ਇੱਕ ਸਫਲ ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਕਿਵੇਂ ਬਣਨਾ ਹੈ

ਇੱਕ ਚੰਗੇ ਡੇਟਾ ਵਿਗਿਆਨੀ ਜਾਂ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਬਣਨ ਲਈ ਲੋੜੀਂਦੇ ਹੁਨਰਾਂ ਬਾਰੇ ਬਹੁਤ ਸਾਰੇ ਲੇਖ ਹਨ, ਪਰ ਕੁਝ ਲੇਖ ਸਫਲ ਹੋਣ ਲਈ ਲੋੜੀਂਦੇ ਹੁਨਰਾਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ-ਭਾਵੇਂ ਇਹ ਇੱਕ ਬੇਮਿਸਾਲ ਪ੍ਰਦਰਸ਼ਨ ਸਮੀਖਿਆ, ਪ੍ਰਬੰਧਨ ਦੁਆਰਾ ਪ੍ਰਸ਼ੰਸਾ, ਇੱਕ ਤਰੱਕੀ, ਜਾਂ ਉਪਰੋਕਤ ਸਾਰੇ ਹਨ। ਅੱਜ ਅਸੀਂ ਤੁਹਾਡੇ ਲਈ ਇੱਕ ਅਜਿਹੀ ਸਮੱਗਰੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜਿਸਦੀ ਲੇਖਕ ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਦੇ ਰੂਪ ਵਿੱਚ ਆਪਣਾ ਨਿੱਜੀ ਅਨੁਭਵ ਸਾਂਝਾ ਕਰਨਾ ਚਾਹੇਗੀ, ਨਾਲ ਹੀ ਉਸਨੇ ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕੀ ਸਿੱਖਿਆ ਹੈ।

ਮੈਂ ਖੁਸ਼ਕਿਸਮਤ ਸੀ: ਮੈਨੂੰ ਡੇਟਾ ਵਿਗਿਆਨੀ ਦੀ ਸਥਿਤੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਗਈ ਸੀ ਜਦੋਂ ਮੇਰੇ ਕੋਲ ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ ਕੋਈ ਅਨੁਭਵ ਨਹੀਂ ਸੀ। ਮੈਂ ਕੰਮ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਿਆ ਇਹ ਇੱਕ ਵੱਖਰੀ ਕਹਾਣੀ ਹੈ, ਅਤੇ ਮੈਂ ਇਹ ਕਹਿਣਾ ਚਾਹੁੰਦਾ ਹਾਂ ਕਿ ਮੇਰੇ ਕੋਲ ਸਿਰਫ ਇੱਕ ਅਸਪਸ਼ਟ ਵਿਚਾਰ ਸੀ ਕਿ ਮੈਂ ਨੌਕਰੀ ਲੈਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨੀ ਕੀ ਕਰਦਾ ਹੈ.

ਇੱਕ ਡੇਟਾ ਇੰਜੀਨੀਅਰ ਵਜੋਂ ਮੇਰੀ ਪਿਛਲੀ ਨੌਕਰੀ ਦੇ ਕਾਰਨ ਮੈਨੂੰ ਡੇਟਾ ਪਾਈਪਲਾਈਨਾਂ 'ਤੇ ਕੰਮ ਕਰਨ ਲਈ ਨਿਯੁਕਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿੱਥੇ ਮੈਂ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੇ ਇੱਕ ਸਮੂਹ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਭਵਿੱਖਬਾਣੀ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਡੇਟਾ ਮਾਰਟ ਵਿਕਸਤ ਕੀਤਾ ਸੀ।

ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨੀ ਵਜੋਂ ਮੇਰਾ ਪਹਿਲਾ ਸਾਲ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਉਤਪਾਦਨ ਵਿੱਚ ਲਿਆਉਣ ਲਈ ਡੇਟਾ ਪਾਈਪਲਾਈਨਾਂ ਬਣਾਉਣਾ ਸ਼ਾਮਲ ਸੀ। ਮੈਂ ਇੱਕ ਘੱਟ ਪ੍ਰੋਫਾਈਲ ਰੱਖਿਆ ਅਤੇ ਮਾਰਕੀਟਿੰਗ ਹਿੱਸੇਦਾਰਾਂ ਨਾਲ ਬਹੁਤ ਸਾਰੀਆਂ ਮੀਟਿੰਗਾਂ ਵਿੱਚ ਹਿੱਸਾ ਨਹੀਂ ਲਿਆ ਜੋ ਮਾਡਲਾਂ ਦੇ ਅੰਤਮ ਉਪਭੋਗਤਾ ਸਨ.

ਕੰਪਨੀ ਵਿੱਚ ਮੇਰੇ ਕੰਮ ਦੇ ਦੂਜੇ ਸਾਲ ਵਿੱਚ, ਮਾਰਕੀਟਿੰਗ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਮੈਨੇਜਰ ਨੇ ਛੱਡ ਦਿੱਤਾ. ਉਦੋਂ ਤੋਂ, ਮੈਂ ਮੁੱਖ ਖਿਡਾਰੀ ਬਣ ਗਿਆ ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸਮਾਂ-ਸੀਮਾ 'ਤੇ ਚਰਚਾ ਕਰਨ ਵਿੱਚ ਵਧੇਰੇ ਸਰਗਰਮ ਹਿੱਸਾ ਲਿਆ।

ਜਿਵੇਂ ਕਿ ਮੈਂ ਸਟੇਕਹੋਲਡਰਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕੀਤੀ, ਮੈਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਡੇਟਾ ਸਾਇੰਸ ਇੱਕ ਅਸਪਸ਼ਟ ਸੰਕਲਪ ਹੈ ਜਿਸ ਬਾਰੇ ਲੋਕਾਂ ਨੇ ਸੁਣਿਆ ਹੈ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਸਮਝਦੇ, ਖਾਸ ਕਰਕੇ ਸੀਨੀਅਰ ਪ੍ਰਬੰਧਨ ਪੱਧਰ 'ਤੇ।

ਮੈਂ ਸੌ ਤੋਂ ਵੱਧ ਮਾਡਲ ਬਣਾਏ, ਪਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ ਇੱਕ ਤਿਹਾਈ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਕਿਉਂਕਿ ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ ਸੀ ਕਿ ਉਹਨਾਂ ਦੀ ਕੀਮਤ ਕਿਵੇਂ ਦਿਖਾਉਣੀ ਹੈ, ਭਾਵੇਂ ਕਿ ਮਾਡਲਾਂ ਦੀ ਮੁੱਖ ਤੌਰ 'ਤੇ ਮਾਰਕੀਟਿੰਗ ਦੁਆਰਾ ਬੇਨਤੀ ਕੀਤੀ ਗਈ ਸੀ।

ਮੇਰੀ ਟੀਮ ਦੇ ਇੱਕ ਮੈਂਬਰ ਨੇ ਇੱਕ ਮਾਡਲ ਵਿਕਸਤ ਕਰਨ ਵਿੱਚ ਮਹੀਨੇ ਬਿਤਾਏ ਜੋ ਸੀਨੀਅਰ ਪ੍ਰਬੰਧਨ ਨੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨ ਟੀਮ ਦੇ ਮੁੱਲ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਹੋਵੇਗਾ। ਇਹ ਵਿਚਾਰ ਇੱਕ ਵਾਰ ਸੰਸਥਾ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਤੋਂ ਬਾਅਦ ਫੈਲਾਉਣਾ ਸੀ ਅਤੇ ਮਾਰਕੀਟਿੰਗ ਟੀਮਾਂ ਨੂੰ ਇਸਨੂੰ ਅਪਣਾਉਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਨਾ ਸੀ।

ਇਹ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਸਫਲ ਸਾਬਤ ਹੋਇਆ ਕਿਉਂਕਿ ਕੋਈ ਵੀ ਇਹ ਨਹੀਂ ਸਮਝ ਸਕਿਆ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਕੀ ਹੈ ਜਾਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੀਮਤ ਨੂੰ ਸਮਝ ਸਕਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਮਹੀਨੇ ਉਸ ਚੀਜ਼ 'ਤੇ ਬਰਬਾਦ ਹੋ ਗਏ ਜੋ ਕੋਈ ਨਹੀਂ ਚਾਹੁੰਦਾ ਸੀ.

ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਤੋਂ ਮੈਂ ਕੁਝ ਸਬਕ ਸਿੱਖੇ ਹਨ, ਜੋ ਮੈਂ ਹੇਠਾਂ ਦੇਵਾਂਗਾ।

ਸਬਕ ਜੋ ਮੈਂ ਇੱਕ ਸਫਲ ਡੇਟਾ ਵਿਗਿਆਨੀ ਬਣਨ ਲਈ ਸਿੱਖੇ

1. ਸਹੀ ਕੰਪਨੀ ਦੀ ਚੋਣ ਕਰਕੇ ਆਪਣੇ ਆਪ ਨੂੰ ਸਫਲਤਾ ਲਈ ਸੈੱਟ ਕਰੋ।
ਕਿਸੇ ਕੰਪਨੀ ਵਿੱਚ ਇੰਟਰਵਿਊ ਕਰਦੇ ਸਮੇਂ, ਡੇਟਾ ਕਲਚਰ ਬਾਰੇ ਪੁੱਛੋ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਕਿੰਨੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਅਪਣਾਇਆ ਅਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਣਾਂ ਲਈ ਪੁੱਛੋ। ਪਤਾ ਕਰੋ ਕਿ ਕੀ ਤੁਹਾਡਾ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਮਾਡਲਿੰਗ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਸੈੱਟਅੱਪ ਕੀਤਾ ਗਿਆ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਆਪਣਾ 90% ਸਮਾਂ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਖਿੱਚਣ ਅਤੇ ਇਸਨੂੰ ਸਾਫ਼ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ ਬਿਤਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨੀ ਦੇ ਰੂਪ ਵਿੱਚ ਆਪਣੇ ਮੁੱਲ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਕੋਈ ਵੀ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਬਹੁਤ ਘੱਟ ਸਮਾਂ ਬਚੇਗਾ। ਸਾਵਧਾਨ ਰਹੋ ਜੇਕਰ ਤੁਹਾਨੂੰ ਪਹਿਲੀ ਵਾਰ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਵਜੋਂ ਨਿਯੁਕਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਡਾਟਾ ਕਲਚਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਇਹ ਚੰਗੀ ਜਾਂ ਬੁਰੀ ਚੀਜ਼ ਹੋ ਸਕਦੀ ਹੈ। ਤੁਹਾਨੂੰ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਵਧੇਰੇ ਵਿਰੋਧ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਸਕਦਾ ਹੈ ਜੇਕਰ ਸੀਨੀਅਰ ਪ੍ਰਬੰਧਨ ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਸਿਰਫ਼ ਇਸ ਲਈ ਨਿਯੁਕਤ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਕੰਪਨੀ ਉਸ ਵਜੋਂ ਜਾਣੀ ਜਾਂਦੀ ਹੈ ਬਿਹਤਰ ਫੈਸਲੇ ਲੈਣ ਲਈ ਡੇਟਾ ਸਾਇੰਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਪਰ ਇਸਦਾ ਅਸਲ ਵਿੱਚ ਮਤਲਬ ਕੀ ਹੈ ਇਸਦਾ ਕੋਈ ਪਤਾ ਨਹੀਂ ਹੈ। ਨਾਲ ਹੀ, ਜੇਕਰ ਤੁਹਾਨੂੰ ਕੋਈ ਅਜਿਹੀ ਕੰਪਨੀ ਮਿਲਦੀ ਹੈ ਜੋ ਡੇਟਾ ਦੁਆਰਾ ਚਲਾਈ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਸਦੇ ਨਾਲ ਵਧੋਗੇ.

2. ਡੇਟਾ ਅਤੇ ਮੁੱਖ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂ (KPIs) ਨੂੰ ਜਾਣੋ।
ਸ਼ੁਰੂ ਵਿੱਚ, ਮੈਂ ਦੱਸਿਆ ਕਿ ਇੱਕ ਡੇਟਾ ਇੰਜੀਨੀਅਰ ਵਜੋਂ, ਮੈਂ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੀ ਇੱਕ ਟੀਮ ਲਈ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਡੇਟਾ ਮਾਰਟ ਬਣਾਇਆ ਹੈ। ਆਪਣੇ ਆਪ ਵਿੱਚ ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨੀ ਬਣਨ ਤੋਂ ਬਾਅਦ, ਮੈਂ ਨਵੇਂ ਮੌਕੇ ਲੱਭਣ ਦੇ ਯੋਗ ਸੀ ਜੋ ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ ਕਿਉਂਕਿ ਮੈਂ ਆਪਣੀ ਪਿਛਲੀ ਭੂਮਿਕਾ ਵਿੱਚ ਕੱਚੇ ਡੇਟਾ ਦੇ ਨਾਲ ਤੀਬਰਤਾ ਨਾਲ ਕੰਮ ਕੀਤਾ ਸੀ।

ਸਾਡੀ ਇੱਕ ਮੁਹਿੰਮ ਦੇ ਨਤੀਜੇ ਪੇਸ਼ ਕਰਕੇ, ਮੈਂ ਉੱਚ ਪਰਿਵਰਤਨ ਦਰਾਂ (ਪ੍ਰਤੀਸ਼ਤ ਵਜੋਂ) ਪੈਦਾ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਦਿਖਾਉਣ ਦੇ ਯੋਗ ਸੀ ਅਤੇ ਫਿਰ ਇੱਕ ਮੁਹਿੰਮ KPIs ਨੂੰ ਮਾਪਿਆ. ਇਸ ਨੇ ਵਪਾਰਕ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਮਾਡਲ ਦੇ ਮੁੱਲ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਜਿਸ ਨਾਲ ਮਾਰਕੀਟਿੰਗ ਨੂੰ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ।

3. ਹਿੱਸੇਦਾਰਾਂ ਨੂੰ ਇਸਦੇ ਮੁੱਲ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਕੇ ਮਾਡਲ ਨੂੰ ਅਪਣਾਉਣ ਨੂੰ ਯਕੀਨੀ ਬਣਾਓ
ਜੇਕਰ ਤੁਹਾਡੇ ਸਟੇਕਹੋਲਡਰ ਕਦੇ ਵੀ ਕਾਰੋਬਾਰੀ ਫੈਸਲੇ ਲੈਣ ਲਈ ਤੁਹਾਡੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦੇ ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਵਜੋਂ ਕਦੇ ਵੀ ਸਫਲ ਨਹੀਂ ਹੋਵੋਗੇ। ਮਾਡਲ ਅਪਣਾਉਣ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ ਇੱਕ ਕਾਰੋਬਾਰੀ ਦਰਦ ਬਿੰਦੂ ਲੱਭਣਾ ਅਤੇ ਇਹ ਦਿਖਾਉਣਾ ਕਿ ਮਾਡਲ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ।

ਸਾਡੀ ਸੇਲਜ਼ ਟੀਮ ਨਾਲ ਗੱਲ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਮੈਨੂੰ ਅਹਿਸਾਸ ਹੋਇਆ ਕਿ ਦੋ ਪ੍ਰਤੀਨਿਧੀ ਇੱਕਲੇ ਲਾਇਸੰਸ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਕੰਪਨੀ ਦੇ ਡੇਟਾਬੇਸ ਵਿੱਚ ਲੱਖਾਂ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਹੱਥੀਂ ਕੰਮ ਕਰ ਰਹੇ ਸਨ ਜੋ ਟੀਮ ਲਾਇਸੈਂਸਾਂ ਵਿੱਚ ਅਪਗ੍ਰੇਡ ਕਰਨ ਦੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਰੱਖਦੇ ਸਨ। ਚੋਣ ਨੇ ਮਾਪਦੰਡਾਂ ਦੇ ਇੱਕ ਸੈੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਪਰ ਚੋਣ ਵਿੱਚ ਲੰਬਾ ਸਮਾਂ ਲੱਗਿਆ ਕਿਉਂਕਿ ਪ੍ਰਤੀਨਿਧੀ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਇੱਕ ਉਪਭੋਗਤਾ ਨੂੰ ਦੇਖਦੇ ਸਨ। ਮੇਰੇ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤੇ ਗਏ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਪ੍ਰਤੀਨਿਧੀ ਟੀਮ ਲਾਇਸੈਂਸ ਖਰੀਦਣ ਅਤੇ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਪਰਿਵਰਤਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵਧਾਉਣ ਦੀ ਸੰਭਾਵਨਾ ਵਾਲੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਦੇ ਯੋਗ ਸਨ। ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮੁੱਖ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂ ਲਈ ਪਰਿਵਰਤਨ ਦਰਾਂ ਨੂੰ ਵਧਾ ਕੇ ਸਮੇਂ ਦੀ ਵਧੇਰੇ ਕੁਸ਼ਲ ਵਰਤੋਂ ਹੋਈ ਹੈ ਜਿਸ ਨਾਲ ਵਿਕਰੀ ਟੀਮ ਸਬੰਧਤ ਹੋ ਸਕਦੀ ਹੈ।

ਕਈ ਸਾਲ ਬੀਤ ਗਏ ਅਤੇ ਮੈਂ ਉਹੀ ਮਾਡਲਾਂ ਨੂੰ ਬਾਰ ਬਾਰ ਵਿਕਸਿਤ ਕੀਤਾ ਅਤੇ ਮਹਿਸੂਸ ਕੀਤਾ ਕਿ ਮੈਂ ਹੁਣ ਕੁਝ ਨਵਾਂ ਨਹੀਂ ਸਿੱਖ ਰਿਹਾ ਸੀ। ਮੈਂ ਕਿਸੇ ਹੋਰ ਸਥਿਤੀ ਦੀ ਭਾਲ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਅਤੇ ਇੱਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਵਜੋਂ ਇੱਕ ਸਥਿਤੀ ਪ੍ਰਾਪਤ ਕੀਤੀ. ਜਿੰਮੇਵਾਰੀਆਂ ਵਿੱਚ ਅੰਤਰ ਉਸ ਸਮੇਂ ਦੇ ਮੁਕਾਬਲੇ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੋ ਸਕਦਾ ਸੀ ਜਦੋਂ ਮੈਂ ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਸੀ, ਭਾਵੇਂ ਮੈਂ ਵਾਪਸ ਮਾਰਕੀਟਿੰਗ ਦਾ ਸਮਰਥਨ ਕਰ ਰਿਹਾ ਸੀ।

ਇਹ ਪਹਿਲੀ ਵਾਰ ਸੀ ਜਦੋਂ ਮੈਂ A/B ਪ੍ਰਯੋਗਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਅਤੇ ਪਾਇਆ ਸਾਰੇ ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਇੱਕ ਪ੍ਰਯੋਗ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ। ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਵਜੋਂ, ਮੈਂ A/B ਟੈਸਟਿੰਗ 'ਤੇ ਬਿਲਕੁਲ ਵੀ ਕੰਮ ਨਹੀਂ ਕੀਤਾ ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਯੋਗਾਤਮਕ ਟੀਮ ਲਈ ਰਾਖਵਾਂ ਸੀ। ਮੈਂ ਮਾਰਕੀਟਿੰਗ-ਪ੍ਰਭਾਵਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ 'ਤੇ ਕੰਮ ਕੀਤਾ ਹੈ - ਪ੍ਰੀਮੀਅਮ ਪਰਿਵਰਤਨ ਦਰਾਂ ਨੂੰ ਵਧਾਉਣ ਤੋਂ ਲੈ ਕੇ ਉਪਭੋਗਤਾ ਦੀ ਸ਼ਮੂਲੀਅਤ ਅਤੇ ਮੰਥਨ ਰੋਕਥਾਮ ਤੱਕ. ਮੈਂ ਡੇਟਾ ਨੂੰ ਦੇਖਣ ਦੇ ਬਹੁਤ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਸਿੱਖੇ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਕੰਪਾਇਲ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਟੇਕਹੋਲਡਰਾਂ ਅਤੇ ਸੀਨੀਅਰ ਪ੍ਰਬੰਧਨ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸਮਾਂ ਬਿਤਾਇਆ। ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਰੂਪ ਵਿੱਚ, ਮੈਂ ਜਿਆਦਾਤਰ ਇੱਕ ਕਿਸਮ ਦੇ ਮਾਡਲ 'ਤੇ ਕੰਮ ਕੀਤਾ ਅਤੇ ਘੱਟ ਹੀ ਗੱਲਬਾਤ ਕੀਤੀ। ਇੱਕ ਸਫਲ ਵਿਸ਼ਲੇਸ਼ਕ ਬਣਨ ਲਈ ਮੈਂ ਸਿੱਖੇ ਹੁਨਰਾਂ ਨੂੰ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਾਓ।

ਉਹ ਹੁਨਰ ਜੋ ਮੈਂ ਇੱਕ ਸਫਲ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਬਣਨ ਲਈ ਸਿੱਖੇ

1. ਡੇਟਾ ਦੇ ਨਾਲ ਕਹਾਣੀਆਂ ਦੱਸਣਾ ਸਿੱਖੋ
KPIs ਨੂੰ ਇਕੱਲਤਾ ਵਿੱਚ ਨਾ ਦੇਖੋ। ਉਹਨਾਂ ਨੂੰ ਕਨੈਕਟ ਕਰੋ, ਪੂਰੇ ਕਾਰੋਬਾਰ ਨੂੰ ਦੇਖੋ। ਇਹ ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਖੇਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇਗਾ ਜੋ ਇੱਕ ਦੂਜੇ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਸੀਨੀਅਰ ਪ੍ਰਬੰਧਨ ਇੱਕ ਲੈਂਸ ਦੁਆਰਾ ਕਾਰੋਬਾਰ ਨੂੰ ਵੇਖਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਵਿਅਕਤੀ ਜੋ ਇਸ ਹੁਨਰ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ ਉਸ ਨੂੰ ਉਦੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਤਰੱਕੀ ਦੇ ਫੈਸਲੇ ਲੈਣ ਦਾ ਸਮਾਂ ਆਉਂਦਾ ਹੈ।

2. ਕਾਰਵਾਈਯੋਗ ਵਿਚਾਰ ਪ੍ਰਦਾਨ ਕਰੋ।
ਕਾਰੋਬਾਰ ਪ੍ਰਦਾਨ ਕਰੋ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਵਿਚਾਰ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ. ਇਹ ਹੋਰ ਵੀ ਵਧੀਆ ਹੈ ਜੇਕਰ ਤੁਸੀਂ ਸਰਗਰਮੀ ਨਾਲ ਕੋਈ ਹੱਲ ਪੇਸ਼ ਕਰਦੇ ਹੋ ਜਦੋਂ ਇਹ ਅਜੇ ਤੱਕ ਇਹ ਨਹੀਂ ਕਿਹਾ ਗਿਆ ਹੈ ਕਿ ਤੁਸੀਂ ਅੰਤਰੀਵ ਸਮੱਸਿਆ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹੋ।

ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਤੁਸੀਂ ਮਾਰਕੀਟਿੰਗ ਨੂੰ ਕਿਹਾ: "ਮੈਂ ਦੇਖਿਆ ਹੈ ਕਿ ਹਾਲ ਹੀ ਵਿੱਚ ਸਾਈਟ ਵਿਜ਼ਿਟਰਾਂ ਦੀ ਗਿਣਤੀ ਹਰ ਮਹੀਨੇ ਘਟਦੀ ਜਾ ਰਹੀ ਹੈ।". ਇਹ ਇੱਕ ਰੁਝਾਨ ਹੈ ਜੋ ਉਹਨਾਂ ਨੇ ਡੈਸ਼ਬੋਰਡ 'ਤੇ ਦੇਖਿਆ ਹੋਵੇਗਾ ਅਤੇ ਤੁਸੀਂ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਵਜੋਂ ਕੋਈ ਕੀਮਤੀ ਹੱਲ ਪੇਸ਼ ਨਹੀਂ ਕੀਤਾ ਕਿਉਂਕਿ ਤੁਸੀਂ ਸਿਰਫ ਨਿਰੀਖਣ ਦੱਸਿਆ ਹੈ।

ਇਸ ਦੀ ਬਜਾਏ, ਕਾਰਨ ਲੱਭਣ ਲਈ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਹੱਲ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰੋ। ਮਾਰਕੀਟਿੰਗ ਲਈ ਇੱਕ ਬਿਹਤਰ ਉਦਾਹਰਣ ਇਹ ਹੋਵੇਗੀ: “ਮੈਂ ਦੇਖਿਆ ਹੈ ਕਿ ਹਾਲ ਹੀ ਵਿੱਚ ਸਾਡੀ ਵੈੱਬਸਾਈਟ 'ਤੇ ਆਉਣ ਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਕਮੀ ਆਈ ਹੈ। ਮੈਨੂੰ ਪਤਾ ਲੱਗਾ ਹੈ ਕਿ ਸਮੱਸਿਆ ਦਾ ਸਰੋਤ ਜੈਵਿਕ ਖੋਜ ਹੈ, ਹਾਲੀਆ ਤਬਦੀਲੀਆਂ ਕਾਰਨ ਜਿਸ ਕਾਰਨ ਸਾਡੀ ਗੂਗਲ ਖੋਜ ਦਰਜਾਬੰਦੀ ਘਟ ਗਈ ਹੈ।". ਇਹ ਪਹੁੰਚ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਤੁਸੀਂ ਕੰਪਨੀ ਦੇ KPIs ਨੂੰ ਟਰੈਕ ਕੀਤਾ, ਬਦਲਾਅ ਦੇਖਿਆ, ਕਾਰਨ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਅਤੇ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ।

3. ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਲਾਹਕਾਰ ਬਣੋ
ਤੁਹਾਨੂੰ ਉਹ ਪਹਿਲਾ ਵਿਅਕਤੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸਨੂੰ ਤੁਹਾਡੇ ਸਟੇਕਹੋਲਡਰ ਤੁਹਾਡੇ ਦੁਆਰਾ ਸਮਰਥਨ ਕੀਤੇ ਕਾਰੋਬਾਰ ਬਾਰੇ ਸਲਾਹ ਜਾਂ ਸਵਾਲਾਂ ਲਈ ਆਉਂਦੇ ਹਨ। ਇੱਥੇ ਕੋਈ ਸ਼ਾਰਟਕੱਟ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹਨਾਂ ਕਾਬਲੀਅਤਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਿੱਚ ਸਮਾਂ ਲੱਗਦਾ ਹੈ। ਇਸਦੀ ਕੁੰਜੀ ਘੱਟੋ-ਘੱਟ ਗਲਤੀਆਂ ਦੇ ਨਾਲ ਲਗਾਤਾਰ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ। ਕਿਸੇ ਵੀ ਗਲਤ ਗਣਨਾ ਲਈ ਤੁਹਾਨੂੰ ਭਰੋਸੇਯੋਗਤਾ ਅੰਕ ਖਰਚਣੇ ਪੈਣਗੇ ਕਿਉਂਕਿ ਅਗਲੀ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ, ਤਾਂ ਲੋਕ ਹੈਰਾਨ ਹੋ ਸਕਦੇ ਹਨ: ਜੇ ਤੁਸੀਂ ਪਿਛਲੀ ਵਾਰ ਗਲਤ ਸੀ, ਸ਼ਾਇਦ ਤੁਸੀਂ ਇਸ ਵਾਰ ਵੀ ਗਲਤ ਹੋ?. ਆਪਣੇ ਕੰਮ ਦੀ ਹਮੇਸ਼ਾ ਦੋ ਵਾਰ ਜਾਂਚ ਕਰੋ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਬਾਰੇ ਕੋਈ ਸ਼ੰਕਾ ਹੈ ਤਾਂ ਤੁਹਾਡੇ ਮੈਨੇਜਰ ਜਾਂ ਸਹਿਯੋਗੀ ਨੂੰ ਤੁਹਾਡੇ ਨੰਬਰਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਉਹਨਾਂ ਨੂੰ ਦੇਖਣ ਲਈ ਕਹਿਣ ਨਾਲ ਵੀ ਕੋਈ ਨੁਕਸਾਨ ਨਹੀਂ ਹੁੰਦਾ।

4. ਗੁੰਝਲਦਾਰ ਨਤੀਜਿਆਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਸੰਚਾਰ ਕਰਨਾ ਸਿੱਖੋ।
ਦੁਬਾਰਾ ਫਿਰ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਚਾਰ ਕਰਨਾ ਸਿੱਖਣ ਦਾ ਕੋਈ ਸ਼ਾਰਟਕੱਟ ਨਹੀਂ ਹੈ। ਇਹ ਅਭਿਆਸ ਕਰਦਾ ਹੈ ਅਤੇ ਸਮੇਂ ਦੇ ਨਾਲ ਤੁਸੀਂ ਇਸ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋਗੇ। ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ਕੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਦੇ ਮੁੱਖ ਨੁਕਤਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਅਤੇ ਕਿਸੇ ਵੀ ਕਾਰਵਾਈ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨਾ ਹੈ, ਜੋ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਹਿੱਸੇਦਾਰ ਕਾਰੋਬਾਰ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਲੈ ਸਕਦੇ ਹਨ। ਤੁਸੀਂ ਕਿਸੇ ਸੰਸਥਾ ਵਿੱਚ ਜਿੰਨੇ ਉੱਚੇ ਹੁੰਦੇ ਹੋ, ਤੁਹਾਡੇ ਸੰਚਾਰ ਹੁਨਰ ਓਨੇ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੇ ਹਨ। ਗੁੰਝਲਦਾਰ ਨਤੀਜਿਆਂ ਦਾ ਸੰਚਾਰ ਕਰਨਾ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਨ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹੁਨਰ ਹੈ। ਮੈਂ ਇੱਕ ਡੇਟਾ ਵਿਗਿਆਨੀ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਵਜੋਂ ਸਫਲਤਾ ਦੇ ਭੇਦ ਸਿੱਖਣ ਵਿੱਚ ਸਾਲ ਬਿਤਾਏ। ਲੋਕ ਸਫਲਤਾ ਨੂੰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਇੱਕ "ਅਦਭੁਤ" ਅਤੇ "ਸਟਲਰ" ਵਿਸ਼ਲੇਸ਼ਕ ਵਜੋਂ ਵਰਣਨ ਕਰਨਾ ਮੇਰੀ ਨਜ਼ਰ ਵਿੱਚ ਸਫਲਤਾ ਹੈ। ਹੁਣ ਜਦੋਂ ਤੁਸੀਂ ਇਹਨਾਂ ਰਾਜ਼ਾਂ ਨੂੰ ਜਾਣਦੇ ਹੋ, ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਤੁਹਾਡਾ ਮਾਰਗ ਤੁਹਾਨੂੰ ਜਲਦੀ ਸਫਲਤਾ ਵੱਲ ਲੈ ਜਾਵੇਗਾ, ਹਾਲਾਂਕਿ ਤੁਸੀਂ ਇਸਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹੋ।

ਅਤੇ ਸਫਲਤਾ ਦੇ ਆਪਣੇ ਮਾਰਗ ਨੂੰ ਹੋਰ ਤੇਜ਼ ਬਣਾਉਣ ਲਈ, ਪ੍ਰੋਮੋ ਕੋਡ ਰੱਖੋ HABR, ਜਿਸ ਦੁਆਰਾ ਤੁਸੀਂ ਬੈਨਰ 'ਤੇ ਦਰਸਾਏ ਗਏ ਛੋਟ ਲਈ ਵਾਧੂ 10% ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ।

• ਡਾਟਾ ਸਾਇੰਸ ਔਨਲਾਈਨ ਬੂਟਕੈਂਪ
• ਸਕ੍ਰੈਚ ਤੋਂ ਡਾਟਾ ਐਨਾਲਿਸਟ ਦੇ ਪੇਸ਼ੇ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ
• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਔਨਲਾਈਨ ਬੂਟਕੈਂਪ
• ਸਕਰੈਚ ਤੋਂ ਡਾਟਾ ਸਾਇੰਸ ਦੇ ਪੇਸ਼ੇ ਨੂੰ ਪੜ੍ਹਾਉਣਾ
• ਵੈੱਬ ਵਿਕਾਸ ਕੋਰਸ ਲਈ ਪਾਈਥਨ

ਹੋਰ ਕੋਰਸ

• ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਰਸ
• DevOps ਕੋਰਸ
• ਪੇਸ਼ੇ ਵੈੱਬ ਡਿਵੈਲਪਰ
• ਸਕ੍ਰੈਚ ਤੋਂ ਆਈਓਐਸ ਡਿਵੈਲਪਰ ਦਾ ਕਿੱਤਾ
• ਸ਼ੁਰੂ ਤੋਂ ਪ੍ਰੋਫੈਸ਼ਨ ਐਂਡਰੌਇਡ ਡਿਵੈਲਪਰ
• ਪੇਸ਼ੇ ਤੋਂ ਜਾਵਾ ਡਿਵੈਲਪਰ
• JavaScript ਕੋਰਸ
• ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੋਰਸ
• ਕੋਰਸ "ਡੇਟਾ ਵਿਗਿਆਨ ਲਈ ਗਣਿਤ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ"
• ਐਡਵਾਂਸਡ ਕੋਰਸ "ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰੋ + ਡੀਪ ਲਰਨਿੰਗ"

ਫੀਚਰਡ ਲੇਖ

• ਔਨਲਾਈਨ ਕੋਰਸਾਂ ਤੋਂ ਬਿਨਾਂ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਕਿਵੇਂ ਬਣਨਾ ਹੈ
• 450 ਮੁਫ਼ਤ ਆਈਵੀ ਲੀਗ ਕੋਰਸ
• ਲਗਾਤਾਰ 5 ਮਹੀਨਿਆਂ ਲਈ ਹਫ਼ਤੇ ਵਿੱਚ 9 ਦਿਨ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦਾ ਅਧਿਐਨ ਕਿਵੇਂ ਕਰੀਏ
• ਇੱਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਕਿੰਨੀ ਕਮਾਈ ਕਰਦਾ ਹੈ: 2020 ਵਿੱਚ ਰੂਸ ਅਤੇ ਵਿਦੇਸ਼ ਵਿੱਚ ਤਨਖਾਹਾਂ ਅਤੇ ਖਾਲੀ ਅਸਾਮੀਆਂ ਦੀ ਇੱਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ
• ਮਾਈਨਿੰਗ ਉਦਯੋਗ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ

ਸਰੋਤ: www.habr.com