{"id":98221,"date":"2020-10-25T02:42:25","date_gmt":"2020-10-25T00:42:25","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh"},"modified":"2020-11-18T00:58:46","modified_gmt":"2020-11-17T22:58:46","slug":"kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","status":"publish","type":"post","link":"https:\/\/prohoster.info\/nl\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Hoe een succesvolle data scientist en data-analist te worden","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Hoe<\/a><\/noindex>
\nEr zijn veel artikelen over de vaardigheden die nodig zijn om een goede data scientist of data-analist te zijn, maar in slechts enkele artikelen wordt geschreven over de vaardigheden die nodig zijn voor succes \u2014 of het nu gaat om uitmuntende evaluaties, lof van het management, promoties of al het bovenstaande. Vandaag presenteren we u een stuk waarin de auteur graag haar persoonlijke ervaringen als data scientist en data-analist deelt, evenals wat ze heeft geleerd om succesvol te zijn.
\n<\/a><\/noindex><\/p>\n

Ik had geluk: ik kreeg een aanbod voor de functie van data scientist toen ik helemaal geen ervaring had in Data Science. Hoe ik deze uitdaging aanging, is een ander verhaal, en ik wil zeggen dat ik slechts een vage notie had van wat een data scientist doet voordat ik deze baan aanvaardde. <\/p>\n

Ik werd aangenomen om data pipelines op te zetten vanwege mijn eerdere werk als data engineer, waar ik een datavitrine ontwikkelde voor voorspellende analyses, gebruikt door een team van data scientists. <\/p>\n

Mijn eerste jaar als data scientist bestond uit het cre\u00ebren van data pipelines voor het trainen van machine learning modellen en het implementeren ervan in de productie. Ik hield me op de achtergrond en nam niet deel aan veel vergaderingen met belanghebbenden in marketing, die de eindgebruikers van de modellen waren. <\/p>\n

In mijn tweede jaar bij het bedrijf vertrok de manager van data verwerking en analyse verantwoordelijk voor marketing. Sindsdien ben ik de belangrijkste speler geworden en nam ik een actievere rol in de ontwikkeling van modellen en het bespreken van projectdeadlines.<\/p>\n

Tijdens mijn communicatie met belanghebbenden realiseerde ik me dat Data Science een vaag concept is dat mensen wel gehoord hebben, maar niet goed begrijpen, vooral onder het hogere management.<\/p><\/blockquote>\n

\nIk heb meer dan honderd modellen gebouwd, maar slechts een derde van hen werd gebruikt omdat ik niet wist hoe ik hun waarde moest demonstreren, ondanks dat de modellen oorspronkelijk door de marketing waren aangevraagd. <\/p>\n

Een van de leden van mijn team heeft maanden besteed aan het ontwikkelen van een model dat, volgens het hoger management, de waarde van het data-science team zou demonstreren. Het idee was om dit model na de ontwikkeling door de hele organisatie toe te passen en marketingteams aan te moedigen het te gebruiken.<\/p>\n

Dit eindigde in een complete mislukking omdat niemand begreep wat een machine learning model was en niemand de waarde ervan kon inzien. Uiteindelijk zijn er maanden verspild aan iets waar niemand op zat te wachten.<\/p><\/blockquote>\n

\nUit zulke situaties heb ik bepaalde lessen geleerd die ik hieronder zal uiteenzetten.<\/p>\n

Lessen die ik heb geleerd om een succesvolle data scientist te worden<\/h2>\n

\n1. Stel jezelf in op succes door het juiste bedrijf te kiezen.<\/b>
\nVraag tijdens een sollicitatiegesprek bij het bedrijf naar de datacultuur en hoeveel machine learning modellen er worden opgesteld en gebruikt voor besluitvorming. Vraag om voorbeelden. Ontdek of de data-infrastructuur klaar is voor modellering. Als je 90% van je tijd besteedt aan het extraheren en opschonen van ruwe data, blijft er nauwelijks tijd over om modellen te bouwen die je waarde als data scientist kunnen tonen. Wees voorzichtig als je voor het eerst als data scientist wordt aangenomen. Dit kan zowel goed als slecht zijn, afhankelijk van de datacultuur. Je kunt veel weerstand ondervinden bij het implementeren van een model als het hoger management een data scientist inhuurt alleen omdat het bedrijf bekend wil staan als een bedrijf dat Data Science gebruikt om betere beslissingen te nemen<\/i>, maar niet begrijpt wat dit daadwerkelijk betekent. Bovendien, als je een bedrijf vindt dat data-gedreven is, zul je samen met hen groeien.<\/p>\n

2. Ken de data en de kernprestatie-indicatoren (KPI's).<\/b>
\nIn het begin heb ik vermeld dat ik als data engineer een analytics data mart heb gemaakt voor het data-science team. Nu ik zelf data scientist ben, heb ik nieuwe kansen gevonden die de nauwkeurigheid van modellen hebben verhoogd, omdat ik intensief met ruwe data werkte in mijn vorige functie. <\/p>\n

Door de resultaten van een van onze campagnes te presenteren, kon ik modellen tonen die hogere conversiepercentages genereren, waarna een van de KPI-campagnes werd gemeten. Dit toonde de waarde van het model voor de effectiviteit van het bedrijf aan, waarmee het marketing kan worden geassocieerd.<\/p>\n

3. Zorg voor acceptatie van het model door de waarde ervan aan belanghebbenden te laten zien.<\/b>
\nJe zult nooit succesvol zijn als specialist in Data Science als belanghebbenden je modellen nooit gebruiken voor het nemen van zakelijke beslissingen. Een manier om acceptatie van het model te waarborgen, is door een pijnpunt in het bedrijf te vinden en te laten zien hoe het model kan helpen. <\/p>\n

Na een gesprek met onze verkoopafdeling realiseerde ik me dat twee vertegenwoordigers fulltime handmatig miljoenen gebruikers in de bedrijfsdatabase doorzochten om gebruikers met enkele licenties te identificeren die waarschijnlijk over zouden stappen naar teamlicenties. Er werd een set criteria gebruikt voor de selectie, maar het proces kostte veel tijd omdat vertegenwoordigers gebruiker voor gebruiker moesten doorlopen. Met het model dat ik heb ontwikkeld, konden vertegenwoordigers gebruikers kiezen met de grootste kans op aankoop van een teamlicentie, waardoor de conversiekans in minder tijd toenam. Dit leidde tot een effici\u00ebnter gebruik van tijd door de conversieratio's voor de KPI's waarop de verkoopafdeling betrekking kan hebben, te verhogen.<\/p>\n

Jaren gingen voorbij en ik ontwikkelde herhaaldelijk dezelfde modellen, en voelde dat ik niets nieuws meer leerde. Ik besloot naar een andere functie te zoeken en kreeg uiteindelijk een functie als data-analist. Het verschil in verantwoordelijkheden kon niet groter zijn dan in de tijd dat ik data scientist was, ook al ondersteunde ik het marketingteam weer.<\/p>\n

Dit was de eerste keer dat ik A\/B-experimenten analyseerde en ontdekte all<\/i> manieren waarop een experiment mis kan gaan. Als data scientist heb ik helemaal niet gewerkt aan A\/B-testen, omdat dat was gereserveerd voor het team van experimentatoren. Ik heb gewerkt aan een breed scala van analytische onderzoeken die door marketing werden be\u00efnvloed - van het verhogen van de premium conversieratio tot het betrekken van gebruikers en het voorkomen van churn. Ik heb veel verschillende manieren van datavisualisatie geleerd en veel tijd besteed aan het compileren van resultaten, het presenteren aan belanghebbenden en het topmanagement. Als data scientist werkte ik voornamelijk aan \u00e9\u00e9n type model en gaf ik zelden presentaties. Laten we een paar jaar vooruitspoelen en kijken naar de vaardigheden die ik heb geleerd om een succesvolle analist te zijn.<\/p>\n

Vaardigheden die ik heb geleerd om een succesvolle data-analist te worden<\/h2>\n

\n1. Leer verhalen vertellen met gegevens<\/b>
\nKijk niet naar KPI's afzonderlijk. Koppel ze aan elkaar en bekijk het bedrijf als geheel. Dit helpt om onderling be\u00efnvloedbare gebieden te identificeren. Het topmanagement bekijkt het bedrijf door een bepaalde lens, en iemand die deze vaardigheid demonstreert, valt op wanneer het tijd is voor beslissingen over promoties.<\/p>\n

2. Bied uitvoerbare inzichten<\/b>
\nBied het bedrijf een uitvoerbaar idee<\/i> om een probleem op te lossen. Nog beter is het als je proactief een oplossing aanbiedt zelfs voordat is aangegeven dat je met een prioritair probleem te maken hebt. <\/p>\n

Bijvoorbeeld, als je tegen marketing zou zeggen: \"Ik heb opgemerkt dat het aantal websitebezoekers de laatste tijd maandelijks afneemt\"<\/i>. Dit is een trend die zij misschien op het dashboard hebben opgemerkt en je zou geen waardevolle oplossing hebben aangeboden als analist, omdat je alleen een observatie hebt gedaan. <\/p>\n

In plaats daarvan, onderzoek de gegevens om de oorzaak te vinden en een oplossing voor te stellen. Een beter voorbeeld voor marketing zou zijn: \"Ik heb opgemerkt dat het aantal bezoekers op onze website de laatste tijd is afgenomen. Ik ontdekte dat de oorzaak van het probleem het organische zoekverkeer is, door recente wijzigingen die ons Google-rangschikking hebben doen dalen\"<\/i>. Deze benadering toont aan dat je de KPI's van het bedrijf hebt gevolgd, een verandering hebt opgemerkt, de oorzaak hebt onderzocht en een oplossing voor het probleem hebt voorgesteld.<\/p>\n

3. Word een betrouwbare adviseur<\/b>
\nWordt de eerste persoon waarmee uw belanghebbenden contact opnemen voor aanbevelingen of vragen over uw vakgebied. Er zijn geen shortcuts, want het vergt tijd om deze vaardigheden te demonstreren. De sleutel is het consistent leveren van hoogwaardige analyses met een minimaal aantal fouten. Elke fout in uw berekeningen kost u vertrouwen, omdat mensen de volgende keer dat u een analyse levert, zich misschien afvragen: Als u de vorige keer ongelijk had, misschien bent u deze keer ook verkeerd?<\/i>. Controleer altijd uw werk tweemaal. Het kan ook helpen om uw manager of collega uw cijfers te laten bekijken voordat u ze presenteert, als u twijfels heeft over uw analyse.<\/p>\n

4. Leer complexe resultaten duidelijk over te brengen<\/b>
\nOpnieuw, er zijn geen shortcuts om effectieve communicatie te leren. Het vereist oefening, en na verloop van tijd zult u beter worden. Het belangrijkste is om de kernpunten te identificeren van wat u wilt bereiken, en aan te bevelen welke acties belanghebbenden kunnen ondernemen op basis van uw analyse om het bedrijf te verbeteren. Hoe hoger u in de organisatie staat, des te belangrijker is communicatieve vaardigheden. Het overbrengen van complexe resultaten is een cruciale vaardigheid die u moet demonstreren. Ik heb jaren besteed aan het leren van de geheimen van succes als data scientist en data-analist. Mensen defini\u00ebren succes op verschillende manieren. De feedback 'geweldig' en 'sterke' analist krijgen - dat is succes in mijn ogen. Nu, nu u deze geheimen kent, hoop ik dat uw pad u sneller naar succes leidt, hoe u het ook definieert.<\/p>\n

Om uw pad naar succes nog sneller te maken, gebruik de promotiecode HABR<\/b>, waarmee u extra 10% korting krijgt op de korting die op de banner staat.<\/p>\n

\"Hoe<\/a><\/noindex><\/p>\n