🥇Jak stać się udanym data scientistą i analitykiem danych

Istnieje wiele artykułów na temat umiejętności niezbędnych do bycia dobrym data scientistą lub analitykiem danych, ale tylko w niewielu z nich wspomniano o umiejętnościach potrzebnych do odniesienia sukcesu — niezależnie od tego, czy chodzi o doskonałą ocenę pracy, uznanie ze strony przełożonych, awans, czy wszystko to razem. Dziś przedstawiamy materiał, którego autorka pragnie podzielić się swoim osobistym doświadczeniem w pracy jako data scientist i analityk danych oraz tym, czego nauczyła się, aby osiągnąć sukces.

Miałam szczęście: zaproponowano mi stanowisko data scientisty, kiedy nie miałam żadnego doświadczenia w Data Science. To, jak poradziłam sobie z tym zadaniem, to inna historia, i chcę powiedzieć, że miałam jedynie mgliste pojęcie o tym, co robi data scientist, zanim zgodziłam się na tę pracę.

Zatrudniono mnie do pracy nad tworzeniem data pipeline'ów ze względu na moje wcześniejsze doświadczenie jako inżyniera przetwarzania danych, gdzie opracowałam hurtownię danych do analizy prognoz, wykorzystywaną przez grupę data scientistów.

Mój pierwszy rok pracy jako data scientist obejmował tworzenie data pipeline'ów do trenowania modeli machine learning i ich wdrażania do produkcji. Trzymałam się w cieniu i nie brałam udziału w wielu spotkaniach z interesariuszami z działu marketingu, którzy byli końcowymi użytkownikami modeli.

W drugim roku mojej pracy w firmie odszedł menedżer ds. przetwarzania i analizy danych odpowiedzialny za marketing. Od tego czasu stałam się główną postacią i zaczęłam bardziej aktywnie uczestniczyć w tworzeniu modeli oraz omawianiu terminów realizacji projektów.

W miarę komunikacji z interesariuszami zrozumiałam, że Data Science to niejednoznaczne pojęcie, o którym ludzie słyszeli, ale nie do końca je rozumieją, szczególnie w przypadku wyższej kadry kierowniczej.

Zbudowałam ponad sto modeli, ale tylko jedna trzecia z nich była wykorzystywana, ponieważ nie wiedziałam, jak pokazać ich wartość, mimo że modele były w pierwszej kolejności zamawiane przez marketing.

Jeden z członków mojego zespołu spędził miesiące na opracowywaniu modelu, który, według wyższego kierownictwa, miałby pokazać wartość zespołu data science. Idea polegała na tym, aby wprowadzić ten model do całej organizacji po jego opracowaniu i zachęcić zespoły marketingowe do jego zastosowania.

Ostatecznie zakończyło się to całkowitą klęską, ponieważ nikt nie rozumiał, czym jest model uczenia maszynowego, ani nie potrafił dostrzec wartości jego zastosowania. W rezultacie miesiące zostały zmarnowane na coś, czego nikt nie chciał.

Z takich sytuacji wyciągnęłam pewne lekcje, które przedstawiam poniżej.

Lekcje, które wyciągnęłam, aby stać się udanym data scientistą

1. Skoncentruj się na sukcesie, wybierając właściwą firmę.
Podczas rozmowy kwalifikacyjnej zapytaj o kulturę danych i o to, ile modeli uczenia maszynowego jest używanych w podejmowaniu decyzji. Poproś o przykłady. Dowiedz się, czy infrastruktura danych jest gotowa do rozpoczęcia modelowania. Jeśli spędzisz 90% swojego czasu na wydobywaniu i oczyszczaniu surowych danych, nie zostanie ci prawie żadnego czasu na budowanie modeli, aby pokazać swoją wartość jako data scientist. Bądź ostrożny, jeśli jako data scientist jesteś zatrudniany po raz pierwszy. Może to być zarówno dobre, jak i złe, w zależności od kultury danych. Możesz napotkać dużą opór przy wdrażaniu modelu, jeśli wyższe kierownictwo zatrudnia specjalistę ds. Data Science tylko dlatego, że firma chce być znana jako korzystająca z Data Science do podejmowania lepszych decyzji, ale nie ma pojęcia, co to naprawdę oznacza. Dodatkowo, jeśli znajdziesz firmę, która jest zarządzana danymi (data driven), wtedy będziesz rozwijać się wraz z nią.

2. Zrozum dane i kluczowe wskaźniki efektywności (KPI).
Na początku wspomniałam, że będąc inżynierem danych stworzyłam zewnętrzny widok analityczny dla zespołu data scientistów. Będąc teraz data scientistą, mogłam znaleźć nowe możliwości poprawy dokładności modeli, ponieważ intensywnie pracowałam z surowymi danymi na poprzednim stanowisku.

Prezentując wyniki jednej z naszych kampanii, mogłam pokazać modele generujące wyższe wskaźniki konwersji (w procentach), po czym została zmierzona jedna z kampanii KPI. To pokazało wartość modelu dla efektywności biznesu, z którą może być związany marketing.

3. Zapewnij akceptację modelu, pokazując jego wartość interesariuszom
Nigdy nie odniesiesz sukcesu jako specjalista w dziedzinie Data Science, jeśli interesariusze nigdy nie będą stosować twoich modeli do podejmowania decyzji biznesowych. Jednym ze sposobów zapewnienia akceptacji modelu jest znalezienie punktu bólu w biznesie i pokazanie, w jaki sposób model może pomóc.

Po rozmowie z naszym działem sprzedaży zrozumiałam, że dwóch przedstawicieli pracuje na pełen etat, ręcznie przeszukując miliony użytkowników w bazie danych firmy, aby zidentyfikować użytkowników z pojedynczymi licencjami, którzy mają największe szanse na przejście na licencje zespołowe. Przy doborze zastosowano zestaw kryteriów, ale proces zajmował dużo czasu, ponieważ przedstawiciele przeszukiwali jednego użytkownika na raz. Dzięki opracowanemu przeze mnie modelowi przedstawiciele mogli wybierać użytkowników z największym prawdopodobieństwem zakupu licencji zespołowej, zwiększając szansę na konwersję w krótszym czasie. To doprowadziło do bardziej efektywnego wykorzystania czasu poprzez zwiększenie wskaźnika konwersji dla kluczowych wskaźników efektywności, z którymi może mieć do czynienia dział sprzedaży.

Minęło kilka lat i wielokrotnie opracowywałam te same modele, czując, że nie poznaję już nic nowego. Postanowiłam poszukać innej pracy i ostatecznie otrzymałam stanowisko analityka danych. Różnica w obowiązkach nie mogła być bardziej znacząca w porównaniu do czasów, kiedy byłam data scientistą, nawet mimo że ponownie wspierałam marketing.

To był pierwszy raz, kiedy przeanalizowałam eksperymenty A/B i odkryłam wszystkie sposoby, w jaki eksperyment może pójść źle. Jako data scientist w ogóle nie pracowałam nad testowaniem A/B, ponieważ było to zarezerwowane dla zespołu eksperymentatorów. Pracowałam nad szerokim zakresem analiz, na które miał wpływ marketing — od zwiększenia wskaźnika konwersji premium, po zaangażowanie użytkowników i zapobieganie ich odejściu. Nauczyłam się wielu różnych sposobów przeglądania danych i spędziłam dużo czasu na kompilowaniu wyników, przedstawianiu ich zainteresowanym stronom i wyższemu kierownictwu. Jako data scientist głównie pracowałam nad jednym typem modelu i rzadko wygłaszałam prezentacje. Przewińmy kilka lat w przód do umiejętności, których się nauczyłam, aby być odnoszącym sukcesy analitykiem.

Umiejętności, których się nauczyłam, aby stać się odnoszącym sukcesy analitykiem danych

1. Naucz się opowiadać historie za pomocą danych
Nie patrz na KPI osobno. Powiąż je, spojrzyj na biznes jako całość. Pozwoli to zidentyfikować obszary wzajemnego oddziaływania. Wyższe kierownictwo postrzega biznes przez pryzmat, a osoba, która prezentuje tę umiejętność, zostaje zauważona, gdy przychodzi czas na decyzję o awansie.

2. Proponuj działania
Dostarcz biznesowi skuteczną ideę w celu rozwiązania problemu. Jeszcze lepiej, jeśli proaktywnie proponujesz rozwiązanie, zanim powiedziano ci, że masz do czynienia z priorytetowym problemem.

Na przykład, gdybyś powiedział marketingowi: "Zauważyłem, że ostatnio liczba odwiedzających naszą stronę internetową zmniejsza się co miesiąc". To tendencja, którą mogli zauważyć na dashboardzie, a ty nie zaproponowałeś żadnego wartościowego rozwiązania jako analityk, ponieważ tylko stwierdziłeś obserwację.

Zamiast tego zbadaj dane, aby znaleźć przyczynę i zaproponować rozwiązanie. Najlepszym przykładem dla marketingu byłoby: "Zauważyłem, że ostatnio mamy mniejszą liczbę odwiedzających naszą stronę internetową. Odkryłem, że źródłem problemu jest zwykłe wyszukiwanie, z powodu niedawnych zmian, które doprowadziły do spadku naszej pozycji w wyszukiwarce Google". Takie podejście pokazuje, że śledziłeś KPI firmy, zauważyłeś zmianę, zbadałeś przyczynę i zaproponowałeś rozwiązanie problemu.

3. Stań się zaufanym doradcą
Musisz stać się pierwszą osobą, do której zwracają się twoi interesariusze w poszukiwaniu rekomendacji lub odpowiedzi na pytania dotyczące obszaru, którym się zajmujesz. Nie ma skróconej drogi, ponieważ na wykazanie tych umiejętności potrzeba czasu. Kluczem jest konsekwentne dostarczanie wysokiej jakości analiz z minimalną ilością błędów. Każdy błąd w obliczeniach kosztuje cię punkty zaufania, ponieważ przy kolejnej analizie ludzie mogą zacząć się zastanawiać: Jeśli się pomyliłeś ostatnim razem, być może mylisz się także tym razem?. Zawsze dwa razy sprawdzaj swoją pracę. Nie zaszkodzi również poprosić swojego menedżera lub kolegę, aby spojrzeli na twoje liczby, zanim je przedstawisz, jeśli masz jakieś wątpliwości co do swojej analizy.

4. Naucz się klarownie przekazywać skomplikowane wyniki
Jak już wspomniałam, nie ma skrótu do nauki efektywnej komunikacji. To wymaga praktyki, a z czasem staniesz się w tym coraz lepszy. Najważniejsze to określić kluczowe punkty tego, co chcesz osiągnąć, oraz zalecić wszelkie działania, które interesariusze mogą podjąć w wyniku twojej analizy, aby poprawić działalność. Im wyżej jesteś w hierarchii organizacyjnej, tym ważniejsze staje się umiejętność komunikacji. Przekazywanie skomplikowanych wyników to istotna umiejętność, którą należy demonstrować. Poświęciłam lata na zgłębianie tajników sukcesu jako data scientist i analityk danych. Ludzie różnie definiują sukces. Otrzymanie opisu jako „niesamowity” i „gwiazdorski” analityk to dla mnie sukces. Teraz, gdy znasz te sekrety, mam nadzieję, że twoja droga do sukcesu, niezależnie od tego jak go definiujesz, będzie szybsza.

Aby twoja droga do sukcesu była jeszcze szybciej, użyj kodu promocyjnego HABR, który zapewni dodatkowe 10% zniżki na kwotę widoczną na bannerze.