Existem muitos artigos sobre as habilidades necessárias para ser um bom cientista ou analista de dados, mas poucos artigos falam sobre as habilidades necessárias para ter sucesso – seja uma avaliação de desempenho excepcional, elogios da administração, uma promoção ou todas as opções acima. Hoje apresentamos a vocês um material cuja autora gostaria de compartilhar sua experiência pessoal como cientista e analista de dados, bem como o que aprendeu para alcançar o sucesso.
Tive sorte: me ofereceram o cargo de cientista de dados quando não tinha experiência em Data Science. A forma como lidei com a tarefa é uma história diferente, e quero dizer que tinha apenas uma vaga ideia do que um cientista de dados faz antes de assumir o cargo.
Fui contratado para trabalhar em pipelines de dados devido ao meu trabalho anterior como engenheiro de dados, onde desenvolvi um data mart para análise preditiva usado por um grupo de cientistas de dados.
Meu primeiro ano como cientista de dados envolveu a criação de pipelines de dados para treinar modelos de aprendizado de máquina e colocá-los em produção. Mantive-me discreto e não participei de muitas reuniões com os stakeholders de marketing que eram os usuários finais dos modelos.
No segundo ano de trabalho na empresa, o gerente de processamento e análise de dados responsável pelo marketing saiu. A partir daí, me tornei protagonista e participei mais ativamente no desenvolvimento de modelos e na discussão de prazos de projetos.
Ao interagir com as partes interessadas, percebi que a Ciência de Dados é um conceito vago do qual as pessoas já ouviram falar, mas não entendem muito bem, especialmente nos níveis de gestão sênior.
Construí mais de cem modelos, mas apenas um terço deles foi usado porque não sabia como mostrar seu valor, embora os modelos tenham sido solicitados principalmente pelo marketing.
Um dos membros da minha equipe passou meses desenvolvendo um modelo que a alta administração considerou que demonstraria o valor de uma equipe de ciência de dados. A ideia era difundir o modelo por toda a organização depois de desenvolvido e incentivar as equipes de marketing a adotá-lo.
Acabou sendo um fracasso total porque ninguém entendia o que era um modelo de aprendizado de máquina ou conseguia entender o valor de usá-lo. Como resultado, meses foram desperdiçados em algo que ninguém queria.
De tais situações aprendi algumas lições, que darei a seguir.
Lições que aprendi para me tornar um cientista de dados de sucesso
1. Prepare-se para o sucesso escolhendo a empresa certa.
Ao entrevistar em uma empresa, pergunte sobre a cultura de dados e quantos modelos de machine learning são adotados e utilizados na tomada de decisões. Peça exemplos. Descubra se sua infraestrutura de dados está configurada para iniciar a modelagem. Se você gasta 90% do seu tempo tentando extrair dados brutos e limpá-los, terá pouco ou nenhum tempo sobrando para construir modelos que demonstrem seu valor como cientista de dados. Tenha cuidado se você for contratado como cientista de dados pela primeira vez. Isso pode ser bom ou ruim, dependendo da cultura de dados. Você poderá encontrar mais resistência à implementação do modelo se a alta administração contratar um Cientista de Dados apenas porque a empresa deseja ser conhecida como usando Data Science para tomar melhores decisões, mas não tem ideia do que isso realmente significa. Além disso, se você encontrar uma empresa orientada por dados, crescerá com ela.
2. Conheça os dados e os principais indicadores de desempenho (KPIs).
No início, mencionei que, como engenheiro de dados, criei um data mart analítico para uma equipe de cientistas de dados. Tendo me tornado um cientista de dados, consegui encontrar novas oportunidades que aumentaram a precisão dos modelos porque trabalhei intensamente com dados brutos em minha função anterior.
Ao apresentar os resultados de uma de nossas campanhas, consegui mostrar os modelos que geram maiores taxas de conversão (em porcentagem) e então medir um dos KPIs da campanha. Isto demonstrou o valor do modelo de desempenho empresarial ao qual o marketing pode estar ligado.
3. Garantir a adoção do modelo, demonstrando o seu valor para as partes interessadas
Você nunca terá sucesso como cientista de dados se as partes interessadas nunca usarem seus modelos para tomar decisões de negócios. Uma maneira de garantir a adoção do modelo é encontrar um ponto problemático no negócio e mostrar como o modelo pode ajudar.
Depois de conversar com nossa equipe de vendas, percebi que dois representantes estavam trabalhando em tempo integral, vasculhando manualmente os milhões de usuários no banco de dados da empresa para identificar usuários com licenças individuais que tivessem maior probabilidade de atualizar para licenças de equipe. A seleção utilizou um conjunto de critérios, mas demorou muito porque os representantes olhavam um usuário por vez. Usando o modelo que desenvolvi, os representantes conseguiram atingir os usuários com maior probabilidade de adquirir uma licença de equipe e aumentar a probabilidade de conversão em menos tempo. Isso resultou em um uso mais eficiente do tempo, aumentando as taxas de conversão para indicadores-chave de desempenho com os quais a equipe de vendas pode se identificar.
Vários anos se passaram e desenvolvi os mesmos modelos continuamente e senti que não estava mais aprendendo nada de novo. Resolvi procurar outra vaga e acabei conseguindo uma vaga de analista de dados. A diferença de responsabilidades não poderia ter sido mais significativa em comparação com quando eu era cientista de dados, embora voltasse a apoiar o marketing.
Esta foi a primeira vez que analisei experimentos A/B e descobri todos maneiras pelas quais um experimento pode dar errado. Como cientista de dados, não trabalhei em testes A/B porque eram reservados para a equipe experimental. Trabalhei em uma ampla gama de análises impactadas pelo marketing - desde o aumento das taxas de conversão premium até o envolvimento do usuário e prevenção de rotatividade. Aprendi muitas maneiras diferentes de analisar os dados e passei muito tempo compilando os resultados e apresentando-os às partes interessadas e à alta administração. Como cientista de dados, trabalhei principalmente em um tipo de modelo e raramente dava palestras. Avançando alguns anos para as habilidades que aprendi para ser um analista de sucesso.
Habilidades que aprendi para me tornar um analista de dados de sucesso
1. Aprenda a contar histórias com dados
Não olhe para os KPIs isoladamente. Conecte-os, veja o negócio como um todo. Isso permitirá que você identifique áreas que influenciam umas às outras. A alta administração vê o negócio através de lentes, e uma pessoa que demonstra essa habilidade é notada quando chega a hora de tomar decisões de promoção.
2. Forneça ideias viáveis.
Fornecer negócios ideia eficaz para resolver o problema. É ainda melhor se você oferecer uma solução de forma proativa quando ainda não foi dito que você está lidando com o problema subjacente.
Por exemplo, se você dissesse ao marketing: “Percebi que recentemente o número de visitantes do site vem diminuindo a cada mês.”. Essa é uma tendência que eles podem ter notado no dashboard e você não ofereceu nenhuma solução valiosa como analista porque apenas declarou a observação.
Em vez disso, examine os dados para encontrar a causa e propor uma solução. Um exemplo melhor de marketing seria: “Percebi que ultimamente tivemos uma diminuição no número de visitantes do nosso site. Descobri que a origem do problema é a pesquisa orgânica, devido a mudanças recentes que fizeram com que nossos rankings de pesquisa no Google caíssem.". Essa abordagem mostra que você acompanhou os KPIs da empresa, percebeu a mudança, investigou a causa e propôs uma solução para o problema.
3. Torne-se um consultor confiável
Você precisa ser a primeira pessoa a quem as partes interessadas recorrem para obter conselhos ou perguntas sobre o negócio que você apoia. Não há atalho porque leva tempo para demonstrar essas habilidades. A chave para isso é fornecer consistentemente análises de alta qualidade com erros mínimos. Qualquer erro de cálculo custará pontos de credibilidade porque na próxima vez que você fornecer uma análise, as pessoas poderão se perguntar: Se você errou da última vez, talvez esteja errado desta vez também?. Sempre verifique seu trabalho. Também não custa nada pedir ao seu gestor ou colega que analise seus números antes de apresentá-los, caso tenha alguma dúvida sobre sua análise.
4. Aprenda a comunicar resultados complexos com clareza.
Novamente, não há atalho para aprender como se comunicar de forma eficaz. Isso requer prática e com o tempo você ficará melhor nisso. O segredo é identificar os principais pontos do que você deseja fazer e recomendar quaisquer ações que, como resultado de sua análise, os stakeholders possam realizar para melhorar o negócio. Quanto mais alto você estiver em uma organização, mais importantes serão suas habilidades de comunicação. Comunicar resultados complexos é uma habilidade importante a ser demonstrada. Passei anos aprendendo os segredos do sucesso como cientista e analista de dados. As pessoas definem o sucesso de maneira diferente. Ser descrito como um analista “incrível” e “estelar” é um sucesso aos meus olhos. Agora que você conhece esses segredos, espero que seu caminho o leve rapidamente ao sucesso, independentemente de como você o definir.
E para tornar o seu caminho para o sucesso ainda mais rápido, mantenha o código promocional HORNBEAM, através do qual poderá obter um adicional de 10% ao desconto indicado no banner.
Mais cursos
artigos em destaque
Fonte: habr.com