हे कोणालाही समजले नाही किंवा ते वापरण्याचे मूल्य समजू शकले नाही. परिणामी, कोणालाच नको असलेल्या गोष्टीसाठी महिने वाया गेले.

अशा परिस्थितीतून मी काही धडे शिकले आहेत, जे मी खाली देईन.

एक यशस्वी डेटा सायंटिस्ट होण्यासाठी मी शिकलेले धडे

1. योग्य कंपनी निवडून स्वतःला यशासाठी सेट करा.
कंपनीत मुलाखत घेताना, डेटा कल्चर आणि किती मशीन लर्निंग मॉडेल्सचा अवलंब केला जातो आणि निर्णय घेताना वापरला जातो याबद्दल विचारा. उदाहरणे विचारा. मॉडेलिंग सुरू करण्यासाठी तुमची डेटा इन्फ्रास्ट्रक्चर सेट केली आहे का ते शोधा. जर तुम्ही तुमचा 90% वेळ कच्चा डेटा खेचण्याचा आणि तो साफ करण्याचा प्रयत्न करत असाल, तर डेटा सायंटिस्ट म्हणून तुमचे मूल्य दाखवण्यासाठी कोणतेही मॉडेल तयार करण्यासाठी तुमच्याकडे फारसा वेळ उरणार नाही. तुम्हाला प्रथमच डेटा सायंटिस्ट म्हणून नियुक्त केले असल्यास सावधगिरी बाळगा. डेटा कल्चरवर अवलंबून ही चांगली किंवा वाईट गोष्ट असू शकते. कंपनीला या नावाने ओळखले जाऊ इच्छित असल्यामुळे वरिष्ठ व्यवस्थापनाने डेटा सायंटिस्टची नेमणूक केल्यास मॉडेलच्या अंमलबजावणीसाठी तुम्हाला अधिक विरोध होऊ शकतो. चांगले निर्णय घेण्यासाठी डेटा सायन्स वापरणे, पण त्याचा नेमका अर्थ काय आहे याची कल्पना नाही. शिवाय, जर तुम्हाला एखादी कंपनी सापडली जी डेटा आधारित आहे, तर तुम्ही तिच्यासोबत वाढू शकाल.

2. डेटा आणि प्रमुख कार्यप्रदर्शन निर्देशक (KPIs) जाणून घ्या.
सुरुवातीला, मी नमूद केले की डेटा अभियंता म्हणून, मी डेटा वैज्ञानिकांच्या टीमसाठी विश्लेषणात्मक डेटा मार्ट तयार केले. स्वत: डेटा सायंटिस्ट बनल्यानंतर, मी नवीन संधी शोधू शकलो ज्यामुळे मॉडेल्सची अचूकता वाढली कारण मी माझ्या पूर्वीच्या भूमिकेत कच्च्या डेटासह गहनपणे काम केले.

आमच्‍या एका मोहिमेचे परिणाम सादर करून, मी उच्च रूपांतरण दर (टक्केवारी म्‍हणून) व्युत्पन्न करणारे मॉडेल दाखवण्‍यात सक्षम झालो आणि नंतर मोहिमेपैकी एक KPI चे मोजमाप केले. याने व्यावसायिक कामगिरीसाठी मॉडेलचे मूल्य प्रदर्शित केले ज्याशी विपणन जोडले जाऊ शकते.

3. भागधारकांना त्याचे मूल्य दाखवून मॉडेलचा अवलंब करणे सुनिश्चित करा
जर तुमचे भागधारक व्यवसाय निर्णय घेण्यासाठी तुमची मॉडेल्स कधीही वापरत नसतील तर तुम्ही डेटा सायंटिस्ट म्हणून कधीही यशस्वी होणार नाही. मॉडेलचा अवलंब सुनिश्चित करण्याचा एक मार्ग म्हणजे व्यवसायातील वेदना बिंदू शोधणे आणि मॉडेल कशी मदत करू शकते हे दर्शवणे.

आमच्या विक्री कार्यसंघाशी बोलल्यानंतर, मला जाणवले की दोन प्रतिनिधी पूर्णवेळ कंपनीच्या डेटाबेसमधील लाखो वापरकर्त्यांद्वारे मॅन्युअली एकत्रितपणे काम करत आहेत जे एकल परवाने असलेले वापरकर्ते ओळखतात ज्यांना टीम लायसन्समध्ये अपग्रेड होण्याची अधिक शक्यता आहे. निवडीसाठी निकषांचा संच वापरला गेला, परंतु निवडीला बराच वेळ लागला कारण प्रतिनिधींनी एका वेळी एका वापरकर्त्याकडे पाहिले. मी विकसित केलेल्या मॉडेलचा वापर करून, प्रतिनिधी बहुधा संघ परवाना खरेदी करणार्‍या वापरकर्त्यांना लक्ष्य करू शकले आणि कमी वेळेत रूपांतरणाची शक्यता वाढवली. यामुळे विक्री संघ संबंधित प्रमुख कार्यप्रदर्शन निर्देशकांसाठी रूपांतरण दर वाढवून वेळेचा अधिक कार्यक्षम वापर करण्यात आला आहे.

बरीच वर्षे गेली आणि मी तीच मॉडेल्स पुन्हा पुन्हा विकसित केली आणि मला असे वाटले की मी आता काहीही नवीन शिकत नाही. मी दुसरी जागा शोधण्याचा निर्णय घेतला आणि डेटा विश्लेषक म्हणून पद मिळवले. मी डेटा सायंटिस्ट होतो तेव्हाच्या तुलनेत जबाबदाऱ्यांमधील फरक जास्त महत्त्वाचा असू शकत नाही, जरी मी मार्केटिंगला पाठिंबा देत होतो.

मी प्रथमच A/B प्रयोगांचे विश्लेषण केले आणि ते सापडले सर्व ज्या मार्गांनी प्रयोग चुकीचा होऊ शकतो. डेटा सायंटिस्ट म्हणून, मी A/B चाचणीवर अजिबात काम केले नाही कारण ते प्रायोगिक संघासाठी राखीव होते. मी मार्केटिंग-प्रभावित विश्लेषणाच्या विस्तृत श्रेणीवर काम केले आहे - प्रीमियम रूपांतरण दर वाढवण्यापासून ते वापरकर्ता प्रतिबद्धता आणि मंथन प्रतिबंधापर्यंत. मी डेटा पाहण्याचे अनेक मार्ग शिकलो आणि निकाल संकलित करण्यात आणि भागधारक आणि वरिष्ठ व्यवस्थापनास सादर करण्यात बराच वेळ घालवला. डेटा सायंटिस्ट म्हणून, मी बहुतेक एका प्रकारच्या मॉडेलवर काम केले आणि क्वचितच चर्चा केली. एक यशस्वी विश्लेषक होण्यासाठी मी शिकलेल्या कौशल्यांकडे काही वर्षे वेगाने पुढे जा.

एक यशस्वी डेटा विश्लेषक होण्यासाठी मी शिकलेली कौशल्ये

1. डेटासह कथा सांगायला शिका
KPIs कडे एकांतात पाहू नका. त्यांना कनेक्ट करा, संपूर्ण व्यवसायाकडे पहा. हे आपल्याला एकमेकांवर प्रभाव टाकणारी क्षेत्रे ओळखण्यास अनुमती देईल. वरिष्ठ व्यवस्थापन व्यवसायाकडे एका दृष्टीकोनातून पाहतो आणि ज्या व्यक्तीने हे कौशल्य दाखवले आहे ते प्रमोशनचे निर्णय घेण्याची वेळ येते तेव्हा लक्षात येते.

2. कृती करण्यायोग्य कल्पना द्या.
व्यवसाय प्रदान करा प्रभावी कल्पना समस्या सोडवण्यासाठी. तुम्ही मूळ समस्येचा सामना करत आहात असे अद्याप सांगितलेले नसताना तुम्ही सक्रियपणे उपाय ऑफर केल्यास ते अधिक चांगले आहे.

उदाहरणार्थ, तुम्ही मार्केटिंगला सांगितले तर: "माझ्या लक्षात आले आहे की अलीकडे साइट अभ्यागतांची संख्या दर महिन्याला कमी होत आहे.". हा एक ट्रेंड आहे जो डॅशबोर्डवर कदाचित त्यांच्या लक्षात आला असेल आणि तुम्ही विश्लेषक म्हणून कोणतेही मौल्यवान समाधान देऊ केले नाही कारण तुम्ही फक्त निरीक्षण सांगितले आहे.

त्याऐवजी, कारण शोधण्यासाठी डेटा तपासा आणि उपाय सुचवा. विपणनासाठी एक चांगले उदाहरण असेल: “माझ्या लक्षात आले आहे की अलीकडे आमच्या वेबसाइटला भेट देणाऱ्यांची संख्या कमी झाली आहे. मला आढळले की समस्येचा स्त्रोत ऑर्गेनिक शोध आहे, अलीकडील बदलांमुळे आमच्या Google शोध क्रमवारीत घसरण झाली आहे.". हा दृष्टीकोन दर्शवितो की तुम्ही कंपनीच्या KPIs चा मागोवा घेतला, बदल लक्षात घेतला, कारण तपासले आणि समस्येचे निराकरण सुचवले.

3. विश्वासू सल्लागार व्हा
तुम्ही सपोर्ट करत असलेल्या व्यवसायाबद्दल सल्ला किंवा प्रश्नांसाठी तुमचे भागधारक प्रथम व्यक्ती असणे आवश्यक आहे. कोणताही शॉर्टकट नाही कारण या क्षमता दाखवण्यासाठी वेळ लागतो. कमीत कमी त्रुटींसह सातत्याने उच्च-गुणवत्तेचे विश्लेषण करणे ही मुख्य गोष्ट आहे. कोणत्याही चुकीच्या गणनेसाठी तुम्हाला विश्वासार्हतेचे गुण मोजावे लागतील कारण पुढच्या वेळी तुम्ही विश्लेषण देता तेव्हा लोक विचार करू शकतात: जर तुम्ही मागच्या वेळी चुकत असाल तर कदाचित यावेळीही तुम्ही चुकलात?. तुमचे काम नेहमी दोनदा तपासा. तुम्हाला तुमच्या विश्लेषणाबद्दल काही शंका असल्यास तुमच्या मॅनेजर किंवा सहकाऱ्याला तुमचे नंबर सादर करण्यापूर्वी ते पाहण्यास सांगणे देखील दुखापत करत नाही.

4. जटिल परिणाम स्पष्टपणे संप्रेषण करण्यास शिका.
पुन्हा, प्रभावीपणे संवाद कसा साधायचा हे शिकण्यासाठी कोणताही शॉर्टकट नाही. यासाठी सराव करावा लागतो आणि कालांतराने तुम्ही त्यात अधिक चांगले व्हाल. तुम्‍हाला काय करायचे आहे याचे मुख्‍य मुद्दे ओळखणे आणि तुमच्‍या विश्‍लेषणामुळे स्टेकहोल्‍डर व्‍यवसाय सुधारण्‍यासाठी घेऊ शकतील अशा कोणत्याही कृतीची शिफारस करण्‍याची महत्‍त्‍वाची आहे. तुम्ही एखाद्या संस्थेत जितके वरचे आहात तितके तुमचे संवाद कौशल्य अधिक महत्त्वाचे आहे. जटिल परिणामांशी संवाद साधणे हे दाखवण्यासाठी महत्त्वाचे कौशल्य आहे. डेटा सायंटिस्ट आणि डेटा विश्लेषक म्हणून मी यशाची रहस्ये शिकण्यात अनेक वर्षे घालवली. लोक यशाची व्याख्या वेगळ्या पद्धतीने करतात. एक "आश्चर्यकारक" आणि "तारकीय" विश्लेषक म्हणून वर्णन करणे हे माझ्या दृष्टीने यश आहे. आता तुम्हाला ही रहस्ये माहित आहेत, मला आशा आहे की तुमचा मार्ग तुम्हाला यशाकडे नेईल, तरीही तुम्ही ते परिभाषित केले आहे.

आणि तुमचा यशाचा मार्ग आणखी जलद करण्यासाठी, प्रोमो कोड ठेवा HABR, ज्याद्वारे तुम्ही बॅनरवर दर्शविलेल्या सवलतीवर अतिरिक्त 10% मिळवू शकता.

• डेटा सायन्स ऑनलाइन बूटकॅम्प
• सुरवातीपासून डेटा विश्लेषक या व्यवसायाचे प्रशिक्षण
• डेटा विश्लेषण ऑनलाइन बूटकॅम्प
• डेटा सायन्सचा व्यवसाय सुरवातीपासून शिकवणे
• वेब डेव्हलपमेंट कोर्ससाठी पायथन

अधिक अभ्यासक्रम

• डेटा विश्लेषण अभ्यासक्रम
• DevOps कोर्स
• प्रोफेशन वेब डेव्हलपर
• व्यवसाय iOS विकासक सुरवातीपासून
• सुरवातीपासून प्रोफेशन अँड्रॉइड डेव्हलपर
• प्रोफेशन जावा डेव्हलपर सुरवातीपासून
• जावास्क्रिप्ट कोर्स
• मशीन लर्निंग कोर्स
• कोर्स "डेटा सायन्ससाठी गणित आणि मशीन लर्निंग"
• प्रगत अभ्यासक्रम "मशीन लर्निंग प्रो + डीप लर्निंग"

वैशिष्ट्यीकृत लेख

• ऑनलाइन अभ्यासक्रमांशिवाय डेटा सायंटिस्ट कसे व्हावे
• 450 मोफत आयव्ही लीग अभ्यासक्रम
• सलग 5 महिने आठवड्यातून 9 दिवस मशीन लर्निंगचा अभ्यास कसा करायचा
• डेटा विश्लेषक किती कमावतो: 2020 मध्ये रशिया आणि परदेशात पगार आणि रिक्त पदांचे विहंगावलोकन
• खाण उद्योगात मशीन लर्निंग आणि कॉम्प्युटर व्हिजन

स्त्रोत: www.habr.com