🥇 Como se tornar um cientista de dados e analista de dados bem-sucedido

Existem muitos artigos sobre as habilidades necessárias para ser um bom cientista de dados ou analista de dados, mas poucos falam sobre as habilidades necessárias para o sucesso — seja uma avaliação excepcional do trabalho, elogios da gestão, promoções ou tudo isso junto. Hoje, apresentamos um material de um autor que gostaria de compartilhar sua experiência pessoal trabalhando como cientista de dados e analista de dados, assim como o que aprendeu para alcançar o sucesso.

Tive sorte: fui oferecida uma posição de cientista de dados quando não tinha experiência alguma em Data Science. Como lidei com essa tarefa é outra história, e quero dizer que tinha apenas uma vaga noção do que um cientista de dados faz antes de aceitar esse trabalho.

Fui contratada para trabalhar na criação de pipelines de dados devido ao meu trabalho anterior como engenheira de processamento de dados, onde desenvolvi um data warehouse para análise preditiva, utilizado por um grupo de cientistas de dados.

Meu primeiro ano como cientista de dados envolveu a criação de pipelines de dados para o treinamento de modelos de aprendizado de máquina e sua implementação em produção. Eu mantive uma postura discreta e não participei de muitas reuniões com as partes interessadas em marketing, que eram os usuários finais dos modelos.

No meu segundo ano na empresa, o gerente de processamento e análise de dados responsável pelo marketing saiu. Desde então, passei a ser a principal interessada e a participar de maneira mais ativa no desenvolvimento de modelos e na discussão dos prazos de entrega dos projetos.

À medida que interagia com as partes interessadas, percebi que Data Science é um conceito vago, do qual as pessoas ouviram falar, mas não compreendem totalmente, especialmente no que diz respeito à alta gestão.

Criei mais de cem modelos, mas apenas um terço deles foi utilizado, pois eu não sabia como demonstrar seu valor, mesmo que os modelos tivessem sido solicitados inicialmente pelo marketing.

Um dos membros da minha equipe passou meses desenvolvendo um modelo que, na opinião da alta administração, demonstraria o valor da equipe de cientistas de dados. A ideia era expandir esse modelo para toda a organização após seu desenvolvimento e incentivar as equipes de marketing a aplicá-lo.

Isso se transformou em um completo fracasso porque ninguém entendia o que era um modelo de aprendizado de máquina e não conseguia compreender o valor de sua aplicação. No final, meses foram gastos em vão, com algo que ninguém queria.

Dessas situações, extraí algumas lições que apresentarei a seguir.

Lições que extraí para me tornar uma cientista de dados de sucesso

1. Prepare-se para o sucesso escolhendo a empresa certa.
Durante a entrevista em uma empresa, pergunte sobre a cultura de dados e quantos modelos de aprendizado de máquina são adotados e utilizados na tomada de decisões. Peça exemplos. Descubra se a infraestrutura de dados está preparada para iniciar a modelagem. Se você gastar 90% do seu tempo tentando extrair dados brutos e limpá-los, quase não terá tempo para construir modelos que demonstrem seu valor como cientista de dados. Cuidado se você for contratado como cientista de dados pela primeira vez. Isso pode ser bom ou ruim, dependendo da cultura de dados. Você pode enfrentar grande resistência ao implementar um modelo se a alta administração contratar um especialista em Data Science apenas porque a empresa quer ser reconhecida como usando Data Science para fazer melhores decisões, mas não faz ideia do que isso realmente significa. Além disso, se você encontrar uma empresa que é orientada por dados, você crescerá junto com ela.

2. Conheça os dados e os indicadores-chave de desempenho (KPI).
No início, mencionei que, como engenheira de processamento de dados, criei uma vitrine de dados analíticos para a equipe de cientistas de dados. Agora, como cientista de dados, consegui encontrar novas oportunidades que aumentaram a precisão dos modelos, porque trabalhei intensivamente com dados brutos em meu cargo anterior.

Apresentando os resultados de uma de nossas campanhas, consegui mostrar modelos que geram taxas de conversão mais altas (em porcentagem), após o que um dos KPIs da campanha foi medido. Isso demonstrou o valor do modelo para a eficácia comercial associada ao marketing.

3. Assegure a aceitação do modelo, mostrando seu valor para os interessados.
Você nunca terá sucesso como especialista em Data Science se os interessados nunca aplicarem seus modelos para a tomada de decisões empresariais. Uma das formas de garantir a aceitação do modelo é encontrar um ponto problemático de negócios e mostrar como o modelo pode ajudar.

Após conversar com nosso departamento de vendas, percebi que dois representantes trabalhavam em tempo integral, revisando manualmente milhões de usuários na base de dados da empresa para identificar usuários com licenças individuais que têm mais probabilidade de migrar para licenças para equipes. Um conjunto de critérios foi utilizado na seleção, mas esse processo levava muito tempo, pois os representantes examinavam um usuário por vez. Com o modelo que desenvolvi, os representantes conseguiram selecionar usuários com a maior probabilidade de compra de licenças para equipes, aumentando assim a taxa de conversão em menos tempo. Isso resultou em uma utilização mais eficaz do tempo, melhorando a taxa de conversão dos KPIs relevantes para o departamento de vendas.

Depois de alguns anos, eu repetidamente desenvolvi os mesmos modelos e senti que não estava mais aprendendo nada de novo. Decidi procurar uma nova posição e acabei conseguindo um trabalho como analista de dados. A diferença nas responsabilidades não poderia ser mais significativa em comparação com os tempos em que eu era cientista de dados, mesmo que novamente estivesse colaborando com o marketing.

Foi a primeira vez que analisei experimentos A/B e descobri tudo maneiras pelas quais um experimento pode não sair como planejado. Como cientista de dados, eu nunca trabalhei com testes A/B, pois isso era responsabilidade da equipe de experimentadores. Eu trabalhei em uma ampla gama de pesquisas analíticas afetadas pelo marketing – desde aumentar a taxa de conversão de classe premium até engajamento de usuários e prevenção de churn. Aprendi muitas maneiras diferentes de visualizar dados e passei muito tempo compilando resultados, apresentando-os a partes interessadas e à alta gestão. Como cientista de dados, eu principalmente trabalhei com um único tipo de modelo e raramente fiz apresentações. Vamos avançar alguns anos e falar sobre as habilidades que aprendi para ser uma analista bem-sucedida.

Habilidades que aprendi para me tornar uma analista de dados bem-sucedida

1. Aprenda a contar histórias com dados
Não olhe para os KPIs individualmente. Conecte-os, veja o negócio como um todo. Isso permitirá identificar áreas que se influenciam mutuamente. A alta gestão vê o negócio através dessa lente, e a pessoa que demonstra essa habilidade é notada quando chega a hora de tomar decisões sobre promoções.

2. Forneça ideias acionáveis
Dê ao negócio uma ideia acionável para resolver um problema. Melhor ainda, se você proativamente sugerir uma solução antes mesmo de se declarar que está lidando com um problema prioritário.

Por exemplo, se você dissesse ao marketing: "Eu notei que o número de visitantes do site tem diminuído mensalmente ultimamente". Essa é uma tendência que eles poderiam ter notado no painel, mas você não ofereceu nenhuma solução valiosa como analista, pois apenas afirmou uma observação.

Em vez disso, investigue os dados para encontrar a causa e sugerir uma solução. Um bom exemplo para o marketing seria: "Eu notei que recentemente temos tido uma diminuição no número de visitantes ao nosso site. Descobri que a origem do problema é a pesquisa orgânica, devido a mudanças recentes que resultaram na queda do nosso ranking no Google". Essa abordagem mostra que você estava monitorando os KPIs da empresa, percebeu uma mudança, investigou a causa e sugeriu uma solução para o problema.

3. Torne-se um conselheiro confiável
Você precisa se tornar a primeira pessoa a quem seus interessados se dirigem para recomendações ou perguntas sobre a área de atuação que você suporta. Não há um caminho curto, pois para demonstrar essas habilidades é necessário tempo. A chave para isso é fornecer consistentemente análises de alta qualidade com o mínimo de erros. Qualquer erro nos cálculos custará pontos de confiança, porque na próxima vez que você fornecer uma análise, as pessoas podem se questionar: Se você estava errado da última vez, pode estar errado novamente agora?. Sempre verifique seu trabalho duas vezes. Também não faz mal pedir ao seu gerente ou colega para dar uma olhada em seus números antes de apresentá-los, caso você tenha alguma dúvida sobre sua análise.

4. Aprenda a comunicar claramente resultados complexos
Novamente, não há atalho para aprender a se comunicar de forma eficaz. Isso requer prática, e com o tempo você se tornará melhor nisso. O principal é identificar os pontos-chave do que você deseja fazer e recomendar quaisquer ações que, a partir de sua análise, os interessados possam tomar para aprimorar o negócio. Quanto mais alto você estiver na hierarquia da organização, mais importante será a habilidade de se comunicar. Transmitir resultados complexos é uma habilidade importante a ser demonstrada. Eu passei anos estudando os segredos do sucesso como cientista de dados e analista de dados. As pessoas definem o sucesso de maneiras diferentes. Ser caracterizado como um analista 'incrível' e 'estrela' é o que considero sucesso. Agora que você conhece esses segredos, espero que seu caminho o leve mais rapidamente ao sucesso, seja qual for a sua definição.

E para que seu caminho para o sucesso seja ainda mais rápido, use o código promocional HABR, que garante um desconto adicional de 10% sobre o valor indicado no banner.