{"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\/pl\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Jak zosta\u0107 skutecznym data scientistem i analitykiem danych","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Jak<\/a><\/noindex>
\nIstnieje wiele artyku\u0142\u00f3w na temat umiej\u0119tno\u015bci niezb\u0119dnych do bycia dobrym data scientist\u0105 lub analitykiem danych, ale tylko w niewielu z nich wspomniano o umiej\u0119tno\u015bciach potrzebnych do odniesienia sukcesu \u2014 niezale\u017cnie od tego, czy chodzi o doskona\u0142\u0105 ocen\u0119 pracy, uznanie ze strony prze\u0142o\u017conych, awans, czy wszystko to razem. Dzi\u015b przedstawiamy materia\u0142, kt\u00f3rego autorka pragnie podzieli\u0107 si\u0119 swoim osobistym do\u015bwiadczeniem w pracy jako data scientist i analityk danych oraz tym, czego nauczy\u0142a si\u0119, aby osi\u0105gn\u0105\u0107 sukces.
\n<\/a><\/noindex><\/p>\n

Mia\u0142am szcz\u0119\u015bcie: zaproponowano mi stanowisko data scientisty, kiedy nie mia\u0142am \u017cadnego do\u015bwiadczenia w Data Science. To, jak poradzi\u0142am sobie z tym zadaniem, to inna historia, i chc\u0119 powiedzie\u0107, \u017ce mia\u0142am jedynie mgliste poj\u0119cie o tym, co robi data scientist, zanim zgodzi\u0142am si\u0119 na t\u0119 prac\u0119. <\/p>\n

Zatrudniono mnie do pracy nad tworzeniem data pipeline'\u00f3w ze wzgl\u0119du na moje wcze\u015bniejsze do\u015bwiadczenie jako in\u017cyniera przetwarzania danych, gdzie opracowa\u0142am hurtowni\u0119 danych do analizy prognoz, wykorzystywan\u0105 przez grup\u0119 data scientist\u00f3w. <\/p>\n

M\u00f3j pierwszy rok pracy jako data scientist obejmowa\u0142 tworzenie data pipeline'\u00f3w do trenowania modeli machine learning i ich wdra\u017cania do produkcji. Trzyma\u0142am si\u0119 w cieniu i nie bra\u0142am udzia\u0142u w wielu spotkaniach z interesariuszami z dzia\u0142u marketingu, kt\u00f3rzy byli ko\u0144cowymi u\u017cytkownikami modeli. <\/p>\n

W drugim roku mojej pracy w firmie odszed\u0142 mened\u017cer ds. przetwarzania i analizy danych odpowiedzialny za marketing. Od tego czasu sta\u0142am si\u0119 g\u0142\u00f3wn\u0105 postaci\u0105 i zacz\u0119\u0142am bardziej aktywnie uczestniczy\u0107 w tworzeniu modeli oraz omawianiu termin\u00f3w realizacji projekt\u00f3w.<\/p>\n

W miar\u0119 komunikacji z interesariuszami zrozumia\u0142am, \u017ce Data Science to niejednoznaczne poj\u0119cie, o kt\u00f3rym ludzie s\u0142yszeli, ale nie do ko\u0144ca je rozumiej\u0105, szczeg\u00f3lnie w przypadku wy\u017cszej kadry kierowniczej.<\/p><\/blockquote>\n

\nZbudowa\u0142am ponad sto modeli, ale tylko jedna trzecia z nich by\u0142a wykorzystywana, poniewa\u017c nie wiedzia\u0142am, jak pokaza\u0107 ich warto\u015b\u0107, mimo \u017ce modele by\u0142y w pierwszej kolejno\u015bci zamawiane przez marketing. <\/p>\n

Jeden z cz\u0142onk\u00f3w mojego zespo\u0142u sp\u0119dzi\u0142 miesi\u0105ce na opracowywaniu modelu, kt\u00f3ry, wed\u0142ug wy\u017cszego kierownictwa, mia\u0142by pokaza\u0107 warto\u015b\u0107 zespo\u0142u data science. Idea polega\u0142a na tym, aby wprowadzi\u0107 ten model do ca\u0142ej organizacji po jego opracowaniu i zach\u0119ci\u0107 zespo\u0142y marketingowe do jego zastosowania.<\/p>\n

Ostatecznie zako\u0144czy\u0142o si\u0119 to ca\u0142kowit\u0105 kl\u0119sk\u0105, poniewa\u017c nikt nie rozumia\u0142, czym jest model uczenia maszynowego, ani nie potrafi\u0142 dostrzec warto\u015bci jego zastosowania. W rezultacie miesi\u0105ce zosta\u0142y zmarnowane na co\u015b, czego nikt nie chcia\u0142.<\/p><\/blockquote>\n

\nZ takich sytuacji wyci\u0105gn\u0119\u0142am pewne lekcje, kt\u00f3re przedstawiam poni\u017cej.<\/p>\n

Lekcje, kt\u00f3re wyci\u0105gn\u0119\u0142am, aby sta\u0107 si\u0119 udanym data scientist\u0105<\/h2>\n

\n1. Skoncentruj si\u0119 na sukcesie, wybieraj\u0105c w\u0142a\u015bciw\u0105 firm\u0119.<\/b>
\nPodczas rozmowy kwalifikacyjnej zapytaj o kultur\u0119 danych i o to, ile modeli uczenia maszynowego jest u\u017cywanych w podejmowaniu decyzji. Popro\u015b o przyk\u0142ady. Dowiedz si\u0119, czy infrastruktura danych jest gotowa do rozpocz\u0119cia modelowania. Je\u015bli sp\u0119dzisz 90% swojego czasu na wydobywaniu i oczyszczaniu surowych danych, nie zostanie ci prawie \u017cadnego czasu na budowanie modeli, aby pokaza\u0107 swoj\u0105 warto\u015b\u0107 jako data scientist. B\u0105d\u017a ostro\u017cny, je\u015bli jako data scientist jeste\u015b zatrudniany po raz pierwszy. Mo\u017ce to by\u0107 zar\u00f3wno dobre, jak i z\u0142e, w zale\u017cno\u015bci od kultury danych. Mo\u017cesz napotka\u0107 du\u017c\u0105 op\u00f3r przy wdra\u017caniu modelu, je\u015bli wy\u017csze kierownictwo zatrudnia specjalist\u0119 ds. Data Science tylko dlatego, \u017ce firma chce by\u0107 znana jako korzystaj\u0105ca z Data Science do podejmowania lepszych decyzji<\/i>, ale nie ma poj\u0119cia, co to naprawd\u0119 oznacza. Dodatkowo, je\u015bli znajdziesz firm\u0119, kt\u00f3ra jest zarz\u0105dzana danymi (data driven), wtedy b\u0119dziesz rozwija\u0107 si\u0119 wraz z ni\u0105.<\/p>\n

2. Zrozum dane i kluczowe wska\u017aniki efektywno\u015bci (KPI).<\/b>
\nNa pocz\u0105tku wspomnia\u0142am, \u017ce b\u0119d\u0105c in\u017cynierem danych stworzy\u0142am zewn\u0119trzny widok analityczny dla zespo\u0142u data scientist\u00f3w. B\u0119d\u0105c teraz data scientist\u0105, mog\u0142am znale\u017a\u0107 nowe mo\u017cliwo\u015bci poprawy dok\u0142adno\u015bci modeli, poniewa\u017c intensywnie pracowa\u0142am z surowymi danymi na poprzednim stanowisku. <\/p>\n

Prezentuj\u0105c wyniki jednej z naszych kampanii, mog\u0142am pokaza\u0107 modele generuj\u0105ce wy\u017csze wska\u017aniki konwersji (w procentach), po czym zosta\u0142a zmierzona jedna z kampanii KPI. To pokaza\u0142o warto\u015b\u0107 modelu dla efektywno\u015bci biznesu, z kt\u00f3r\u0105 mo\u017ce by\u0107 zwi\u0105zany marketing.<\/p>\n

3. Zapewnij akceptacj\u0119 modelu, pokazuj\u0105c jego warto\u015b\u0107 interesariuszom<\/b>
\nNigdy nie odniesiesz sukcesu jako specjalista w dziedzinie Data Science, je\u015bli interesariusze nigdy nie b\u0119d\u0105 stosowa\u0107 twoich modeli do podejmowania decyzji biznesowych. Jednym ze sposob\u00f3w zapewnienia akceptacji modelu jest znalezienie punktu b\u00f3lu w biznesie i pokazanie, w jaki spos\u00f3b model mo\u017ce pom\u00f3c. <\/p>\n

Po rozmowie z naszym dzia\u0142em sprzeda\u017cy zrozumia\u0142am, \u017ce dw\u00f3ch przedstawicieli pracuje na pe\u0142en etat, r\u0119cznie przeszukuj\u0105c miliony u\u017cytkownik\u00f3w w bazie danych firmy, aby zidentyfikowa\u0107 u\u017cytkownik\u00f3w z pojedynczymi licencjami, kt\u00f3rzy maj\u0105 najwi\u0119ksze szanse na przej\u015bcie na licencje zespo\u0142owe. Przy doborze zastosowano zestaw kryteri\u00f3w, ale proces zajmowa\u0142 du\u017co czasu, poniewa\u017c przedstawiciele przeszukiwali jednego u\u017cytkownika na raz. Dzi\u0119ki opracowanemu przeze mnie modelowi przedstawiciele mogli wybiera\u0107 u\u017cytkownik\u00f3w z najwi\u0119kszym prawdopodobie\u0144stwem zakupu licencji zespo\u0142owej, zwi\u0119kszaj\u0105c szans\u0119 na konwersj\u0119 w kr\u00f3tszym czasie. To doprowadzi\u0142o do bardziej efektywnego wykorzystania czasu poprzez zwi\u0119kszenie wska\u017anika konwersji dla kluczowych wska\u017anik\u00f3w efektywno\u015bci, z kt\u00f3rymi mo\u017ce mie\u0107 do czynienia dzia\u0142 sprzeda\u017cy.<\/p>\n

Min\u0119\u0142o kilka lat i wielokrotnie opracowywa\u0142am te same modele, czuj\u0105c, \u017ce nie poznaj\u0119 ju\u017c nic nowego. Postanowi\u0142am poszuka\u0107 innej pracy i ostatecznie otrzyma\u0142am stanowisko analityka danych. R\u00f3\u017cnica w obowi\u0105zkach nie mog\u0142a by\u0107 bardziej znacz\u0105ca w por\u00f3wnaniu do czas\u00f3w, kiedy by\u0142am data scientist\u0105, nawet mimo \u017ce ponownie wspiera\u0142am marketing.<\/p>\n

To by\u0142 pierwszy raz, kiedy przeanalizowa\u0142am eksperymenty A\/B i odkry\u0142am wszystkie<\/i> sposoby, w jaki eksperyment mo\u017ce p\u00f3j\u015b\u0107 \u017ale. Jako data scientist w og\u00f3le nie pracowa\u0142am nad testowaniem A\/B, poniewa\u017c by\u0142o to zarezerwowane dla zespo\u0142u eksperymentator\u00f3w. Pracowa\u0142am nad szerokim zakresem analiz, na kt\u00f3re mia\u0142 wp\u0142yw marketing \u2014 od zwi\u0119kszenia wska\u017anika konwersji premium, po zaanga\u017cowanie u\u017cytkownik\u00f3w i zapobieganie ich odej\u015bciu. Nauczy\u0142am si\u0119 wielu r\u00f3\u017cnych sposob\u00f3w przegl\u0105dania danych i sp\u0119dzi\u0142am du\u017co czasu na kompilowaniu wynik\u00f3w, przedstawianiu ich zainteresowanym stronom i wy\u017cszemu kierownictwu. Jako data scientist g\u0142\u00f3wnie pracowa\u0142am nad jednym typem modelu i rzadko wyg\u0142asza\u0142am prezentacje. Przewi\u0144my kilka lat w prz\u00f3d do umiej\u0119tno\u015bci, kt\u00f3rych si\u0119 nauczy\u0142am, aby by\u0107 odnosz\u0105cym sukcesy analitykiem.<\/p>\n

Umiej\u0119tno\u015bci, kt\u00f3rych si\u0119 nauczy\u0142am, aby sta\u0107 si\u0119 odnosz\u0105cym sukcesy analitykiem danych<\/h2>\n

\n1. Naucz si\u0119 opowiada\u0107 historie za pomoc\u0105 danych<\/b>
\nNie patrz na KPI osobno. Powi\u0105\u017c je, spojrzyj na biznes jako ca\u0142o\u015b\u0107. Pozwoli to zidentyfikowa\u0107 obszary wzajemnego oddzia\u0142ywania. Wy\u017csze kierownictwo postrzega biznes przez pryzmat, a osoba, kt\u00f3ra prezentuje t\u0119 umiej\u0119tno\u015b\u0107, zostaje zauwa\u017cona, gdy przychodzi czas na decyzj\u0119 o awansie.<\/p>\n

2. Proponuj dzia\u0142ania<\/b>
\nDostarcz biznesowi skuteczn\u0105 ide\u0119<\/i> w celu rozwi\u0105zania problemu. Jeszcze lepiej, je\u015bli proaktywnie proponujesz rozwi\u0105zanie, zanim powiedziano ci, \u017ce masz do czynienia z priorytetowym problemem. <\/p>\n

Na przyk\u0142ad, gdyby\u015b powiedzia\u0142 marketingowi: \"Zauwa\u017cy\u0142em, \u017ce ostatnio liczba odwiedzaj\u0105cych nasz\u0105 stron\u0119 internetow\u0105 zmniejsza si\u0119 co miesi\u0105c\"<\/i>. To tendencja, kt\u00f3r\u0105 mogli zauwa\u017cy\u0107 na dashboardzie, a ty nie zaproponowa\u0142e\u015b \u017cadnego warto\u015bciowego rozwi\u0105zania jako analityk, poniewa\u017c tylko stwierdzi\u0142e\u015b obserwacj\u0119. <\/p>\n

Zamiast tego zbadaj dane, aby znale\u017a\u0107 przyczyn\u0119 i zaproponowa\u0107 rozwi\u0105zanie. Najlepszym przyk\u0142adem dla marketingu by\u0142oby: \"Zauwa\u017cy\u0142em, \u017ce ostatnio mamy mniejsz\u0105 liczb\u0119 odwiedzaj\u0105cych nasz\u0105 stron\u0119 internetow\u0105. Odkry\u0142em, \u017ce \u017ar\u00f3d\u0142em problemu jest zwyk\u0142e wyszukiwanie, z powodu niedawnych zmian, kt\u00f3re doprowadzi\u0142y do spadku naszej pozycji w wyszukiwarce Google\"<\/i>. Takie podej\u015bcie pokazuje, \u017ce \u015bledzi\u0142e\u015b KPI firmy, zauwa\u017cy\u0142e\u015b zmian\u0119, zbada\u0142e\u015b przyczyn\u0119 i zaproponowa\u0142e\u015b rozwi\u0105zanie problemu.<\/p>\n

3. Sta\u0144 si\u0119 zaufanym doradc\u0105<\/b>
\nMusisz sta\u0107 si\u0119 pierwsz\u0105 osob\u0105, do kt\u00f3rej zwracaj\u0105 si\u0119 twoi interesariusze w poszukiwaniu rekomendacji lub odpowiedzi na pytania dotycz\u0105ce obszaru, kt\u00f3rym si\u0119 zajmujesz. Nie ma skr\u00f3conej drogi, poniewa\u017c na wykazanie tych umiej\u0119tno\u015bci potrzeba czasu. Kluczem jest konsekwentne dostarczanie wysokiej jako\u015bci analiz z minimaln\u0105 ilo\u015bci\u0105 b\u0142\u0119d\u00f3w. Ka\u017cdy b\u0142\u0105d w obliczeniach kosztuje ci\u0119 punkty zaufania, poniewa\u017c przy kolejnej analizie ludzie mog\u0105 zacz\u0105\u0107 si\u0119 zastanawia\u0107: Je\u015bli si\u0119 pomyli\u0142e\u015b ostatnim razem, by\u0107 mo\u017ce mylisz si\u0119 tak\u017ce tym razem?<\/i>. Zawsze dwa razy sprawdzaj swoj\u0105 prac\u0119. Nie zaszkodzi r\u00f3wnie\u017c poprosi\u0107 swojego mened\u017cera lub koleg\u0119, aby spojrzeli na twoje liczby, zanim je przedstawisz, je\u015bli masz jakie\u015b w\u0105tpliwo\u015bci co do swojej analizy.<\/p>\n

4. Naucz si\u0119 klarownie przekazywa\u0107 skomplikowane wyniki<\/b>
\nJak ju\u017c wspomnia\u0142am, nie ma skr\u00f3tu do nauki efektywnej komunikacji. To wymaga praktyki, a z czasem staniesz si\u0119 w tym coraz lepszy. Najwa\u017cniejsze to okre\u015bli\u0107 kluczowe punkty tego, co chcesz osi\u0105gn\u0105\u0107, oraz zaleci\u0107 wszelkie dzia\u0142ania, kt\u00f3re interesariusze mog\u0105 podj\u0105\u0107 w wyniku twojej analizy, aby poprawi\u0107 dzia\u0142alno\u015b\u0107. Im wy\u017cej jeste\u015b w hierarchii organizacyjnej, tym wa\u017cniejsze staje si\u0119 umiej\u0119tno\u015b\u0107 komunikacji. Przekazywanie skomplikowanych wynik\u00f3w to istotna umiej\u0119tno\u015b\u0107, kt\u00f3r\u0105 nale\u017cy demonstrowa\u0107. Po\u015bwi\u0119ci\u0142am lata na zg\u0142\u0119bianie tajnik\u00f3w sukcesu jako data scientist i analityk danych. Ludzie r\u00f3\u017cnie definiuj\u0105 sukces. Otrzymanie opisu jako \u201eniesamowity\u201d i \u201egwiazdorski\u201d analityk to dla mnie sukces. Teraz, gdy znasz te sekrety, mam nadziej\u0119, \u017ce twoja droga do sukcesu, niezale\u017cnie od tego jak go definiujesz, b\u0119dzie szybsza.<\/p>\n

Aby twoja droga do sukcesu by\u0142a jeszcze szybciej, u\u017cyj kodu promocyjnego HABR<\/b>, kt\u00f3ry zapewni dodatkowe 10% zni\u017cki na kwot\u0119 widoczn\u0105 na bannerze.<\/p>\n

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