Istnieje wiele artykułów na temat umiejętności potrzebnych, aby być dobrym analitykiem danych lub analitykiem danych, ale niewiele artykułów mówi o umiejętnościach niezbędnych do osiągnięcia sukcesu – niezależnie od tego, czy chodzi o wyjątkową ocenę wyników, pochwałę od kierownictwa, awans czy wszystkie powyższe. Dziś prezentujemy Państwu materiał, którego autorka chciałaby podzielić się swoim osobistym doświadczeniem jako data science i analityk danych, a także tym, czego nauczyła się, aby osiągnąć sukces.
Miałem szczęście: stanowisko analityka danych zaproponowano mi, gdy nie miałem doświadczenia w Data Science. To, jak poradziłem sobie z tym zadaniem, to inna historia i chcę powiedzieć, że zanim podjąłem tę pracę, miałem jedynie mgliste pojęcie o tym, czym zajmuje się analityk danych.
Zostałem zatrudniony do pracy nad potokami danych ze względu na moją poprzednią pracę jako inżynier danych, gdzie opracowałem zbiorczą bazę danych do analiz predykcyjnych wykorzystywaną przez grupę analityków danych.
Mój pierwszy rok jako analityka danych polegał na tworzeniu potoków danych w celu uczenia modeli uczenia maszynowego i wdrażania ich do produkcji. Utrzymywałem dyskrecję i nie brałem udziału w wielu spotkaniach z interesariuszami zajmującymi się marketingiem, którzy byli końcowymi użytkownikami modeli.
W drugim roku mojej pracy w firmie odszedł kierownik ds. przetwarzania i analiz danych odpowiedzialny za marketing. Od tego momentu stałem się głównym graczem i brałem bardziej aktywny udział w opracowywaniu modeli i omawianiu terminów projektów.
Podczas interakcji z interesariuszami zdałem sobie sprawę, że nauka o danych to niejasna koncepcja, o której ludzie słyszeli, ale której nie do końca rozumieją, zwłaszcza na wyższych poziomach kierownictwa.
Zbudowałem ponad sto modeli, ale tylko jedna trzecia z nich została wykorzystana, bo nie wiedziałem, jak pokazać ich wartość, mimo że modele były zamawiane przede wszystkim przez marketing.
Jeden z członków mojego zespołu spędził miesiące na opracowywaniu modelu, który według kierownictwa wyższego szczebla pokazałby wartość zespołu zajmującego się analizą danych. Pomysł polegał na rozpowszechnieniu modelu po jego opracowaniu w całej organizacji i zachęceniu zespołów marketingowych do jego przyjęcia.
Okazało się to kompletną porażką, bo nikt nie rozumiał, czym jest model uczenia maszynowego i nie potrafił zrozumieć wartości jego stosowania. W rezultacie zmarnowano miesiące na coś, czego nikt nie chciał.
Z takich sytuacji wyciągnąłem pewne wnioski, które przedstawię poniżej.
Lekcje, których się nauczyłem, aby odnieść sukces jako analityk danych
1. Przygotuj się na sukces, wybierając odpowiednią firmę.
Podczas rozmowy kwalifikacyjnej w firmie zapytaj o kulturę danych oraz liczbę modeli uczenia maszynowego, które są przyjęte i wykorzystywane w procesie podejmowania decyzji. Poproś o przykłady. Dowiedz się, czy Twoja infrastruktura danych jest skonfigurowana do rozpoczęcia modelowania. Jeśli poświęcisz 90% czasu na pobieranie nieprzetworzonych danych i ich czyszczenie, pozostanie Ci niewiele czasu na zbudowanie modeli potwierdzających Twoją wartość jako analityka danych. Zachowaj ostrożność, jeśli po raz pierwszy zostajesz zatrudniony jako analityk danych. Może to być dobra lub zła rzecz, w zależności od kultury danych. Możesz napotkać większy opór we wdrażaniu modelu, jeśli kierownictwo wyższego szczebla zatrudni analityka danych tylko dlatego, że firma chce być znana jako wykorzystanie Data Science do podejmowania lepszych decyzji, ale nie ma pojęcia, co to właściwie oznacza. Ponadto, jeśli znajdziesz firmę, która opiera się na danych, będziesz się rozwijać wraz z nią.
2. Poznaj dane i kluczowe wskaźniki wydajności (KPI).
Na początku wspomniałem, że jako inżynier danych stworzyłem analityczny data mart dla zespołu analityków danych. Ponieważ sam zostałem analitykiem danych, udało mi się znaleźć nowe możliwości, które zwiększyły dokładność modeli, ponieważ na poprzednim stanowisku intensywnie pracowałem z surowymi danymi.
Prezentując wyniki jednej z naszych kampanii, udało mi się pokazać modele generujące wyższe współczynniki konwersji (w procentach), a następnie zmierzyć jeden z KPI kampanii. Pokazało to wartość modelu dla wyników biznesowych, z którym można powiązać marketing.
3. Zapewnij przyjęcie modelu poprzez pokazanie jego wartości interesariuszom
Nigdy nie odniesiesz sukcesu jako analityk danych, jeśli Twoi interesariusze nigdy nie wykorzystają Twoich modeli do podejmowania decyzji biznesowych. Jednym ze sposobów zapewnienia przyjęcia modelu jest znalezienie problemu biznesowego i pokazanie, w jaki sposób model może pomóc.
Po rozmowie z naszym zespołem sprzedaży zdałem sobie sprawę, że dwóch przedstawicieli pracowało na pełny etat, ręcznie przeszukując miliony użytkowników w firmowej bazie danych, aby zidentyfikować użytkowników posiadających pojedyncze licencje, którzy z większym prawdopodobieństwem dokonają aktualizacji do licencji zespołowych. Do selekcji stosowano zestaw kryteriów, ale selekcja trwała długo, ponieważ przedstawiciele przyglądali się jednemu użytkownikowi na raz. Korzystając z opracowanego przeze mnie modelu, przedstawiciele mogli dotrzeć do użytkowników, którzy najprawdopodobniej kupią licencję zespołową, i zwiększyć prawdopodobieństwo konwersji w krótszym czasie. Przełożyło się to na efektywniejsze wykorzystanie czasu poprzez zwiększenie współczynników konwersji kluczowych wskaźników wydajności, do których może się odnieść zespół sprzedaży.
Minęło kilka lat, a ja w kółko opracowywałem te same modele i czułem, że nie uczę się już niczego nowego. Zdecydowałem się poszukać innego stanowiska i ostatecznie dostałem stanowisko analityka danych. Różnica w obowiązkach nie mogła być bardziej znacząca w porównaniu z okresem, w którym byłem analitykiem danych, mimo że wróciłem do wspierania marketingu.
To był pierwszy raz, kiedy analizowałem eksperymenty A/B i odkryłem je wszystko w jaki sposób eksperyment może się nie udać. Jako analityk danych w ogóle nie zajmowałem się testami A/B, ponieważ były one zarezerwowane dla zespołu eksperymentalnego. Pracowałem nad szeroką gamą analiz wpływających na marketing – od zwiększania współczynników konwersji premium po zaangażowanie użytkowników i zapobieganie odejściom. Nauczyłem się wielu różnych sposobów patrzenia na dane i spędziłem dużo czasu na opracowywaniu wyników i prezentowaniu ich interesariuszom i kierownictwu wyższego szczebla. Jako analityk danych pracowałem głównie nad jednym typem modelu i rzadko wygłaszałem prelekcje. Przejdźmy kilka lat do umiejętności, których nauczyłem się, aby odnieść sukces jako analityk.
Umiejętności, których się nauczyłem, aby zostać odnoszącym sukcesy analitykiem danych
1. Naucz się opowiadać historie za pomocą danych
Nie patrz na KPI w oderwaniu. Połącz je, spójrz na biznes jako całość. Pozwoli to zidentyfikować obszary, które na siebie wpływają. Kierownictwo wyższego szczebla patrzy na firmę przez pryzmat, a osoba, która wykazuje tę umiejętność, zostaje zauważona, gdy przychodzi czas na podjęcie decyzji o awansie.
2. Podaj praktyczne pomysły.
Zapewnij biznes skuteczny pomysł rozwiązać problem. Jeszcze lepiej, jeśli proaktywnie zaoferujesz rozwiązanie, gdy nie zostało jeszcze powiedziane, że masz do czynienia z podstawowym problemem.
Na przykład, jeśli powiesz marketingowi: „Zauważyłem, że ostatnio liczba odwiedzających witrynę spada z miesiąca na miesiąc.”. Jest to trend, który mogli zauważyć na dashboardzie, a Ty jako analityk nie zaproponowałeś żadnego wartościowego rozwiązania, bo przedstawiłeś jedynie obserwację.
Zamiast tego przeanalizuj dane, aby znaleźć przyczynę i zaproponować rozwiązanie. Lepszym przykładem marketingu byłoby: „Zauważyłem, że ostatnio odnotowaliśmy spadek liczby odwiedzających naszą stronę internetową. Odkryłem, że źródłem problemu są bezpłatne wyniki wyszukiwania ze względu na niedawne zmiany, które spowodowały spadek naszych rankingów wyszukiwania Google.”. Takie podejście pokazuje, że prześledziłeś KPI firmy, zauważyłeś zmianę, zbadałeś przyczynę i zaproponowałeś rozwiązanie problemu.
3. Zostań zaufanym doradcą
Musisz być pierwszą osobą, do której zwracają się interesariusze po porady lub pytania dotyczące wspieranej przez Ciebie firmy. Nie ma drogi na skróty, ponieważ wykazanie tych umiejętności wymaga czasu. Kluczem do tego jest konsekwentne dostarczanie wysokiej jakości analiz przy minimalnych błędach. Wszelkie błędne obliczenia będą kosztować Cię punkty wiarygodności, ponieważ następnym razem, gdy przeprowadzisz analizę, ludzie mogą się zastanawiać: Jeśli myliłeś się ostatnim razem, może i tym razem się mylisz?. Zawsze dokładnie sprawdzaj swoją pracę. Nie zaszkodzi także poprosić menedżera lub współpracownika o sprawdzenie liczb przed ich przedstawieniem, jeśli masz jakiekolwiek wątpliwości dotyczące analizy.
4. Naucz się jasno komunikować złożone wyniki.
Powtórzę jeszcze raz: nie ma drogi na skróty, aby nauczyć się skutecznej komunikacji. Wymaga to praktyki i z biegiem czasu będziesz w tym coraz lepszy. Kluczem jest zidentyfikowanie głównych punktów tego, co chcesz zrobić i zalecenie wszelkich działań, które w wyniku analizy mogą podjąć interesariusze w celu ulepszenia biznesu. Im wyżej znajdujesz się w organizacji, tym ważniejsze są Twoje umiejętności komunikacyjne. Przekazywanie złożonych wyników jest ważną umiejętnością, którą należy wykazać. Spędziłem lata poznając sekrety sukcesu jako analityk danych i analityk danych. Ludzie różnie definiują sukces. Bycie określanym mianem „niesamowitego” i „gwiazdorskiego” analityka jest w moich oczach sukcesem. Teraz, gdy znasz już te sekrety, mam nadzieję, że Twoja ścieżka szybko doprowadzi Cię do sukcesu, niezależnie od tego, jak go zdefiniujesz.
A żeby Twoja droga do sukcesu była jeszcze szybsza, zachowaj kod promocyjny Habr., dzięki któremu możesz zyskać dodatkowe 10% do rabatu wskazanego na banerze.
Więcej kursów
Polecane artykuły
Źródło: www.habr.com