Obstaja veliko člankov o veščinah, potrebnih za to, da postaneš dober podatkovni znanstvenik ali analitik podatkov, a le v redkih člankih pišejo o veščinah, potrebnih za uspeh - bodisi gre za izjemno oceno dela, pohvalo od vodstva, napredovanje ali vse našteto. Danes vam predstavljamo gradivo, avtorica katere bi rada delila svoje osebne izkušnje iz dela kot podatkovna znanstvenica in analitika podatkov ter to, kar se je naučila na poti do uspeha.
Imela sem srečo: ponudili so mi delovno mesto podatkovne znanstvenice, ko še nisem imela nobenih izkušenj v podatkovni znanosti. Kako sem se spoprijela s to nalogo, je druga zgodba, in moram reči, da sem imela le megleno predstavo o tem, kaj počne podatkovni znanstvenik, preden sem sprejela to delo.
Zaposlili so me za delo na ustvarjanju podatkovnih cevovodov zaradi mojega prejšnjega dela kot inženirja za obdelavo podatkov, kjer sem razvila podatkovno skladišče za napredno analizo, ki ga uporablja skupina podatkovnih znanstvenikov.
Moje prvo leto dela kot podatkovna znanstvenica je vključevalo ustvarjanje podatkovnih cevovodov za usposabljanje modelov strojnega učenja in njihovo uvedbo v proizvodnjo. Držala sem se v senci in nisem sodelovala na mnogih srečanjih z zainteresiranimi stranmi v marketingu, ki so bili končni uporabniki modelov.
V drugem letu mojega dela v podjetju je odšel vodja za obdelavo in analizo podatkov, odgovoren za marketing. Od takrat sem postala glavna oseba in bolj aktivno sodelovala pri razvoju modelov in razpravljanju o časovnih rokih izvajanja projektov.
Skozi komunikacijo z zainteresiranimi stranmi sem spoznala, da je podatkovna znanost meglena pojem, o katerem so ljudje slišali, vendar ga ne razumejo povsem, zlasti ko gre za višje vodstvo.
Zgradila sem več kot sto modelov, a le tretjina jih je bila uporabljena, saj nisem vedela, kako pokazati njihovo vrednost, čeprav so bili modeli prvotno zahtevani s strani marketinga.
Eden od članov moje ekipe je porabil mesece za razvoj modela, ki naj bi po mnenju višjega vodstva pokazal vrednost ekipe znanstvenikov podatkov. Ideja je bila, da se ta model razširi po celotni organizaciji po njegovi dokončanju ter spodbuja tržne ekipe k njegovi uporabi.
To se je končalo s popolnim neuspehom, ker nihče ni razumel, kaj je model strojnega učenja, in ni mogel razumeti vrednosti njegove uporabe. Na koncu so bili meseci zapravljeni za nekaj, česar nihče ni želel.
Iz takšnih situacij sem pridobila določene lekcije, ki jih bom navedla spodaj.
Lekcije, ki sem jih pridobila, da postanem uspešna znanstvenica podatkov
1. Prilagodite se uspehu z izbiro pravega podjetja.
Med razgovorom za službo v podjetju vprašajte o kulturi podatkov in o tem, koliko modelov strojnkega učenja je sprejetih in uporabljenih pri odločanju. Prosite za primere. Ugotovite, ali je infrastruktura podatkov pripravljena za začetek modeliranja. Če boste 90 % svojega časa porabili za pridobivanje in čiščenje surovih podatkov, vam praktično ne bo ostalo časa za izgradnjo kakršnih koli modelov, da bi pokazali svojo vrednost kot znanstvenik podatkov. Bodite previdni, če ste bili zaposleni kot znanstvenik podatkov prvič. To je lahko bodisi dobro bodisi slabo, odvisno od kulture podatkov. Lahko se soočite z velikim odporom pri uvedbi modela, če višje vodstvo zaposluje specialist za znanost o podatkih le zato, ker si podjetje želi pridobiti naziv ki "uporablja znanost o podatkih za sprejemanje boljših odločitev", toda nima pojma, kaj to pravzaprav pomeni. Poleg tega, če najdete podjetje, ki je osredotočeno na podatke (data driven), boste rasli skupaj z njim.
2. Poznajte podatke in ključne kazalnike uspešnosti (KPI).
Na začetku sem omenila, da sem kot inžinir za obdelavo podatkov ustvarila vitrine analitičnih podatkov za ekipo znanstvenikov podatkov. Ko sem postala znanstvenica podatkov, sem lahko odkrila nove priložnosti, ki so povečale natančnost modelov, ker sem intenzivno delala s surovimi podatki na prejšnjem delovnem mestu.
Predstavila sem rezultate ene od naših kampanj in pokazala modele, ki generirajo višje stopnje konverzije (v odstotkih), nato pa je bila izmerjena ena izmed KPI kampanj. To je pokazalo vrednost modela za poslovno učinkovitost, s katero je povezan marketing.
3. Zagotovite sprejem modela tako, da pokažete njegovo vrednost zainteresiranim stranem.
Nikoli ne boste uspeli kot strokovnjak za podatkovne znanosti, če zainteresirane strani nikoli ne bodo uporabljale vaših modelov za sprejemanje poslovnih odločitev. Eden izmed načinov za zagotovitev sprejema modela je, da najdete bolečo točko v poslu in pokažete, kako lahko model pomaga.
Po pogovoru z našim prodajnim oddelkom sem ugotovila, da dva predstavnika delata s polnim delovnim časom in ročno pregledujeta milijone uporabnikov v podatkovni bazi podjetja, da bi našla uporabnike z enojnimi licencami, ki imajo večjo verjetnost, da preidejo na skupinske licence. Pri izboru je bil uporabljen niz meril, vendar je bilo iskanje zelo zamudno, saj sta predstavnika pregledovala uporabnike enega za drugim. S pomočjo modela, ki sem ga razvila, sta predstavnika lahko izbirala uporabnike z največjo verjetnostjo nakupa skupinske licence in povečala verjetnost konverzije v krajšem času. To je pripeljalo do bolj učinkovite uporabe časa z izboljšanjem stopnje konverzije za ključne kazalnike uspešnosti, povezane s prodajnim oddelkom.
Minilo je nekaj let, in večkrat sem razvila iste modele ter imela občutek, da ne morem več naučiti nič novega. Odločila sem se poiskati drugo delovno mesto in na koncu dobila službo analitika podatkov. Razlika v dolžnostih preprosto ni mogla biti bolj izrazita v primerjavi s časom, ko sem bila znanstvenica za podatke, kljub temu, da sem ponovno podpirala marketing.
To je bil prvič, da sem analizirala A/B eksperimente in ugotovila. vse načini, kako se eksperiment može pogrešno odviti. Kao data scientist, nikada nisam radila na A/B testiranju, jer je to bilo rezervisano za tim eksperimentatora. Radila sam na širokom spektru analitičkih istraživanja, na koja je uticao marketing — od povećanja konverzije premijum klase do angažovanja korisnika i sprečavanja gubitka. Naučila sam mnogo različitih načina za pregled podataka i provela mnogo vremena na kompajliranju rezultata, predstavljanju zainteresovanim stranama i višem menadžmentu. Kao data scientist, uglavnom sam radila na jednom tipu modela i retko izlagala izveštaje. Prebacimo se nekoliko godina unapred i razgovarajmo o veštinama koje sam naučila da bih postala uspešan analitičar.
Veštine koje sam naučila da postanem uspešan analitičar podataka
1. Naučite da pričate priče koristeći podatke
Ne gledajte na KPI-eve odvojeno. Povežite ih, sagledajte biznis kao celinu. To će omogućiti identifikaciju međusobno povezanih oblasti. Viši menadžment gleda na biznis kroz prizmu, i osoba koja pokazuje ovu sposobnost će biti primećena kada dođe vreme za donošenje odluka o unapređenju.
2. Pružite delotvorne ideje
Pružite biznisu delotvornu ideju za rešavanje problema. Čak je i bolje ako proaktivno sugerišete rešenje pre nego što se postavi pitanje o hitnom problemu.
Na primer, da ste rekli marketingu: „Primijetio sam da je u poslednje vreme mesečno opadao broj posetilaca sajta“. Ovo je trend koji su mogli primetiti na kontrolnoj tabli, i niste ponudili nikakvo korisno rešenje kao analitičar, jer ste samo konstatovali uočavanje.
Umesto toga, istražite podatke da biste pronašli uzrok i ponudili rešenje. Najbolji primer za marketing bi bio: „Primijetio sam da je u poslednje vreme opao broj posetilaca našeg web sajta. Otkrio sam da je uzrok problema obična pretraga, zbog nedavnih promena koje su dovele do pada našeg rejtinga na pretraživaču Google“. Ovakav pristup pokazuje da ste pratili KPI kompanije, primetili promenu, istražili uzrok i ponudili rešenje problema.
3. Postanite pouzdan savetnik
Postanite prva osoba na koju se vaši zainteresirani strani obraćaju za preporuke ili pitanja o području rada koje podržavate. Ne postoji kratki put jer demonstracija tih vještina zahtijeva vrijeme. Ključ je u dosljednom pružanju visokokvalitetnih analiza s minimalnim greškama. Svaka greška u izračunima koštat će vas povjerenja, jer će se sljedeći put kada pružite analizu ljudi pitati: Ako ste pogriješili prošli put, možda se i ovaj put varate?. Uvijek dvaput provjerite svoj rad. Također, ne bi škodilo da zamolite svog menadžera ili kolegu da pogleda vaše brojke prije nego što ih predstavite, ako imate bilo kakve sumnje u vezi vaših analiza.
4. Naučite jasno prenositi složene rezultate
Ponovno, nema kratkog puta do učinkovitih komunikacija. To zahtijeva praksu, a s vremenom ćete postati bolji u tome. Najvažnije je definirati ključne točke onoga što želite učiniti i preporučiti bilo kakve radnje koje zainteresirane strane mogu poduzeti na temelju vaših analiza za poboljšanje poslovanja. Što ste viši na karijernoj ljestvici u organizaciji, to je važnije umijeće komunikacije. Prenošenje složenih rezultata važna je vještina koju treba demonstrirati. Provela sam godine učeći tajne uspjeha kao data scientist i analitičar podataka. Ljudi različito definiraju uspjeh. Dobiti povratnu informaciju kao "izvanredan" i "zvjezdani" analitičar - to je uspjeh u mojim očima. Sada kada znate te tajne, nadam se da će vaš put brže odvesti do uspjeha, bez obzira kako ga definirali.
A kako bi vaš put do uspjeha bio još brži, zadržite promotivni kod HABR, uz koji možete dobiti dodatnih 10% popusta od navedenog na plakatu.
Još tečajeva
Preporučeni članci
Izvor: habr.com
