Er zijn veel artikelen over de vaardigheden die nodig zijn om een goede datawetenschapper of data-analist te zijn, maar weinig artikelen gaan over de vaardigheden die nodig zijn om te slagen – of het nu gaat om een uitzonderlijke prestatiebeoordeling, lof van het management, een promotie of al het bovenstaande. Vandaag presenteren we u materiaal waarvan de auteur graag haar persoonlijke ervaringen als datawetenschapper en data-analist wil delen, evenals wat ze heeft geleerd om succes te behalen.
Ik had geluk: ik kreeg de functie van datawetenschapper aangeboden toen ik geen ervaring had met Data Science. Hoe ik de taak heb aangepakt is een ander verhaal, en ik wil zeggen dat ik slechts een vaag idee had van wat een datawetenschapper doet voordat ik de baan aannam.
Ik werd aangenomen om aan datapipelines te werken vanwege mijn vorige baan als data-ingenieur, waar ik een datamart voor voorspellende analyses ontwikkelde die door een groep datawetenschappers werd gebruikt.
Mijn eerste jaar als datawetenschapper bestond uit het creëren van datapijplijnen om machine learning-modellen te trainen en in productie te nemen. Ik bleef onopvallend en nam niet deel aan veel bijeenkomsten met de marketingstakeholders die de eindgebruikers van de modellen waren.
In het tweede jaar van mijn werk bij het bedrijf vertrok de manager gegevensverwerking en analyse die verantwoordelijk was voor marketing. Vanaf dat moment werd ik de hoofdrolspeler en nam ik actiever deel aan het ontwikkelen van modellen en het bespreken van projectdeadlines.
Tijdens mijn interactie met belanghebbenden realiseerde ik me dat Data Science een vaag concept is waar mensen wel eens van gehoord hebben, maar niet helemaal begrijpen, vooral op senior managementniveau.
Ik heb meer dan honderd modellen gebouwd, maar slechts een derde daarvan werd gebruikt omdat ik niet wist hoe ik de waarde ervan kon aantonen, ook al werden de modellen vooral door marketing gevraagd.
Een van mijn teamleden heeft maandenlang een model ontwikkeld waarvan het senior management dacht dat het de waarde van een data science-team zou aantonen. Het idee was om het model, zodra het ontwikkeld was, door de hele organisatie te verspreiden en marketingteams aan te moedigen het te adopteren.
Het bleek een complete mislukking omdat niemand begreep wat een machine learning-model was of de waarde van het gebruik ervan kon begrijpen. Als gevolg hiervan werden maanden verspild aan iets dat niemand wilde.
Uit dergelijke situaties heb ik bepaalde lessen geleerd, die ik hieronder zal geven.
Lessen die ik heb geleerd om een succesvolle datawetenschapper te worden
1. Zorg voor succes door het juiste bedrijf te kiezen.
Vraag tijdens sollicitatiegesprekken bij een bedrijf naar de datacultuur en hoeveel machine learning-modellen er worden toegepast en gebruikt bij de besluitvorming. Vraag om voorbeelden. Ontdek of uw data-infrastructuur is ingesteld om te beginnen met modelleren. Als je 90% van je tijd besteedt aan het verzamelen van ruwe data en het opschonen ervan, zul je weinig tot geen tijd meer hebben om modellen te bouwen die jouw waarde als datawetenschapper aantonen. Wees voorzichtig als je voor de eerste keer als datawetenschapper wordt aangenomen. Dit kan een goede of een slechte zaak zijn, afhankelijk van de datacultuur. Het kan zijn dat u meer weerstand ondervindt tegen de implementatie van het model als het senior management een datawetenschapper inhuurt alleen maar omdat het bedrijf bekend wil staan Data Science gebruiken om betere beslissingen te nemen, maar heeft geen idee wat het eigenlijk betekent. En als u een bedrijf vindt dat datagedreven is, groeit u mee.
2. Ken de gegevens en de belangrijkste prestatie-indicatoren (KPI's).
In het begin vertelde ik dat ik als data-ingenieur een analytische datamart creëerde voor een team van datawetenschappers. Omdat ik zelf datawetenschapper ben geworden, kon ik nieuwe mogelijkheden vinden die de nauwkeurigheid van modellen vergrootten, omdat ik in mijn vorige rol intensief met ruwe data werkte.
Door de resultaten van een van onze campagnes te presenteren, kon ik laten zien welke modellen hogere conversiepercentages genereerden (als percentage) en vervolgens een van de campagne-KPI's meten. Dit toonde de waarde aan van het model voor bedrijfsprestaties waaraan marketing kan worden gekoppeld.
3. Zorg voor adoptie van het model door de waarde ervan aan belanghebbenden te demonstreren
U zult nooit slagen als datawetenschapper als uw belanghebbenden uw modellen nooit gebruiken om zakelijke beslissingen te nemen. Eén manier om ervoor te zorgen dat het model wordt geaccepteerd, is door een zakelijk pijnpunt te vinden en te laten zien hoe het model kan helpen.
Nadat ik met ons verkoopteam had gesproken, realiseerde ik me dat twee vertegenwoordigers fulltime bezig waren met het handmatig doorzoeken van de miljoenen gebruikers in de database van het bedrijf om gebruikers met enkele licenties te identificeren die waarschijnlijk zouden upgraden naar teamlicenties. Bij de selectie werd gebruik gemaakt van een reeks criteria, maar de selectie duurde lang omdat de vertegenwoordigers naar één gebruiker tegelijk keken. Met behulp van het model dat ik heb ontwikkeld, konden vertegenwoordigers zich richten op gebruikers die het meest waarschijnlijk een teamlicentie zouden kopen en de kans op conversie in minder tijd vergroten. Dit heeft geresulteerd in een efficiënter gebruik van tijd door het verhogen van de conversiepercentages voor belangrijke prestatie-indicatoren waar het verkoopteam zich mee kan identificeren.
Er gingen enkele jaren voorbij en ik ontwikkelde steeds opnieuw dezelfde modellen en had het gevoel dat ik niets nieuws meer leerde. Ik besloot een andere baan te zoeken en kreeg uiteindelijk een baan als data-analist. Het verschil in verantwoordelijkheden had niet groter kunnen zijn dan toen ik datawetenschapper was, ook al ondersteunde ik weer marketing.
Dit was de eerste keer dat ik A/B-experimenten analyseerde en ontdekte alle manieren waarop een experiment fout kan gaan. Als datawetenschapper heb ik helemaal niet aan A/B-testen gewerkt omdat dit voorbehouden was aan het experimentele team. Ik heb gewerkt aan een breed scala aan marketinggerelateerde analyses - van het verhogen van de conversiepercentages van premiums tot gebruikersbetrokkenheid en het voorkomen van klantverloop. Ik heb veel verschillende manieren geleerd om naar data te kijken en heb veel tijd besteed aan het verzamelen van de resultaten en het presenteren ervan aan belanghebbenden en het senior management. Als datawetenschapper werkte ik meestal aan één type model en gaf ik zelden lezingen. Een paar jaar later zien we de vaardigheden die ik heb geleerd om een succesvolle analist te zijn.
Vaardigheden die ik heb geleerd om een succesvolle data-analist te worden
1. Leer verhalen vertellen met data
Bekijk KPI’s niet geïsoleerd. Verbind ze, kijk naar het bedrijf als geheel. Hierdoor kun je gebieden identificeren die elkaar beïnvloeden. Het senior management bekijkt het bedrijf door een lens, en iemand die deze vaardigheid demonstreert, wordt opgemerkt als het tijd is om promotiebeslissingen te nemen.
2. Zorg voor bruikbare ideeën.
Zorg voor zaken effectief idee het probleem oplossen. Nog beter is het als je proactief een oplossing aanbiedt terwijl nog niet is gezegd dat je met het onderliggende probleem te maken hebt.
Als u bijvoorbeeld tegen marketing zegt: “Ik merkte dat het aantal sitebezoekers de laatste tijd elke maand afneemt.”. Dit is een trend die ze misschien op het dashboard hebben opgemerkt en je hebt als analist geen waardevolle oplossing geboden omdat je alleen de observatie hebt vermeld.
Onderzoek in plaats daarvan de gegevens om de oorzaak te vinden en een oplossing voor te stellen. Een beter voorbeeld voor marketing zou zijn: “Ik merk dat we de laatste tijd een daling zien in het aantal bezoekers op onze website. Ik ontdekte dat de oorzaak van het probleem de organische zoekresultaten zijn, als gevolg van recente veranderingen die ervoor hebben gezorgd dat onze zoekresultaten in Google zijn gedaald.". Deze aanpak laat zien dat je de KPI's van het bedrijf hebt gevolgd, de verandering hebt opgemerkt, de oorzaak hebt onderzocht en een oplossing voor het probleem hebt voorgesteld.
3. Word een vertrouwde adviseur
U moet de eerste persoon zijn bij wie uw stakeholders zich wenden voor advies of vragen over het bedrijf dat u ondersteunt. Er is geen kortere weg omdat het tijd kost om deze vaardigheden te demonstreren. De sleutel hiervoor is het consistent leveren van analyses van hoge kwaliteit met minimale fouten. Elke misrekening kost u geloofwaardigheidspunten, omdat mensen zich de volgende keer dat u een analyse geeft, zich afvragen: Als je de vorige keer ongelijk had, heb je het deze keer misschien ook mis?. Controleer altijd uw werk. Het kan ook geen kwaad om uw manager of collega te vragen uw cijfers te bekijken voordat u ze presenteert, als u twijfels heeft over uw analyse.
4. Leer complexe resultaten duidelijk communiceren.
Nogmaals, er is geen kortere weg om effectief te leren communiceren. Dit vergt oefening en na verloop van tijd zul je er beter in worden. De sleutel is om de belangrijkste punten te identificeren van wat u wilt doen en eventuele acties aan te bevelen die, als resultaat van uw analyse, belanghebbenden kunnen ondernemen om het bedrijf te verbeteren. Hoe hoger je in een organisatie staat, hoe belangrijker je communicatieve vaardigheden zijn. Het communiceren van complexe resultaten is een belangrijke vaardigheid om te demonstreren. Ik heb jaren besteed aan het leren van de geheimen van succes als datawetenschapper en data-analist. Mensen definiëren succes anders. Om omschreven te worden als een ‘geweldige’ en ‘geweldige’ analist is in mijn ogen succes. Nu je deze geheimen kent, hoop ik dat jouw pad je snel naar succes zal leiden, hoe je het ook definieert.
En om uw weg naar succes nog sneller te maken, behoudt u de promotiecode HABR, waarmee u 10% extra kunt krijgen bovenop de korting die op de banner staat aangegeven.
Meer cursussen
Aanbevolen artikelen
Bron: www.habr.com