Existuje veľa článkov o zručnostiach potrebných na to, aby ste boli dobrým dátovým vedcom alebo dátovým analytikom, ale len málo článkov hovorí o zručnostiach potrebných na úspech – či už ide o výnimočné hodnotenie výkonu, pochvalu od vedenia, povýšenie alebo všetko vyššie uvedené. Dnes vám predstavujeme materiál, ktorého autorka by sa rada podelila o svoje osobné skúsenosti ako dátová vedkyňa a dátová analytička, ako aj to, čo sa naučila, aby dosiahla úspech.
Mal som šťastie: dostal som ponuku na pozíciu dátového vedca, keď som nemal žiadne skúsenosti v dátovej vede. Ako som túto úlohu zvládol, je iný príbeh a chcem povedať, že som mal len hmlistú predstavu o tom, čo robí dátový vedec predtým, ako som túto prácu prevzal.
Na prácu na dátových kanáloch som bol prijatý kvôli mojej predchádzajúcej práci dátového inžiniera, kde som vyvinul dátový trh pre prediktívnu analytiku používanú skupinou dátových vedcov.
Môj prvý rok ako dátový vedec zahŕňal vytváranie dátových kanálov na trénovanie modelov strojového učenia a ich uvedenie do výroby. Držal som sa v ústraní a nezúčastňoval som sa na mnohých stretnutiach s marketingovými zainteresovanými stranami, ktoré boli konečnými používateľmi modelov.
V druhom roku môjho pôsobenia vo firme odišiel manažér spracovania a analýzy dát zodpovedný za marketing. Odvtedy som sa stal hlavným hráčom a aktívnejšie sa podieľal na vývoji modelov a diskusiách o termínoch projektov.
Keď som komunikoval so zainteresovanými stranami, uvedomil som si, že Data Science je vágny pojem, o ktorom ľudia počuli, ale celkom mu nerozumejú, najmä na úrovniach vyššieho manažmentu.
Postavil som vyše sto modelov, no len tretina z nich bola použitá, pretože som nevedel ukázať ich hodnotu, aj keď modely žiadal predovšetkým marketing.
Jeden z členov môjho tímu strávil mesiace vývojom modelu, ktorý podľa názoru vrcholového manažmentu demonštruje hodnotu tímu pre vedu o údajoch. Myšlienkou bolo rozšíriť model v rámci organizácie po jeho vyvinutí a povzbudiť marketingové tímy, aby ho prijali.
Ukázalo sa, že to bolo úplné zlyhanie, pretože nikto nechápal, čo je model strojového učenia, ani nedokázal pochopiť hodnotu jeho používania. Výsledkom bolo, že mesiace boli premárnené na niečo, čo nikto nechcel.
Z takýchto situácií som si odniesol určité ponaučenie, ktoré uvediem nižšie.
Lekcie, ktoré som sa naučil, aby som sa stal úspešným dátovým vedcom
1. Nastavte sa na úspech výberom správnej spoločnosti.
Pri pohovore v spoločnosti sa opýtajte na kultúru údajov a na to, koľko modelov strojového učenia je prijatých a používaných pri rozhodovaní. Požiadajte o príklady. Zistite, či je vaša dátová infraštruktúra nastavená na začatie modelovania. Ak strávite 90 % svojho času pokusmi o získanie nespracovaných údajov a ich vyčistenie, nezostane vám veľa času na zostavenie modelov, ktoré by demonštrovali vašu hodnotu ako dátového vedca. Buďte opatrní, ak ste prvýkrát najatý ako dátový vedec. V závislosti od kultúry údajov to môže byť dobrá alebo zlá vec. Môžete sa stretnúť s väčším odporom voči implementácii modelu, ak vyšší manažment najme Data Scientist len preto, že spoločnosť chce byť známa ako pomocou Data Science robiť lepšie rozhodnutia, ale netuší, čo to vlastne znamená. Navyše, ak nájdete spoločnosť, ktorá je riadená dátami, porastiete s ňou.
2. Poznať údaje a kľúčové ukazovatele výkonnosti (KPI).
Na začiatku som spomenul, že ako dátový inžinier som vytvoril analytický dátový trh pre tím dátových vedcov. Keďže som sa stal dátovým vedcom, mohol som nájsť nové príležitosti, ktoré zvýšili presnosť modelov, pretože som vo svojej predchádzajúcej úlohe intenzívne pracoval s nespracovanými údajmi.
Prezentáciou výsledkov jednej z našich kampaní som mohol ukázať modely generujúce vyššie miery konverzie (v percentách) a následne som zmeral jeden z KPI kampane. To demonštrovalo hodnotu modelu pre výkonnosť podniku, s ktorým je možné spojiť marketing.
3. Zabezpečiť prijatie modelu demonštrovaním jeho hodnoty zainteresovaným stranám
Ako dátový vedec nikdy neuspejete, ak vaše zainteresované strany nikdy nepoužívajú vaše modely na prijímanie obchodných rozhodnutí. Jedným zo spôsobov, ako zabezpečiť prijatie modelu, je nájsť problémový bod podnikania a ukázať, ako môže model pomôcť.
Po rozhovore s naším obchodným tímom som si uvedomil, že dvaja zástupcovia pracovali na plný úväzok a manuálne prečesávali milióny používateľov v databáze spoločnosti, aby identifikovali používateľov s jednotlivými licenciami, u ktorých bola väčšia pravdepodobnosť, že prejdú na tímové licencie. Pri výbere sa použil súbor kritérií, ale výber trval dlho, pretože zástupcovia sa pozerali na jedného používateľa naraz. Pomocou modelu, ktorý som vyvinul, mohli zástupcovia zacieliť na používateľov, ktorí si najpravdepodobnejšie kúpia tímovú licenciu, a zvýšili pravdepodobnosť konverzie za kratší čas. To viedlo k efektívnejšiemu využívaniu času zvýšením miery konverzie pre kľúčové ukazovatele výkonnosti, s ktorými sa môže tím predajcov zaoberať.
Prešlo niekoľko rokov a ja som vyvíjal tie isté modely znova a znova a mal som pocit, že sa už nič nové neučím. Rozhodol som sa hľadať inú pozíciu a nakoniec som získal pozíciu dátového analytika. Rozdiel v zodpovednosti nemohol byť výraznejší v porovnaní s obdobím, keď som bol dátovým vedcom, aj keď som opäť podporoval marketing.
Toto bolo prvýkrát, čo som analyzoval A/B experimenty a zistil som všetko spôsoby, ktorými sa experiment môže pokaziť. Ako dátový vedec som na A/B testovaní vôbec nepracoval, pretože to bolo vyhradené pre experimentálny tím. Pracoval som na širokej škále analýz ovplyvnených marketingom – od zvyšovania prémiovej miery konverzie až po zapojenie používateľov a prevenciu straty. Naučil som sa mnoho rôznych spôsobov, ako sa pozerať na údaje, a strávil som veľa času zostavovaním výsledkov a ich prezentovaním zainteresovaným stranám a vrcholovému manažmentu. Ako dátový vedec som väčšinou pracoval na jednom type modelu a málokedy som mal prednášky. Rýchlo vpred o niekoľko rokov k zručnostiam, ktoré som sa naučil byť úspešným analytikom.
Zručnosti, ktoré som sa naučil, aby som sa stal úspešným dátovým analytikom
1. Naučte sa rozprávať príbehy s údajmi
Nepozerajte sa na KPI izolovane. Spojte ich, pozrite sa na podnikanie ako celok. To vám umožní identifikovať oblasti, ktoré sa navzájom ovplyvňujú. Vrcholový manažment sa na podnikanie pozerá cez šošovku a človeka, ktorý preukáže túto zručnosť, si všimne, keď príde čas na rozhodnutie o povýšení.
2. Poskytnite použiteľné nápady.
Poskytovať obchod efektívny nápad na vyriešenie problému. Ešte lepšie je, ak proaktívne ponúknete riešenie, keď ešte nebolo povedané, že riešite základný problém.
Ak ste napríklad povedali marketingu: „Všimol som si, že v poslednom čase počet návštevníkov stránok každý mesiac klesá.“. Toto je trend, ktorý si mohli všimnúť na prístrojovej doske a vy ste ako analytik neponúkli žiadne hodnotné riešenie, pretože ste len uviedli pozorovanie.
Namiesto toho preskúmajte údaje, aby ste našli príčinu a navrhli riešenie. Lepší príklad pre marketing by bol: „Všimol som si, že v poslednom čase klesá návštevnosť našej stránky. Zistil som, že zdrojom problému je organické vyhľadávanie v dôsledku nedávnych zmien, ktoré spôsobili pokles nášho hodnotenia vo vyhľadávaní 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 byť prvou osobou, na ktorú sa vaše zainteresované strany obrátia so žiadosťou o radu alebo otázky týkajúce sa podnikania, ktoré podporujete. Neexistuje žiadna skratka, pretože preukázanie týchto schopností si vyžaduje čas. Kľúčom k tomu je dôsledné poskytovanie vysokokvalitnej analýzy s minimálnymi chybami. Akýkoľvek nesprávny výpočet vás bude stáť body dôveryhodnosti, pretože keď nabudúce poskytnete analýzu, ľudia sa môžu čudovať: Ak ste sa mýlili minule, možno sa mýlite aj tentokrát?. Vždy dvakrát skontrolujte svoju prácu. Tiež nezaškodí požiadať svojho manažéra alebo kolegu, aby sa pozrel na vaše čísla pred ich predložením, ak máte nejaké pochybnosti o svojej analýze.
4. Naučte sa zrozumiteľne komunikovať komplexné výsledky.
Opäť neexistuje žiadna skratka, ako sa naučiť efektívne komunikovať. Chce to cvik a časom sa v tom zdokonalíte. Kľúčom je identifikovať hlavné body toho, čo chcete urobiť, a odporučiť akékoľvek kroky, ktoré môžu zainteresované strany na základe vašej analýzy podniknúť na zlepšenie podnikania. Čím vyššie ste v organizácii, tým dôležitejšie sú vaše komunikačné schopnosti. Komunikácia komplexných výsledkov je dôležitá zručnosť, ktorú treba preukázať. Roky som sa učil tajomstvám úspechu ako dátový vedec a dátový analytik. Ľudia definujú úspech rôzne. Byť označený ako „úžasný“ a „hviezdny“ analytik je v mojich očiach úspech. Teraz, keď poznáte tieto tajomstvá, dúfam, že vás vaša cesta rýchlo dovedie k úspechu, nech už ho definujete akokoľvek.
A aby bola vaša cesta k úspechu ešte rýchlejšia, nechajte si promo kód HABR, čím môžete získať ďalších 10% k zľave uvedenej na banneri.
Viac kurzov
Odporúčané články
Zdroj: hab.com