Ka shumĂ« artikuj mbi aftĂ«sitĂ« e nevojshme pĂ«r t'u bĂ«rĂ« njĂ« shkencĂ«tar tĂ« dhĂ«nash tĂ« mirĂ« ose analist tĂ« dhĂ«nash, por vetĂ«m nĂ« disa artikuj flitet pĂ«r aftĂ«sitĂ« qĂ« nevojiten pĂ«r tĂ« pasur sukses â qofshin ato vlerĂ«simi i jashtĂ«zakonshĂ«m i punĂ«s, lavdĂ«rimi nga menaxhmenti, promovimi, ose tĂ« gjitha tĂ« mĂ«sipĂ«rmet. Sot ju paraqesim njĂ« material ku autori do tĂ« ndajĂ« pĂ«rvojĂ«n e saj personale si shkencĂ«tare tĂ« dhĂ«nash dhe analiste tĂ« dhĂ«nash, si dhe atĂ« qĂ« ka mĂ«suar pĂ«r arritjen e suksesit.
Më kishte rënë rasti: më ofrua një vend pune si shkencëtare e dhënash kur nuk kisha asnjë përvojë në Data Science. Si e përballova këtë detyrë, është një histori tjetër, dhe do të doja të thoja se kisha vetëm një ide të paqartë se çfarë bënte një shkencëtare e dhënash para se të pranoja këtë punë.
Më angazhuan për të punuar në krijimin e skemave të dhënash për shkak të punës time të mëparshme si inxhiniere e përpunimit të dhënash, ku zhvillova një vitrinë të dhënash për analizë parashikuese, që përdorej nga grupi i shkencëtarëve të dhënash.
Viti im më i parë si shkencëtar të dhënash përfshinte krijimin e tubacioneve të të dhënave për trajnimin e modeleve të mësimit të makinerive dhe implementimin e tyre në prodhim. Unë qëndroja në hije dhe nuk merrja pjesë në shumë takime me palët e interesuara në marketing, të cilat ishin përdoruesit përfundimtarë të modeleve.
Në vitin e dytë të punës time në kompani, u largua menaxheri për procesimin dhe analizën e të dhënave që përgjigjej për marketingun. Që atëherë, kam qenë pjesa kryesore dhe kam marrë një rol më aktiv në zhvillimin e modeleve dhe diskutimin e afateve për realizimin e projekteve.
Me kalimin e kohës dhe komunikimin me palët e interesuara, kuptova se Data Science është një koncept i paqartë, për të cilin njerëzit kanë dëgjuar, por nuk e kuptojnë plotësisht, sidomos kur është fjala për menaxhimin e lartë.
Kam ndërtuar më shumë se njëqind modele, por vetëm një e treta e tyre u përdorën, pasi nuk dija si t'i tregoj vlerën e tyre, pavarësisht se modelet ishin kërkuar fillimisht nga marketingu.
Një nga anëtarët e ekipit tim kaloi muaj duke zhvilluar një model që, sipas menaxhmentit të lartë, do të tregonte vlerën e ekipit të shkencëtarëve të të dhënave. Ideja ishte të shpërndahej ky model në të gjithë organizatën pas zhvillimit dhe të inkurajoheshin ekipet e marketingut ta përdorin atë.
Kjo rezultoi në një dështim të plotë, sepse askush nuk e kuptonte se çfarë ishte një model i mësimit makina dhe nuk mund të kuptonte vlerën e aplikimit të tij. Si rezultat, muaj u shpenzuan kot për diçka që askush nuk e donte.
Nga këto situata kam nxjerrë disa mësime, të cilat do t'i paraqes më poshtë.
Mësimet që kam nxjerrë për të qenë një shkencëtar i suksesshëm i të dhënave
1. Përcaktoni suksesin duke zgjedhur kompaninë e duhur.
Gjatë intervistës në kompaninë e caktuar, pyesni për kulturën e të dhënave dhe se sa modele të mësimit të makinerisë janë të pranuara dhe përdoren për marrjen e vendimeve. Kërkoni të sillni shembuj. Zbulojeni nëse infrastruktura e të dhënave është e gatshme për fillimin e modelimit. Nëse e kaloni 90% të kohës suaj duke u përpjekur të nxirrni të dhëna të papërpunuara dhe t'i pastroni ato, do t'ju mbetet gati asnjë kohë për ndërtimin e modeleve që do të tregojnë vlerën tuaj si një data scientist. Bëni kujdes nëse jeni punësuar si data scientist për herë të parë. Kjo mund të jetë e mirë ose e keqe, në varësi të kulturës së të dhënave. Mund të hasni shumë rezistencë në zbatimin e modelit nëse menaxhimi i lartë punëson një specialist të Data Science vetëm sepse kompania dëshiron të njihet si duke përdorur Data Science për marrjen e vendimeve më të mira, por nuk kanë asnjë idea se çfarë do të thotë në të vërtetë. Po ashtu, nëse gjeni një kompani që drejtohet nga të dhënat (data driven), atëherë do të rriteni së bashku me të.
2. Njihemi me të dhënat dhe treguesit kryesorë të performancës (KPI).
Në fillim përmenda se, si inxhiniere e përpunimit të të dhënave, krijova një vitrinë analitike për ekipin e shkencëtarëve të të dhënave. Pasi u bëra shkencëtare e të dhënave, arrita të gjimë mundësi të reja që rritën saktësinë e modeleve, sepse kam punuar intensivisht me të dhëna të papërpunuara në pozitën time të mëparshme.
Duke paraqitur rezultatet e një prej fushatave tona, arrita të tregoj modelet që gjenerojnë norma konvertimi më të larta (në përqindje), dhe pas kësaj u mat një prej KPI-ve të fushatës. Kjo demonstroi vlerën e modelit për efikasitetin e biznesit, me të cilin mund të lidhet marketingu.
3. Siguroni pranim të modelit duke treguar vlerën e tij për palët e interesuara
Nuk do të arrini kurrë sukses si specialist në Data Science nëse palët e interesuara kurrë nuk do të aplikojnë modelet tuaja për marrjen e vendimeve të biznesit. Një nga mënyrat për të siguruar pranim të modelit është të gjeni një pikë të dhimbshme të biznesit dhe të tregoni se si mund të ndihmojë modeli.
Pas bisedës me departamentin tonë të shitjeve, kuptova se dy përfaqësues punojnë me kohë të plotë, duke shqyrtuar manualisht miliona përdorues në bazën e të dhënave të kompanisë për të identifikuar përdoruesit me licencat unike, të cilët kanë më shumë gjasa të kalojnë në licencat ekipore. Në përzgjedhje është përdorur një grup kriteresh, por procesi merrte shumë kohë, pasi përfaqësuesit shqyrtonin një nga një përdoruesit. Me modelin që unë zhvillova, përfaqësuesit ishin në gjendje të zgjidhnin përdoruesit me probabilitetin më të lartë për të blerë një licencë ekipore dhe të rrisnin probabilitetin e konvertimit në një kohë më të shkurtër. Kjo çoi në një përdorim më efikas të kohës duke rritur normen e konvertimit për indikatorët kyç të performancës me të cilët mund të lidhet departamenti i shitjeve.
Kanë kaluar disa vite dhe unë vazhdimisht kam zhvilluar të njëjtat modele dhe ndieja se nuk po mësoj asgjë të re. Vendosa të kërkoj një pozitë tjetër dhe përfundimisht mora një pozitë si analiste e të dhënave. Diferenca në detyra thjesht nuk mund të ishte më e madhe krahasuar me kohën kur isha shkencëtare e të dhënave, edhe pse ndihmoja përsëri marketingun.
Ishte hera e parĂ« qĂ« analizuam eksperimentet A/B dhe zbuluam tĂ« gjitha metodat se si eksperimentet mund tĂ« shkojnĂ« keq. Si shkencĂ«tare tĂ« dhĂ«nash, unĂ« nuk kam punuar nĂ« testimin A/B sepse kjo ishte rezervuar pĂ«r ekipin e eksperimentatorĂ«ve. Kam punuar nĂ« njĂ« gamĂ« tĂ« gjerĂ« studimesh analitike tĂ« ndikueshme nga marketingu â nga rritja e normĂ«s sĂ« konvertimit nĂ« premium deri te angazhimi i pĂ«rdoruesve dhe parandalimi i ikjes. Kam mĂ«suar shumĂ« mĂ«nyra tĂ« ndryshme pĂ«r tĂ« shqyrtuar tĂ« dhĂ«nat dhe kam kaluar shumĂ« kohĂ« duke kompiluar rezultatet, duke i paraqitur palĂ«ve tĂ« interesuara dhe menaxhmentit tĂ« lartĂ«. Si shkencĂ«tare tĂ« dhĂ«nash, kryesisht kam punuar nĂ« njĂ« lloj modeli dhe rrallĂ« kam paraqitur kĂ«rkesa. TĂ« kalojmĂ« disa vite para dhe tĂ« kalojmĂ« te aftĂ«sitĂ« qĂ« kam mĂ«suar pĂ«r tĂ« qenĂ« njĂ« analist tĂ« suksesshĂ«m.
Aftësitë që kam mësuar për t'u bërë një analist të suksesshëm të të dhënave
1. Mësoni të tregoni histori me të dhënat
Mos i shikoni KPI-të veçmas. Lidhni ato, shikoni biznesin si një tërësi. Kjo do të ndihmojë në identifikimin e fushave që ndikojnë në njëra-tjetrën. Menaxhimi i lartë e sheh biznesin përmes një lente, dhe një njeri që tregon këtë aftësi vërehet kur vjen koha për të marrë një vendim për promovim.
2. Ofroni ide në veprim
Ofroni biznesit një ide efektive për zgjidhjen e shqetësimeve. Më mirë akoma, nëse propozoni një zgjidhje proaktive, para se të thuhet që po merret me një problem prioritar.
Për shembull, nëse do t'i kishit thënë marketingut: "Kam vënë re se numri i vizitorëve në faqe po pakësohet çdo muaj". Kjo është një tendencë që ata mund ta kenë vërejtur në pult dhe ju nuk ofruat asnjë zgjidhje të çmuar si analist, sepse thjesht bëtë një vëzhgim.
Në vend të kësaj, shqyrtoni të dhënat për të gjetur shkakun dhe për të propozuar një zgjidhje. Një shembull më i mirë për marketingun do të ishte: «Kam vuraqë se në kohët e fundit kemi patur një rënie në numrin e vizitorëve të faqes sonë. E kuptova se burimi i problemit është kërkimi i zakonshëm, për shkak të ndryshimeve të fundit që çuan në rënien e rendit tonë në Google». Ky qasje tregon se keni ndjekur KPI-të e kompanisë, keni vënë re ndryshimin, keni hetuar shkakun dhe keni ofruar një zgjidhje për problemin.
3. Bëhuni një këshilltar i besueshëm
Duhet tĂ« bĂ«heni personi i parĂ« qĂ« palĂ«t e interesuara i drejtohen pĂ«r rekomandime ose pyetje nĂ« lidhje me fushĂ«n qĂ« mbĂ«shtesni. Nuk ka njĂ« rrugĂ« tĂ« shkurtĂ«r, sepse pĂ«r tĂ« demonstruar kĂ«to aftĂ«si kĂ«rkohet kohĂ«. ĂelĂ«si pĂ«r kĂ«tĂ« Ă«shtĂ« tĂ« ofroni analizĂ« tĂ« cilĂ«sisĂ« sĂ« lartĂ« me pak gabime. Ădo gabim nĂ« llogaritje do t'ju kushtojĂ« pikĂ« besimi, sepse herĂ«n tjetĂ«r qĂ« do tĂ« ofroni njĂ« analizĂ«, njerĂ«zit mund tĂ« pyesin: NĂ«se keni gabuar herĂ«n e kaluar, ndoshta po gaboni edhe kĂ«tĂ« herĂ«?. GjithmonĂ« kontrolloni punĂ«n tuaj dy herĂ«. Nuk do tĂ« dĂ«mtojĂ« gjithashtu tĂ« kĂ«rkoni qĂ« menaxheri juaj ose njĂ« koleg tĂ« shikojĂ« numrat tuaj pĂ«rpara se t'i paraqisni, nĂ«se keni ndonjĂ« dyshim nĂ« lidhje me analizĂ«n tuaj.
4. Mësoni të transmetoni qartë rezultatet e komplikuara
Sërish, nuk ka asnjë rrugë të shkurtër për të mësuar komunikimin efektiv. Kjo kërkon praktikë, dhe me kalimin e kohës do të bëheni më të mirë në këtë fushë. E rëndësishmja është të përcaktoni pikat kryesore të asaj që dëshironi të arrini dhe të rekomandoni çdo veprim që, si rezultat i analizës suaj, mund të ndërmarrin palët e interesuara për përsosjen e biznesit. Sa më lartë të jeni në shkallën e karrierës në organizatë, aq më i rëndësishëm është aftësia për të komunikuar. Shkëmbimi i rezultateve të komplikuara është një aftësi e rëndësishme që duhet demonstruar. Kam kaluar vite duke mësuar sekretet e suksesit si një data scientist dhe analist të të dhënave. Njerëzit e përcaktojnë suksesin ndryshe. Të marrësh karakteristikën si analist "të mahnitshëm" dhe "me yll" është sukses në sytë e mi. Tani, që e dini këto sekrete, shpresoj që rruga juaj të ju çojë më shpejt drejt suksesit, çfarëdo që ta quani atë.
Dhe për të pasur një rrugë edhe më të shpejtë drejt suksesit, mbani kodin promocional HABR, me të cilin mund të merrni 10% më shumë në zbritjen e shfaqur në banderat.
E tjera kurse
Artikuj të rekomanduar
Burimi: habr.com
