{"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\/sl\/blog\/administrirovanie\/kak-stat-uspeshnym-data-sajentistom-i-analitikom-dannyh","title":{"rendered":"Kako postati uspe\u0161en podatkovni znanstvenik in analitik podatkov","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Kako<\/a><\/noindex>
\nObstaja veliko \u010dlankov o ve\u0161\u010dinah, potrebnih za to, da postane\u0161 dober podatkovni znanstvenik ali analitik podatkov, a le v redkih \u010dlankih pi\u0161ejo o ve\u0161\u010dinah, potrebnih za uspeh - bodisi gre za izjemno oceno dela, pohvalo od vodstva, napredovanje ali vse na\u0161teto. Danes vam predstavljamo gradivo, avtorica katere bi rada delila svoje osebne izku\u0161nje iz dela kot podatkovna znanstvenica in analitika podatkov ter to, kar se je nau\u010dila na poti do uspeha.
\n<\/a><\/noindex><\/p>\n

Imela sem sre\u010do: ponudili so mi delovno mesto podatkovne znanstvenice, ko \u0161e nisem imela nobenih izku\u0161enj v podatkovni znanosti. Kako sem se spoprijela s to nalogo, je druga zgodba, in moram re\u010di, da sem imela le megleno predstavo o tem, kaj po\u010dne podatkovni znanstvenik, preden sem sprejela to delo. <\/p>\n

Zaposlili so me za delo na ustvarjanju podatkovnih cevovodov zaradi mojega prej\u0161njega dela kot in\u017eenirja za obdelavo podatkov, kjer sem razvila podatkovno skladi\u0161\u010de za napredno analizo, ki ga uporablja skupina podatkovnih znanstvenikov. <\/p>\n

Moje prvo leto dela kot podatkovna znanstvenica je vklju\u010devalo ustvarjanje podatkovnih cevovodov za usposabljanje modelov strojnega u\u010denja in njihovo uvedbo v proizvodnjo. Dr\u017eala sem se v senci in nisem sodelovala na mnogih sre\u010danjih z zainteresiranimi stranmi v marketingu, ki so bili kon\u010dni uporabniki modelov. <\/p>\n

V drugem letu mojega dela v podjetju je od\u0161el 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 \u010dasovnih rokih izvajanja projektov.<\/p>\n

Skozi komunikacijo z zainteresiranimi stranmi sem spoznala, da je podatkovna znanost meglena pojem, o katerem so ljudje sli\u0161ali, vendar ga ne razumejo povsem, zlasti ko gre za vi\u0161je vodstvo.<\/p><\/blockquote>\n

\nZgradila sem ve\u010d kot sto modelov, a le tretjina jih je bila uporabljena, saj nisem vedela, kako pokazati njihovo vrednost, \u010deprav so bili modeli prvotno zahtevani s strani marketinga. <\/p>\n

Eden od \u010dlanov moje ekipe je porabil mesece za razvoj modela, ki naj bi po mnenju vi\u0161jega vodstva pokazal vrednost ekipe znanstvenikov podatkov. Ideja je bila, da se ta model raz\u0161iri po celotni organizaciji po njegovi dokon\u010danju ter spodbuja tr\u017ene ekipe k njegovi uporabi.<\/p>\n

To se je kon\u010dalo s popolnim neuspehom, ker nih\u010de ni razumel, kaj je model strojnega u\u010denja, in ni mogel razumeti vrednosti njegove uporabe. Na koncu so bili meseci zapravljeni za nekaj, \u010desar nih\u010de ni \u017eelel.<\/p><\/blockquote>\n

\nIz tak\u0161nih situacij sem pridobila dolo\u010dene lekcije, ki jih bom navedla spodaj.<\/p>\n

Lekcije, ki sem jih pridobila, da postanem uspe\u0161na znanstvenica podatkov<\/h2>\n

\n1. Prilagodite se uspehu z izbiro pravega podjetja.<\/b>
\nMed razgovorom za slu\u017ebo v podjetju vpra\u0161ajte o kulturi podatkov in o tem, koliko modelov strojnkega u\u010denja je sprejetih in uporabljenih pri odlo\u010danju. Prosite za primere. Ugotovite, ali je infrastruktura podatkov pripravljena za za\u010detek modeliranja. \u010ce boste 90 % svojega \u010dasa porabili za pridobivanje in \u010di\u0161\u010denje surovih podatkov, vam prakti\u010dno ne bo ostalo \u010dasa za izgradnjo kakr\u0161nih koli modelov, da bi pokazali svojo vrednost kot znanstvenik podatkov. Bodite previdni, \u010de ste bili zaposleni kot znanstvenik podatkov prvi\u010d. To je lahko bodisi dobro bodisi slabo, odvisno od kulture podatkov. Lahko se soo\u010dite z velikim odporom pri uvedbi modela, \u010de vi\u0161je vodstvo zaposluje specialist za znanost o podatkih le zato, ker si podjetje \u017eeli pridobiti naziv ki \"uporablja znanost o podatkih za sprejemanje bolj\u0161ih odlo\u010ditev\"<\/i>, toda nima pojma, kaj to pravzaprav pomeni. Poleg tega, \u010de najdete podjetje, ki je osredoto\u010deno na podatke (data driven), boste rasli skupaj z njim.<\/p>\n

2. Poznajte podatke in klju\u010dne kazalnike uspe\u0161nosti (KPI).<\/b>
\nNa za\u010detku sem omenila, da sem kot in\u017einir za obdelavo podatkov ustvarila vitrine analiti\u010dnih podatkov za ekipo znanstvenikov podatkov. Ko sem postala znanstvenica podatkov, sem lahko odkrila nove prilo\u017enosti, ki so pove\u010dale natan\u010dnost modelov, ker sem intenzivno delala s surovimi podatki na prej\u0161njem delovnem mestu. <\/p>\n

Predstavila sem rezultate ene od na\u0161ih kampanj in pokazala modele, ki generirajo vi\u0161je stopnje konverzije (v odstotkih), nato pa je bila izmerjena ena izmed KPI kampanj. To je pokazalo vrednost modela za poslovno u\u010dinkovitost, s katero je povezan marketing.<\/p>\n

3. Zagotovite sprejem modela tako, da poka\u017eete njegovo vrednost zainteresiranim stranem.<\/b>
\nNikoli ne boste uspeli kot strokovnjak za podatkovne znanosti, \u010de zainteresirane strani nikoli ne bodo uporabljale va\u0161ih modelov za sprejemanje poslovnih odlo\u010ditev. Eden izmed na\u010dinov za zagotovitev sprejema modela je, da najdete bole\u010do to\u010dko v poslu in poka\u017eete, kako lahko model pomaga. <\/p>\n

Po pogovoru z na\u0161im prodajnim oddelkom sem ugotovila, da dva predstavnika delata s polnim delovnim \u010dasom in ro\u010dno pregledujeta milijone uporabnikov v podatkovni bazi podjetja, da bi na\u0161la uporabnike z enojnimi licencami, ki imajo ve\u010djo 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 pomo\u010djo modela, ki sem ga razvila, sta predstavnika lahko izbirala uporabnike z najve\u010djo verjetnostjo nakupa skupinske licence in pove\u010dala verjetnost konverzije v kraj\u0161em \u010dasu. To je pripeljalo do bolj u\u010dinkovite uporabe \u010dasa z izbolj\u0161anjem stopnje konverzije za klju\u010dne kazalnike uspe\u0161nosti, povezane s prodajnim oddelkom.<\/p>\n

Minilo je nekaj let, in ve\u010dkrat sem razvila iste modele ter imela ob\u010dutek, da ne morem ve\u010d nau\u010diti ni\u010d novega. Odlo\u010dila sem se poiskati drugo delovno mesto in na koncu dobila slu\u017ebo analitika podatkov. Razlika v dol\u017enostih preprosto ni mogla biti bolj izrazita v primerjavi s \u010dasom, ko sem bila znanstvenica za podatke, kljub temu, da sem ponovno podpirala marketing.<\/p>\n

To je bil prvi\u010d, da sem analizirala A\/B eksperimente in ugotovila. vse<\/i> na\u010dini, kako se eksperiment mo\u017ee pogre\u0161no odviti. Kao data scientist, nikada nisam radila na A\/B testiranju, jer je to bilo rezervisano za tim eksperimentatora. Radila sam na \u0161irokom spektru analiti\u010dkih istra\u017eivanja, na koja je uticao marketing \u2014 od pove\u0107anja konverzije premijum klase do anga\u017eovanja korisnika i spre\u010davanja gubitka. Nau\u010dila sam mnogo razli\u010ditih na\u010dina za pregled podataka i provela mnogo vremena na kompajliranju rezultata, predstavljanju zainteresovanim stranama i vi\u0161em menad\u017ementu. Kao data scientist, uglavnom sam radila na jednom tipu modela i retko izlagala izve\u0161taje. Prebacimo se nekoliko godina unapred i razgovarajmo o ve\u0161tinama koje sam nau\u010dila da bih postala uspe\u0161an analiti\u010dar.<\/p>\n

Ve\u0161tine koje sam nau\u010dila da postanem uspe\u0161an analiti\u010dar podataka<\/h2>\n

\n1. Nau\u010dite da pri\u010date pri\u010de koriste\u0107i podatke<\/b>
\nNe gledajte na KPI-eve odvojeno. Pove\u017eite ih, sagledajte biznis kao celinu. To \u0107e omogu\u0107iti identifikaciju me\u0111usobno povezanih oblasti. Vi\u0161i menad\u017ement gleda na biznis kroz prizmu, i osoba koja pokazuje ovu sposobnost \u0107e biti prime\u0107ena kada do\u0111e vreme za dono\u0161enje odluka o unapre\u0111enju.<\/p>\n

2. Pru\u017eite delotvorne ideje<\/b>
\nPru\u017eite biznisu delotvornu ideju<\/i> za re\u0161avanje problema. \u010cak je i bolje ako proaktivno sugeri\u0161ete re\u0161enje pre nego \u0161to se postavi pitanje o hitnom problemu. <\/p>\n

Na primer, da ste rekli marketingu: \u201ePrimijetio sam da je u poslednje vreme mese\u010dno opadao broj posetilaca sajta\u201c<\/i>. Ovo je trend koji su mogli primetiti na kontrolnoj tabli, i niste ponudili nikakvo korisno re\u0161enje kao analiti\u010dar, jer ste samo konstatovali uo\u010davanje. <\/p>\n

Umesto toga, istra\u017eite podatke da biste prona\u0161li uzrok i ponudili re\u0161enje. Najbolji primer za marketing bi bio: \u201ePrimijetio sam da je u poslednje vreme opao broj posetilaca na\u0161eg web sajta. Otkrio sam da je uzrok problema obi\u010dna pretraga, zbog nedavnih promena koje su dovele do pada na\u0161eg rejtinga na pretra\u017eiva\u010du Google\u201c<\/i>. Ovakav pristup pokazuje da ste pratili KPI kompanije, primetili promenu, istra\u017eili uzrok i ponudili re\u0161enje problema.<\/p>\n

3. Postanite pouzdan savetnik<\/b>
\nPostanite prva osoba na koju se va\u0161i zainteresirani strani obra\u0107aju za preporuke ili pitanja o podru\u010dju rada koje podr\u017eavate. Ne postoji kratki put jer demonstracija tih vje\u0161tina zahtijeva vrijeme. Klju\u010d je u dosljednom pru\u017eanju visokokvalitetnih analiza s minimalnim gre\u0161kama. Svaka gre\u0161ka u izra\u010dunima ko\u0161tat \u0107e vas povjerenja, jer \u0107e se sljede\u0107i put kada pru\u017eite analizu ljudi pitati: Ako ste pogrije\u0161ili pro\u0161li put, mo\u017eda se i ovaj put varate?<\/i>. Uvijek dvaput provjerite svoj rad. Tako\u0111er, ne bi \u0161kodilo da zamolite svog menad\u017eera ili kolegu da pogleda va\u0161e brojke prije nego \u0161to ih predstavite, ako imate bilo kakve sumnje u vezi va\u0161ih analiza.<\/p>\n

4. Nau\u010dite jasno prenositi slo\u017eene rezultate<\/b>
\nPonovno, nema kratkog puta do u\u010dinkovitih komunikacija. To zahtijeva praksu, a s vremenom \u0107ete postati bolji u tome. Najva\u017enije je definirati klju\u010dne to\u010dke onoga \u0161to \u017eelite u\u010diniti i preporu\u010diti bilo kakve radnje koje zainteresirane strane mogu poduzeti na temelju va\u0161ih analiza za pobolj\u0161anje poslovanja. \u0160to ste vi\u0161i na karijernoj ljestvici u organizaciji, to je va\u017enije umije\u0107e komunikacije. Preno\u0161enje slo\u017eenih rezultata va\u017ena je vje\u0161tina koju treba demonstrirati. Provela sam godine u\u010de\u0107i tajne uspjeha kao data scientist i analiti\u010dar podataka. Ljudi razli\u010dito definiraju uspjeh. Dobiti povratnu informaciju kao \"izvanredan\" i \"zvjezdani\" analiti\u010dar - to je uspjeh u mojim o\u010dima. Sada kada znate te tajne, nadam se da \u0107e va\u0161 put br\u017ee odvesti do uspjeha, bez obzira kako ga definirali.<\/p>\n

A kako bi va\u0161 put do uspjeha bio jo\u0161 br\u017ei, zadr\u017eite promotivni kod HABR<\/b>, uz koji mo\u017eete dobiti dodatnih 10% popusta od navedenog na plakatu.<\/p>\n

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