Existuje mnoho článkov o zručnostiach potrebných na to, aby bol niekto dobrým dátovým vedcom alebo analytikom dát, ale len v niekoľkých článkoch sa hovorí o zručnostiach, ktoré sú nevyhnutné pre úspech — či už ide o výnimočné hodnotenie výkonu, pochvalu od vedenia, povýšenie, alebo všetky uvedené faktory. Dnes vám predstavujeme materiál, ktorý napísala osoba, ktorá by sa rada podelila o svoje osobné skúsenosti ako dátový vedec a analytik dát, a o tom, čo sa naučila pre dosiahnutie úspechu.
Mala som šťastie: ponúkli mi pozíciu dátového vedca, keď som nemala žiadne skúsenosti v oblasti Data Science. Ako som sa s touto úlohou vyrovnala, je iný príbeh, a chcem povedať, že som mala iba veľmi rozmazanú predstavu o tom, čo robí dátový vedec, kým som prijala túto prácu.
Bola som najatá na prácu vytvárania dátových potrubí kvôli mojej predchádzajúcej práci ako inžinier spracovania dát, kde som navrhla datový sklad pre prediktívnu analýzu, ktorý používala skupina dátových vedcov.
Môj prvý rok práce ako dátový vedec zahŕňal vytváranie dátových potrubí pre školenie modelov strojového učenia a ich uvedenie do produkcie. Zostávala som v pozadí a nezúčastňovala som sa na mnohých stretnutiach so zainteresovanými stranami v marketingu, ktorí boli konečnými používateľmi modelov.
V druhom roku mojej práce v spoločnosti odišiel manažér pre spracovanie a analýzu dát zodpovedný za marketing. Od tej doby som sa stala hlavnou postavou a aktívnejšie som sa zapájala do vývoja modelov a diskusií o termínoch realizácie projektov.
Počas komunikácie so zainteresovanými stranami som si uvedomila, že Data Science je nezrozumiteľný pojem, o ktorom sa ľudia počuli, ale úplne nerozumejú jeho významu, hlavne pokiaľ ide o vrcholové vedenie.
Vytvorila som viac ako sto modelov, ale len tretina z nich bola využívaná, pretože som nevedela, ako ukázať ich hodnotu, aj keď boli modely pôvodne požadované marketingom.
Jeden z členov môjho tímu strávil mesiace vývojom modelu, ktorý podľa názoru vrcholového vedenia preukáže hodnotu tímu dátových vedcov. Myšlienkou bolo rozšíriť tento model na celú organizáciu po jeho vyvinutí a povzbudzovať marketingové tímy, aby ho aplikovali.
Toto sa skončilo úplným zlyhaním, pretože nikto nechápal, čo je model strojového učenia, a nedokázal pochopiť hodnotu jeho použitia. Nakoniec boli mesiace premárnené, na niečo, o čo nikto nestál.
Z takýchto situácií som si vzala určité ponaučenia, ktoré uvádzam nižšie.
Ponaučenia, ktoré som získala na to, aby som sa stala úspešným dátovým vedcom
1. Nastavte sa na úspech výberom správnej spoločnosti.
Počas pohovoru v spoločnosti sa pýtajte na kultúru dát a na to, koľko modelov strojového učenia je prijatých a používaných pri rozhodovaní. Požiadajte o príklady. Zistite, či je infraštruktúra dát nastavená na začatie modelovania. Ak strávite 90% svojho času snažením sa získať surové údaje a vyčistiť ich, takmer nebudete mať čas na vytvorenie akýchkoľvek modelov, aby ste preukázali svoju hodnotu ako dátový vedec. Buďte opatrní, ak ste na pozíciu dátového vedca najatí prvýkrát. Môže to byť dobré aj zlé, v závislosti od kultúry dát. Môžete čeliť veľkému odporu pri zavádzaní modelu, ak vrcholové vedenie najíma odborníka na Data Science len preto, že spoločnosť chce byť známa ako používajúca Data Science na lepšie rozhodovanie, ale nemá tušenie, čo to vlastne znamená. Navyše, ak nájdete spoločnosť, ktorá je riadená dátami (data driven), budete rásť spolu s ňou.
2. Poznajte dáta a kľúčové ukazovatele výkonnosti (KPI).
Na začiatku som spomenula, že ako inžinier spracovania údajov som vytvorila analytický výhľad pre tím dátových vedcov. Po tom, čo som sa stala dátovým vedcom, som dokázala nájsť nové príležitosti, ktoré zvýšili presnosť modelov, pretože som intenzívne pracovala so surovými údajmi na predchádzajúcej pozícii.
Predstavila som výsledky jednej z našich kampaní, vďaka čomu som mohla preukázať modely, ktoré generujú vyššie konverzné pomery (v percentách). Následne bola zmeraná jedna z kampaní KPI. To ukázalo hodnotu modelu pre efektivitu podnikania, s ktorou môže byť spojený marketing.
3. Zabezpečte akceptáciu modelu preukázaním jeho hodnoty zúčastneným stranám
Nikdy nebudete úspešní ako odborník v oblasti Data Science, ak zainteresované strany nikdy nebudú aplikovať vaše modely na obchodné rozhodovanie. Jedným zo spôsobov, ako zabezpečiť prijatie modelu, je nájsť bolestivú oblasť podnikania a ukázať, ako môže model pomôcť.
Po rozhovore s naším predajným oddelením som si uvedomila, že dvaja zástupcovia pracujú na plný úväzok, ručne prechádzajú milióny používateľov v databáze spoločnosti, aby identifikovali používateľov s jednorazovými licenciami, ktorí majú najväčšiu pravdepodobnosť prechodu na tímové licencie. Pri výbere sa používal súbor kritérií, avšak proces trval veľa času, pretože zástupcovia prezerali používateľov jedného po druhom. S modelom, ktorý som vyvinula, mohli zástupcovia vyberať používateľov s najvyššou pravdepodobnosťou nákupu tímovej licencie a zvyšovať pravdepodobnosť konverzie za kratší čas. To viedlo k efektívnejšiemu využívaniu času zvýšením konverzného pomeru pre kľúčové ukazovatele výkonnosti, s ktorými môže mať predajné oddelenie súvis.
Prešli niekoľko rokov a ja som opakovane vyvíjala rovnaké modely a cítila som, že sa už nič nové nenaučím. Rozhodla som sa hľadať iné zamestnanie a nakoniec som dostala pozíciu analytika dát. Rozdiel v povinnostiach nemohol byť výraznejší v porovnaní s tým obdobím, keď som bola dátovou vedkyňou, aj keď som opäť podporovala marketing.
Toto bol prvýkrát, keď som analyzovala A/B experimenty a zistila všetky spôsoby, akými môže experiment zlyhať. Ako dátový vedec som sa vôbec nezaoberala A/B testovaním, pretože to patrilo tímu experimentátorov. Pracovala som na širokom spektre analytických štúdií, na ktoré mal vplyv marketing – od zvyšovania konverzného pomeru prémie až po angažovanosť používateľov a prevenciu odchodu. Naučila som sa množstvo rôznych spôsobov, ako nazerať na údaje, a strávila som veľa času kompilovaním výsledkov, prezentovaním zainteresovaným stranám a vrcholovému vedeniu. Ako dátový vedec som sa väčšinou zaoberala jedným typom modelu a zriedkavo vystupovala s prezentáciami. Presuňme sa o niekoľko rokov neskôr a prejdime k zručnostiam, ktoré som sa naučila, aby som bola úspešná analytik.
Zručnosti, ktoré som sa naučila, aby som sa stala úspešnou analytikou dát
1. Naučte sa rozprávať príbehy pomocou údajov
Nehľadte na KPI jednotlivo. Prepojte ich, pozrite sa na podnik ako na celok. To umožní určiť vzájomne sa ovplyvňujúce oblasti. Vrcholové vedenie sleduje podnik cez prizmu a osobu, ktorá ukazuje túto schopnosť, si všimnú, keď príde čas na rozhodovanie o povýšení.
2. Poskytnite praktické nápady
Poskytnite podniku praktický návrh na riešenie problému. Ešte lepšie, ak proaktívne navrhnete riešenie, keď sa ešte nepovedalo, že sa zaoberáte prioritným problémom.
Napríklad, ak by ste povedali marketingovému tímu: "Všimol/a som si, že v poslednej dobe klesá počet návštevníkov webových stránok každý mesiac". Toto je tendencia, ktorú mohli zaznamenať na kontrolnom paneli a nie ste prispeli žiadnym hodnotným riešením ako analytik, pretože ste len uviedli pozorovanie.
Namiesto toho preskúmajte údaje, aby ste našli príčinu a navrhli riešenie. Najlepším príkladom pre marketing by bolo: "Všimol/a som si, že v poslednej dobe klesá počet návštevníkov našich webových stránok. Zistil/a som, že zdrojom problému je organické vyhľadávanie, kvôli nedávnym zmenám, ktoré viedli k poklesu našej pozície vo vyhľadávači Google". Tento prístup ukazuje, že ste sledovali KPI spoločnosti, všimli ste si zmenu, preskúmali príčinu a navrhli riešenie problému.
3. Staňte sa dôveryhodným poradcom
Musíte se stát první osobou, na kterou se vaši zainteresovaní klienti obracejí s doporučeními nebo otázkami ohledně vámi podporované oblasti činnosti. Neexistuje žádná zkratka, protože k prokázání těchto schopností je potřeba čas. Klíčem k tomu je konzistentní poskytování kvalitní analýzy s minimem chyb. Jakákoliv chyba ve výpočtech vás připraví o důvěru, protože příště, když poskytnete analýzu, se lidé mohou ptát: Pokud jste se minule mýlili, mýlíte se snad i tentokrát?. Vždy dvakrát zkontrolujte svou práci. Také se vyplatí požádat vašeho manažera nebo kolegu, aby se podívali na vaše čísla, než je představíte, pokud máte nějaké pochybnosti o vaší analýze.
4. Naučte se jasně komunikovat složité výsledky
Znovu, neexistuje žádná zkratka k tomu, jak se naučit efektivní komunikaci. To vyžaduje praxi, a s časem se v tom zlepšíte. Hlavní je určit klíčové body toho, co chcete sdělit, a doporučit jakékoliv akce, které by na základě vaší analýzy mohli zainteresovaní klienti podniknout ke zlepšení podnikání. Čím výše jste na kariérním žebříčku v organizaci, tím důležitější je umění komunikace. Předávání složitých výsledků je důležitá dovednost, kterou je třeba demonstrovat. Strávila jsem roky učením se tajemství úspěchu jako datový vědec a analytik dat. Lidé posuzují úspěch různě. Získat charakteristiku "úžasného" a "hvězdného" analytika - to je úspěch v mých očích. Teď, když znáte tato tajemství, doufám, že vaše cesta rychleji povede k úspěchu, jakýmkoli způsobem jej definujete.
Aby byla vaše cesta k úspěchu ještě rychlejší, mějte promo kód HABR, díky kterému můžete získat další 10% slevu na uvedenou slevu na banneru.
Ďalšie kurzy
Odporúčané články
Zdroj: habr.com
