{"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\/pt\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Como se tornar um cientista de dados e analista de dados de sucesso","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Como<\/a><\/noindex>
\nExistem muitos artigos sobre as habilidades necess\u00e1rias para ser um bom cientista de dados ou analista de dados, mas poucos falam sobre as habilidades necess\u00e1rias para o sucesso \u2014 seja uma avalia\u00e7\u00e3o excepcional do trabalho, elogios da gest\u00e3o, promo\u00e7\u00f5es ou tudo isso junto. Hoje, apresentamos um material de um autor que gostaria de compartilhar sua experi\u00eancia pessoal trabalhando como cientista de dados e analista de dados, assim como o que aprendeu para alcan\u00e7ar o sucesso.
\n<\/a><\/noindex><\/p>\n

Tive sorte: fui oferecida uma posi\u00e7\u00e3o de cientista de dados quando n\u00e3o tinha experi\u00eancia alguma em Data Science. Como lidei com essa tarefa \u00e9 outra hist\u00f3ria, e quero dizer que tinha apenas uma vaga no\u00e7\u00e3o do que um cientista de dados faz antes de aceitar esse trabalho. <\/p>\n

Fui contratada para trabalhar na cria\u00e7\u00e3o de pipelines de dados devido ao meu trabalho anterior como engenheira de processamento de dados, onde desenvolvi um data warehouse para an\u00e1lise preditiva, utilizado por um grupo de cientistas de dados. <\/p>\n

Meu primeiro ano como cientista de dados envolveu a cria\u00e7\u00e3o de pipelines de dados para o treinamento de modelos de aprendizado de m\u00e1quina e sua implementa\u00e7\u00e3o em produ\u00e7\u00e3o. Eu mantive uma postura discreta e n\u00e3o participei de muitas reuni\u00f5es com as partes interessadas em marketing, que eram os usu\u00e1rios finais dos modelos. <\/p>\n

No meu segundo ano na empresa, o gerente de processamento e an\u00e1lise de dados respons\u00e1vel pelo marketing saiu. Desde ent\u00e3o, passei a ser a principal interessada e a participar de maneira mais ativa no desenvolvimento de modelos e na discuss\u00e3o dos prazos de entrega dos projetos.<\/p>\n

\u00c0 medida que interagia com as partes interessadas, percebi que Data Science \u00e9 um conceito vago, do qual as pessoas ouviram falar, mas n\u00e3o compreendem totalmente, especialmente no que diz respeito \u00e0 alta gest\u00e3o.<\/p><\/blockquote>\n

\nCriei mais de cem modelos, mas apenas um ter\u00e7o deles foi utilizado, pois eu n\u00e3o sabia como demonstrar seu valor, mesmo que os modelos tivessem sido solicitados inicialmente pelo marketing. <\/p>\n

Um dos membros da minha equipe passou meses desenvolvendo um modelo que, na opini\u00e3o da alta administra\u00e7\u00e3o, demonstraria o valor da equipe de cientistas de dados. A ideia era expandir esse modelo para toda a organiza\u00e7\u00e3o ap\u00f3s seu desenvolvimento e incentivar as equipes de marketing a aplic\u00e1-lo.<\/p>\n

Isso se transformou em um completo fracasso porque ningu\u00e9m entendia o que era um modelo de aprendizado de m\u00e1quina e n\u00e3o conseguia compreender o valor de sua aplica\u00e7\u00e3o. No final, meses foram gastos em v\u00e3o, com algo que ningu\u00e9m queria.<\/p><\/blockquote>\n

\nDessas situa\u00e7\u00f5es, extra\u00ed algumas li\u00e7\u00f5es que apresentarei a seguir.<\/p>\n

Li\u00e7\u00f5es que extra\u00ed para me tornar uma cientista de dados de sucesso<\/h2>\n

\n1. Prepare-se para o sucesso escolhendo a empresa certa.<\/b>
\nDurante a entrevista em uma empresa, pergunte sobre a cultura de dados e quantos modelos de aprendizado de m\u00e1quina s\u00e3o adotados e utilizados na tomada de decis\u00f5es. Pe\u00e7a exemplos. Descubra se a infraestrutura de dados est\u00e1 preparada para iniciar a modelagem. Se voc\u00ea gastar 90% do seu tempo tentando extrair dados brutos e limp\u00e1-los, quase n\u00e3o ter\u00e1 tempo para construir modelos que demonstrem seu valor como cientista de dados. Cuidado se voc\u00ea for contratado como cientista de dados pela primeira vez. Isso pode ser bom ou ruim, dependendo da cultura de dados. Voc\u00ea pode enfrentar grande resist\u00eancia ao implementar um modelo se a alta administra\u00e7\u00e3o contratar um especialista em Data Science apenas porque a empresa quer ser reconhecida como usando Data Science para fazer melhores decis\u00f5es<\/i>, mas n\u00e3o faz ideia do que isso realmente significa. Al\u00e9m disso, se voc\u00ea encontrar uma empresa que \u00e9 orientada por dados, voc\u00ea crescer\u00e1 junto com ela.<\/p>\n

2. Conhe\u00e7a os dados e os indicadores-chave de desempenho (KPI).<\/b>
\nNo in\u00edcio, mencionei que, como engenheira de processamento de dados, criei uma vitrine de dados anal\u00edticos para a equipe de cientistas de dados. Agora, como cientista de dados, consegui encontrar novas oportunidades que aumentaram a precis\u00e3o dos modelos, porque trabalhei intensivamente com dados brutos em meu cargo anterior. <\/p>\n

Apresentando os resultados de uma de nossas campanhas, consegui mostrar modelos que geram taxas de convers\u00e3o mais altas (em porcentagem), ap\u00f3s o que um dos KPIs da campanha foi medido. Isso demonstrou o valor do modelo para a efic\u00e1cia comercial associada ao marketing.<\/p>\n

3. Assegure a aceita\u00e7\u00e3o do modelo, mostrando seu valor para os interessados.<\/b>
\nVoc\u00ea nunca ter\u00e1 sucesso como especialista em Data Science se os interessados nunca aplicarem seus modelos para a tomada de decis\u00f5es empresariais. Uma das formas de garantir a aceita\u00e7\u00e3o do modelo \u00e9 encontrar um ponto problem\u00e1tico de neg\u00f3cios e mostrar como o modelo pode ajudar. <\/p>\n

Ap\u00f3s conversar com nosso departamento de vendas, percebi que dois representantes trabalhavam em tempo integral, revisando manualmente milh\u00f5es de usu\u00e1rios na base de dados da empresa para identificar usu\u00e1rios com licen\u00e7as individuais que t\u00eam mais probabilidade de migrar para licen\u00e7as para equipes. Um conjunto de crit\u00e9rios foi utilizado na sele\u00e7\u00e3o, mas esse processo levava muito tempo, pois os representantes examinavam um usu\u00e1rio por vez. Com o modelo que desenvolvi, os representantes conseguiram selecionar usu\u00e1rios com a maior probabilidade de compra de licen\u00e7as para equipes, aumentando assim a taxa de convers\u00e3o em menos tempo. Isso resultou em uma utiliza\u00e7\u00e3o mais eficaz do tempo, melhorando a taxa de convers\u00e3o dos KPIs relevantes para o departamento de vendas.<\/p>\n

Depois de alguns anos, eu repetidamente desenvolvi os mesmos modelos e senti que n\u00e3o estava mais aprendendo nada de novo. Decidi procurar uma nova posi\u00e7\u00e3o e acabei conseguindo um trabalho como analista de dados. A diferen\u00e7a nas responsabilidades n\u00e3o poderia ser mais significativa em compara\u00e7\u00e3o com os tempos em que eu era cientista de dados, mesmo que novamente estivesse colaborando com o marketing.<\/p>\n

Foi a primeira vez que analisei experimentos A\/B e descobri tudo<\/i> maneiras pelas quais um experimento pode n\u00e3o 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 anal\u00edticas afetadas pelo marketing \u2013 desde aumentar a taxa de convers\u00e3o de classe premium at\u00e9 engajamento de usu\u00e1rios e preven\u00e7\u00e3o de churn. Aprendi muitas maneiras diferentes de visualizar dados e passei muito tempo compilando resultados, apresentando-os a partes interessadas e \u00e0 alta gest\u00e3o. Como cientista de dados, eu principalmente trabalhei com um \u00fanico tipo de modelo e raramente fiz apresenta\u00e7\u00f5es. Vamos avan\u00e7ar alguns anos e falar sobre as habilidades que aprendi para ser uma analista bem-sucedida.<\/p>\n

Habilidades que aprendi para me tornar uma analista de dados bem-sucedida<\/h2>\n

\n1. Aprenda a contar hist\u00f3rias com dados<\/b>
\nN\u00e3o olhe para os KPIs individualmente. Conecte-os, veja o neg\u00f3cio como um todo. Isso permitir\u00e1 identificar \u00e1reas que se influenciam mutuamente. A alta gest\u00e3o v\u00ea o neg\u00f3cio atrav\u00e9s dessa lente, e a pessoa que demonstra essa habilidade \u00e9 notada quando chega a hora de tomar decis\u00f5es sobre promo\u00e7\u00f5es.<\/p>\n

2. Forne\u00e7a ideias acion\u00e1veis<\/b>
\nD\u00ea ao neg\u00f3cio uma ideia acion\u00e1vel<\/i> para resolver um problema. Melhor ainda, se voc\u00ea proativamente sugerir uma solu\u00e7\u00e3o antes mesmo de se declarar que est\u00e1 lidando com um problema priorit\u00e1rio. <\/p>\n

Por exemplo, se voc\u00ea dissesse ao marketing: \"Eu notei que o n\u00famero de visitantes do site tem diminu\u00eddo mensalmente ultimamente\"<\/i>. Essa \u00e9 uma tend\u00eancia que eles poderiam ter notado no painel, mas voc\u00ea n\u00e3o ofereceu nenhuma solu\u00e7\u00e3o valiosa como analista, pois apenas afirmou uma observa\u00e7\u00e3o. <\/p>\n

Em vez disso, investigue os dados para encontrar a causa e sugerir uma solu\u00e7\u00e3o. Um bom exemplo para o marketing seria: \"Eu notei que recentemente temos tido uma diminui\u00e7\u00e3o no n\u00famero de visitantes ao nosso site. Descobri que a origem do problema \u00e9 a pesquisa org\u00e2nica, devido a mudan\u00e7as recentes que resultaram na queda do nosso ranking no Google\"<\/i>. Essa abordagem mostra que voc\u00ea estava monitorando os KPIs da empresa, percebeu uma mudan\u00e7a, investigou a causa e sugeriu uma solu\u00e7\u00e3o para o problema.<\/p>\n

3. Torne-se um conselheiro confi\u00e1vel<\/b>
\nVoc\u00ea precisa se tornar a primeira pessoa a quem seus interessados se dirigem para recomenda\u00e7\u00f5es ou perguntas sobre a \u00e1rea de atua\u00e7\u00e3o que voc\u00ea suporta. N\u00e3o h\u00e1 um caminho curto, pois para demonstrar essas habilidades \u00e9 necess\u00e1rio tempo. A chave para isso \u00e9 fornecer consistentemente an\u00e1lises de alta qualidade com o m\u00ednimo de erros. Qualquer erro nos c\u00e1lculos custar\u00e1 pontos de confian\u00e7a, porque na pr\u00f3xima vez que voc\u00ea fornecer uma an\u00e1lise, as pessoas podem se questionar: Se voc\u00ea estava errado da \u00faltima vez, pode estar errado novamente agora?<\/i>. Sempre verifique seu trabalho duas vezes. Tamb\u00e9m n\u00e3o faz mal pedir ao seu gerente ou colega para dar uma olhada em seus n\u00fameros antes de apresent\u00e1-los, caso voc\u00ea tenha alguma d\u00favida sobre sua an\u00e1lise.<\/p>\n

4. Aprenda a comunicar claramente resultados complexos<\/b>
\nNovamente, n\u00e3o h\u00e1 atalho para aprender a se comunicar de forma eficaz. Isso requer pr\u00e1tica, e com o tempo voc\u00ea se tornar\u00e1 melhor nisso. O principal \u00e9 identificar os pontos-chave do que voc\u00ea deseja fazer e recomendar quaisquer a\u00e7\u00f5es que, a partir de sua an\u00e1lise, os interessados possam tomar para aprimorar o neg\u00f3cio. Quanto mais alto voc\u00ea estiver na hierarquia da organiza\u00e7\u00e3o, mais importante ser\u00e1 a habilidade de se comunicar. Transmitir resultados complexos \u00e9 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 'incr\u00edvel' e 'estrela' \u00e9 o que considero sucesso. Agora que voc\u00ea conhece esses segredos, espero que seu caminho o leve mais rapidamente ao sucesso, seja qual for a sua defini\u00e7\u00e3o.<\/p>\n

E para que seu caminho para o sucesso seja ainda mais r\u00e1pido, use o c\u00f3digo promocional HABR<\/b>, que garante um desconto adicional de 10% sobre o valor indicado no banner.<\/p>\n

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