Obstaja veliko člankov o veščinah, ki jih potrebuješ, da si dober podatkovni znanstvenik ali podatkovni analitik, vendar le malo člankov govori o veščinah, potrebnih za uspeh – pa naj bo to izjemna ocena uspešnosti, pohvala vodstva, napredovanje ali vse našteto. Danes vam predstavljamo gradivo, katerega avtorica bi rada delila svojo osebno izkušnjo podatkovnega znanstvenika in podatkovnega analitika ter kaj se je naučila za uspeh.
Imel sem srečo: ponudili so mi mesto podatkovnega znanstvenika, ko nisem imel izkušenj s podatkovno znanostjo. Kako sem se lotil naloge, je druga zgodba in želim reči, da sem imel le nejasno predstavo o tem, kaj počne podatkovni znanstvenik, preden sem sprejel službo.
Za delo na podatkovnih kanalih so me zaposlili zaradi moje prejšnje službe podatkovnega inženirja, kjer sem razvil podatkovni trg za napovedno analitiko, ki ga uporablja skupina podatkovnih znanstvenikov.
Moje prvo leto kot podatkovni znanstvenik je vključevalo ustvarjanje podatkovnih cevovodov za usposabljanje modelov strojnega učenja in njihovo uvedbo v proizvodnjo. Ostal sem skromen in nisem sodeloval na številnih sestankih z deležniki v marketingu, ki so bili končni uporabniki modelov.
V drugem letu mojega dela v podjetju je odšla vodja obdelave in analize podatkov, odgovorna za marketing. Od takrat naprej sem postal glavni igralec in bolj aktivno sodeloval pri razvoju modelov in dogovarjanju o rokih projektov.
Ko sem komuniciral z zainteresiranimi stranmi, sem ugotovil, da je podatkovna znanost nejasen koncept, za katerega so ljudje slišali, a ga ne razumejo povsem, zlasti na višjih vodstvenih ravneh.
Izdelal sem več kot sto modelov, a jih je bila uporabljena le tretjina, ker nisem znal pokazati njihove vrednosti, čeprav je modele zahteval predvsem marketing.
Eden od članov moje ekipe je mesece razvijal model, za katerega je višje vodstvo menilo, da bo pokazal vrednost ekipe za podatkovno znanost. Zamisel je bila razširiti model po vsej organizaciji, ko je bil razvit, in spodbuditi marketinške ekipe, da ga sprejmejo.
Izkazalo se je za popolno napako, ker nihče ni razumel, kaj je model strojnega učenja, ali ni mogel razumeti vrednosti njegove uporabe. Posledično so bili meseci izgubljeni za nekaj, česar si nihče ni želel.
Iz takih situacij sem se naučil nekaj lekcij, ki jih bom navedel v nadaljevanju.
Lekcije, ki sem se jih naučil, da sem postal uspešen podatkovni znanstvenik
1. Pripravite se na uspeh z izbiro pravega podjetja.
Pri razgovoru v podjetju se vprašajte o podatkovni kulturi in o tem, koliko modelov strojnega učenja je sprejetih in uporabljenih pri odločanju. Vprašajte za primere. Ugotovite, ali je vaša podatkovna infrastruktura nastavljena za začetek modeliranja. Če porabite 90 % svojega časa za pridobivanje neobdelanih podatkov in njihovo čiščenje, vam bo ostalo malo ali nič časa za izdelavo kakršnih koli modelov, s katerimi boste dokazali svojo vrednost kot podatkovni znanstvenik. Bodite previdni, če vas prvič zaposlijo kot podatkovnega znanstvenika. To je lahko dobra ali slaba stvar, odvisno od podatkovne kulture. Morda boste naleteli na večji odpor do izvajanja modela, če višje vodstvo zaposli podatkovnega znanstvenika samo zato, ker želi podjetje biti znano kot uporaba Data Science za sprejemanje boljših odločitev, vendar nima pojma, kaj to dejansko pomeni. Poleg tega, če najdete podjetje, ki temelji na podatkih, boste z njim rasli.
2. Spoznajte podatke in ključne kazalnike uspešnosti (KPI).
Na začetku sem omenil, da sem kot podatkovni inženir ustvaril analitični podatkovni trg za ekipo podatkovnih znanstvenikov. Ker sem tudi sam postal podatkovni znanstvenik, sem lahko našel nove priložnosti, ki so povečale natančnost modelov, saj sem v prejšnji vlogi intenzivno delal z neobdelanimi podatki.
S predstavitvijo rezultatov ene od naših kampanj sem lahko prikazal modele, ki ustvarjajo višje stopnje konverzije (v odstotkih), nato pa izmeril enega od KPI-jev kampanje. To je pokazalo vrednost modela za uspešnost poslovanja, s katerim je mogoče povezati marketing.
3. Zagotovite sprejetje modela tako, da zainteresiranim stranem pokažete njegovo vrednost
Nikoli ne boste uspešni kot podatkovni znanstvenik, če vaši deležniki nikoli ne bodo uporabljali vaših modelov za sprejemanje poslovnih odločitev. Eden od načinov za zagotovitev sprejetja modela je, da poiščete poslovno težavo in pokažete, kako lahko model pomaga.
Po pogovoru z našo prodajno ekipo sem ugotovil, da sta dva predstavnika delala polni delovni čas in ročno prečesavala milijone uporabnikov v bazi podatkov podjetja, da bi identificirala uporabnike z enojno licenco, za katere je večja verjetnost, da bodo nadgradili na timske licence. Pri izbiri so uporabljali niz kriterijev, vendar je izbira trajala dolgo, ker so predstavniki gledali enega uporabnika naenkrat. Z uporabo modela, ki sem ga razvil, so predstavniki lahko ciljali na uporabnike, ki bodo najverjetneje kupili ekipno licenco, in povečali verjetnost konverzije v krajšem času. Posledica tega je učinkovitejša poraba časa s povečanjem stopenj konverzije za ključne kazalnike uspešnosti, s katerimi se lahko poveže prodajna ekipa.
Minilo je nekaj let in vedno znova sem razvijal iste modele in čutil sem, da se ne učim več ničesar novega. Odločil sem se, da poiščem drugo delovno mesto in na koncu dobil položaj analitika podatkov. Razlika v odgovornosti ne bi mogla biti pomembnejša v primerjavi s časom, ko sem bil podatkovni znanstvenik, čeprav sem nazaj podpiral trženje.
To je bilo prvič, da sem analiziral A/B eksperimente in našel Vsi načinov, kako gre lahko poskus narobe. Kot podatkovni znanstvenik se A/B testiranja sploh nisem ukvarjal, ker je bilo rezervirano za eksperimentalno ekipo. Delal sem na širokem naboru analitike, ki vpliva na trženje – od zvišanja premijskih stopenj konverzije do angažiranja uporabnikov in preprečevanja odliva. Naučil sem se veliko različnih načinov gledanja podatkov in porabil veliko časa za zbiranje rezultatov ter njihovo predstavitev zainteresiranim stranem in višjemu vodstvu. Kot podatkovni znanstvenik sem večinoma delal na eni vrsti modela in redko imel predavanja. Hitro naprej nekaj let do veščin, ki sem se jih naučil, da sem uspešen analitik.
Spretnosti, ki sem se jih naučil, da sem postal uspešen analitik podatkov
1. Naučite se pripovedovati zgodbe s podatki
KPI-jev ne glejte ločeno. Povežite jih, poglejte na posel kot celoto. Tako boste lahko prepoznali področja, ki vplivajo drug na drugega. Višje vodstvo gleda na posel skozi lečo in osebo, ki pokaže to spretnost, opazijo, ko pride čas za sprejemanje odločitev o napredovanju.
2. Zagotovite uporabne zamisli.
Zagotovite posel učinkovita ideja rešiti problem. Še bolje je, če proaktivno ponudite rešitev, ko še ni bilo rečeno, da se ukvarjate z osnovno težavo.
Na primer, če ste marketingu rekli: "Opazil sem, da se v zadnjem času število obiskovalcev strani vsak mesec zmanjšuje.". To je trend, ki so ga morda opazili na nadzorni plošči, vi pa kot analitik niste ponudili nobene dragocene rešitve, ker ste samo navedli opažanje.
Namesto tega preglejte podatke, da poiščete vzrok in predlagate rešitev. Boljši primer za trženje bi bil: »Opažam, da imamo zadnje čase upad obiskanosti naše spletne strani. Odkril sem, da je vir težave organsko iskanje zaradi nedavnih sprememb, ki so povzročile padec uvrstitve v Googlovem iskanju.". Ta pristop kaže, da ste sledili KPI-jem podjetja, opazili spremembo, raziskali vzrok in predlagali rešitev težave.
3. Postanite zaupanja vreden svetovalec
Morate biti prva oseba, na katero se vaši deležniki obrnejo za nasvet ali vprašanja o podjetju, ki ga podpirate. Bližnjice ni, ker je potreben čas za prikaz teh sposobnosti. Ključ do tega je dosledno zagotavljanje visokokakovostne analize z minimalnimi napakami. Vsak napačen izračun vas bo stal točk verodostojnosti, saj se bodo ljudje naslednjič, ko boste podali analizo, morda vprašali: Če ste se motili zadnjič, se morda motite tudi tokrat?. Vedno znova preverite svoje delo. Prav tako ne škodi, če svojega vodjo ali sodelavca prosite, naj pogleda vaše številke, preden jih predstavi, če dvomite o svoji analizi.
4. Naučite se jasno sporočati kompleksne rezultate.
Še enkrat, ni bližnjice do učenja učinkovitega komuniciranja. To zahteva prakso in sčasoma boste postali boljši. Ključno je, da prepoznate glavne točke tega, kar želite narediti, in priporočite vse ukrepe, ki jih lahko zainteresirane strani na podlagi vaše analize izvedejo za izboljšanje poslovanja. Višje kot ste v organizaciji, pomembnejše so vaše komunikacijske sposobnosti. Sporočanje kompleksnih rezultatov je pomembna veščina, ki jo je treba pokazati. Leta sem se učil skrivnosti uspeha kot podatkovni znanstvenik in podatkovni analitik. Ljudje različno definirajo uspeh. Biti opisan kot "neverjeten" in "zvezdniški" analitik je v mojih očeh uspeh. Zdaj, ko poznate te skrivnosti, upam, da vas bo vaša pot hitro pripeljala do uspeha, kakor koli že to definirate.
In da bo vaša pot do uspeha še hitrejša, obdržite promocijsko kodo HABR, s katerim lahko pridobite dodatnih 10% na popust, ki je naveden na pasici.
Več tečajev
Predstavljeni članki
Vir: www.habr.com