Ka shumë artikuj rreth aftësive të nevojshme për të qenë një shkencëtar i mirë i të dhënave ose analist i të dhënave, por pak artikuj flasin për aftësitë e nevojshme për të pasur sukses—qoftë një rishikim i jashtëzakonshëm i performancës, lëvdata nga menaxhmenti, një promovim ose të gjitha të mësipërmet. Sot ju prezantojmë një material, autorja e të cilit dëshiron të ndajë përvojën e saj personale si shkencëtare e të dhënave dhe analiste e të dhënave, si dhe atë që ka mësuar për të arritur sukses.
Unë isha me fat: Më ofruan pozicionin e shkencëtarit të të dhënave kur nuk kisha përvojë në Data Science. Mënyra se si e trajtova detyrën është një histori tjetër dhe dua të them se kisha vetëm një ide të paqartë se çfarë bën një shkencëtar i të dhënave përpara se të merrja punën.
Unë u punësova për të punuar në tubacionet e të dhënave për shkak të punës sime të mëparshme si inxhinier i të dhënave, ku zhvillova një treg të dhënash për analitikë parashikuese të përdorur nga një grup shkencëtarësh të të dhënave.
Viti im i parë si shkencëtar i të dhënave përfshiu krijimin e tubacioneve të të dhënave për të trajnuar modelet e mësimit të makinerive dhe për t'i vënë ato në prodhim. Kam mbajtur një profil të ulët dhe nuk kam marrë pjesë në shumë takime me aktorët e marketingut që ishin përdoruesit përfundimtarë të modeleve.
Në vitin e dytë të punës sime në kompani, u largua menaxheri i përpunimit dhe analizës së të dhënave përgjegjës për marketingun. Që atëherë, unë u bëra lojtari kryesor dhe mora një pjesë më aktive në zhvillimin e modeleve dhe diskutimin e afateve të projekteve.
Ndërsa ndërveproja me palët e interesuara, kuptova se Shkenca e të Dhënave është një koncept i paqartë për të cilin njerëzit kanë dëgjuar, por nuk e kuptojnë plotësisht, veçanërisht në nivelet e larta të menaxhimit.
Kam ndërtuar mbi njëqind modele, por vetëm një e treta e tyre janë përdorur, sepse nuk dija t'i tregoja vlerën e tyre, edhe pse modelet kërkoheshin kryesisht nga marketingu.
Një nga anëtarët e ekipit tim kaloi muaj duke zhvilluar një model që menaxhmenti i lartë mendonte se do të tregonte vlerën e një ekipi të shkencës së të dhënave. Ideja ishte të përhapej modeli në të gjithë organizatën pasi të zhvillohej dhe të inkurajoheshin ekipet e marketingut që ta miratonin atë.
Doli të ishte një dështim i plotë, sepse askush nuk e kuptoi se çfarë ishte një model i mësimit të makinës ose nuk mund ta kuptonte vlerën e përdorimit të tij. Si rezultat, muajt u humbën për diçka që askush nuk e donte.
Nga situata të tilla kam nxjerrë mësime të caktuara, të cilat do t'i jap më poshtë.
Mësimet që mësova për t'u bërë një shkencëtar i suksesshëm i të dhënave
1. Vendoseni veten për sukses duke zgjedhur kompaninë e duhur.
Kur intervistoni në një kompani, pyesni për kulturën e të dhënave dhe sa modele të mësimit të makinerive adoptohen dhe përdoren në vendimmarrje. Kërkoni shembuj. Zbuloni nëse infrastruktura juaj e të dhënave është konfiguruar për të filluar modelimin. Nëse shpenzoni 90% të kohës tuaj duke u përpjekur për të tërhequr të dhëna të papërpunuara dhe për t'i pastruar ato, do t'ju mbetet pak ose aspak kohë për të ndërtuar ndonjë model për të demonstruar vlerën tuaj si një shkencëtar i të dhënave. Kini kujdes nëse punësoheni si shkencëtar i të dhënave për herë të parë. Kjo mund të jetë një gjë e mirë ose e keqe, në varësi të kulturës së të dhënave. Ju mund të hasni më shumë rezistencë ndaj zbatimit të modelit nëse menaxhmenti i lartë punëson një shkencëtar të të dhënave vetëm sepse kompania dëshiron të njihet si duke përdorur shkencën e të dhënave për të marrë vendime më të mira, por nuk e di se çfarë do të thotë në të vërtetë. Plus, nëse gjeni një kompani që drejtohet nga të dhënat, do të rriteni me të.
2. Njihni të dhënat dhe treguesit kryesorë të performancës (KPI).
Në fillim, përmenda se si inxhinier i të dhënave, kam krijuar një treg të dhënash analitike për një ekip shkencëtarësh të të dhënave. Pasi u bëra vetë shkencëtar i të dhënave, arrita të gjej mundësi të reja që rrisin saktësinë e modeleve, sepse kam punuar intensivisht me të dhëna të papërpunuara në rolin tim të mëparshëm.
Duke paraqitur rezultatet e një prej fushatave tona, unë munda të tregoja modelet që gjeneronin norma më të larta konvertimi (si përqindje) dhe më pas mata një nga KPI-të e fushatës. Kjo tregoi vlerën e modelit për performancën e biznesit me të cilin mund të lidhet marketingu.
3. Siguroni miratimin e modelit duke demonstruar vlerën e tij për palët e interesuara
Ju kurrë nuk do të keni sukses si një shkencëtar i të dhënave nëse palët tuaja të interesit nuk i përdorin kurrë modelet tuaja për të marrë vendime biznesi. Një mënyrë për të siguruar adoptimin e modelit është të gjesh një pikë dhimbjeje biznesi dhe të tregosh se si modeli mund të ndihmojë.
Pasi fola me ekipin tonë të shitjeve, kuptova se dy përfaqësues po punonin me kohë të plotë në mënyrë manuale duke analizuar miliona përdorues në bazën e të dhënave të kompanisë për të identifikuar përdoruesit me licenca të vetme, të cilët kishin më shumë gjasa të përmirësoheshin në licencat e ekipit. Përzgjedhja përdori një sërë kriteresh, por përzgjedhja zgjati shumë, sepse përfaqësuesit shikonin një përdorues në të njëjtën kohë. Duke përdorur modelin që kam zhvilluar, përfaqësuesit ishin në gjendje të synonin përdoruesit me shumë gjasa për të blerë një licencë ekipi dhe për të rritur gjasat e konvertimit në më pak kohë. Kjo ka rezultuar në përdorim më efikas të kohës duke rritur normat e konvertimit për treguesit kryesorë të performancës me të cilët mund të lidhet ekipi i shitjeve.
Kaluan disa vite dhe unë zhvillova të njëjtat modele vazhdimisht dhe ndjeva se nuk po mësoja më asgjë të re. Vendosa të kërkoja një pozicion tjetër dhe përfundova duke marrë një pozicion si analist i të dhënave. Dallimi në përgjegjësi nuk mund të ishte më i rëndësishëm në krahasim me kohën kur isha shkencëtar i të dhënave, edhe pse isha përsëri duke mbështetur marketingun.
Kjo ishte hera e parë që analizova eksperimentet A/B dhe gjeta të gjithë mënyrat në të cilat një eksperiment mund të shkojë keq. Si shkencëtar i të dhënave, nuk kam punuar fare për testimin A/B sepse ishte i rezervuar për ekipin eksperimental. Unë kam punuar në një gamë të gjerë analitikesh të ndikuara nga marketingu - nga rritja e normave premium të konvertimit deri te angazhimi i përdoruesit dhe parandalimi i frenimit. Mësova shumë mënyra të ndryshme për të parë të dhënat dhe kalova shumë kohë duke përpiluar rezultatet dhe për t'i prezantuar ato palëve të interesuara dhe menaxhmentit të lartë. Si shkencëtar i të dhënave, kam punuar kryesisht në një lloj modeli dhe rrallë kam mbajtur fjalime. Shpejt përpara disa vitesh drejt aftësive që mësova për të qenë një analist i suksesshëm.
Aftësitë që mësova për t'u bërë një analist i suksesshëm i të dhënave
1. Mësoni të tregoni histori me të dhëna
Mos i shikoni KPI-të në izolim. Lidhni ato, shikoni biznesin në tërësi. Kjo do t'ju lejojë të identifikoni fushat që ndikojnë njëra-tjetrën. Menaxhmenti i lartë e shikon biznesin përmes një lente dhe një person që demonstron këtë aftësi vihet re kur vjen koha për të marrë vendime për promovim.
2. Jepni ide të zbatueshme.
Ofroni biznes ide efektive për të zgjidhur problemin. Është edhe më mirë nëse ofroni në mënyrë proaktive një zgjidhje kur ende nuk është thënë se po merreni me problemin themelor.
Për shembull, nëse i keni thënë marketingut: "Kam vënë re se kohët e fundit numri i vizitorëve të faqes është ulur çdo muaj.". Ky është një trend që ata mund ta kenë vënë re në panel dhe ju nuk keni ofruar ndonjë zgjidhje të vlefshme si analist sepse keni deklaruar vetëm vëzhgimin.
Në vend të kësaj, shqyrtoni të dhënat për të gjetur shkakun dhe për të propozuar një zgjidhje. Një shembull më i mirë për marketing do të ishte: “Kam vënë re se kohët e fundit kemi pasur një rënie të numrit të vizitorëve në faqen tonë. Zbulova se burimi i problemit është kërkimi organik, për shkak të ndryshimeve të fundit që kanë bërë që renditja e kërkimit tonë në Google të bjerë.". Kjo qasje tregon se ju keni ndjekur KPI-të e kompanisë, keni vënë re ndryshimin, keni hetuar shkakun dhe keni propozuar një zgjidhje për problemin.
3. Bëhuni një këshilltar i besuar
Ju duhet të jeni personi i parë të cilit i drejtohen palët tuaja të interesuara për këshilla ose pyetje në lidhje me biznesin që mbështetni. Nuk ka asnjë shkurtore sepse kërkon kohë për të demonstruar këto aftësi. Çelësi për këtë është dhënia e vazhdueshme e analizave me cilësi të lartë me gabime minimale. Çdo llogaritje e gabuar do t'ju kushtojë pikë besueshmërie sepse herën tjetër që të jepni një analizë, njerëzit mund të pyesin: Nëse keni gabuar herën e fundit, ndoshta keni gabuar edhe këtë herë?. Gjithmonë kontrolloni dy herë punën tuaj. Gjithashtu nuk është e dëmshme t'i kërkoni menaxherit ose kolegut tuaj të shikojë numrat tuaj përpara se t'i paraqisni nëse keni ndonjë dyshim në lidhje me analizën tuaj.
4. Mësoni të komunikoni qartë rezultatet komplekse.
Përsëri, nuk ka asnjë rrugë të shkurtër për të mësuar se si të komunikoni në mënyrë efektive. Kjo kërkon praktikë dhe me kalimin e kohës do të përmirësoheni në të. Çelësi është të identifikoni pikat kryesore të asaj që dëshironi të bëni dhe të rekomandoni çdo veprim që, si rezultat i analizës suaj, palët e interesuara mund të ndërmarrin për të përmirësuar biznesin. Sa më lart të jeni në një organizatë, aq më të rëndësishme janë aftësitë tuaja të komunikimit. Komunikimi i rezultateve komplekse është një aftësi e rëndësishme për t'u demonstruar. Kam kaluar vite duke mësuar sekretet e suksesit si shkencëtar i të dhënave dhe analist i të dhënave. Njerëzit e përcaktojnë suksesin ndryshe. Për t'u përshkruar si një analist "i mahnitshëm" dhe "yjor" është sukses në sytë e mi. Tani që i dini këto sekrete, shpresoj se rruga juaj do t'ju çojë shpejt drejt suksesit, sido që ta përcaktoni atë.
Dhe për ta bërë rrugën tuaj drejt suksesit edhe më të shpejtë, mbani kodin promovues HABR, me të cilin mund të përfitoni 10% shtesë në zbritjen e treguar në baner.
Më shumë kurse
Artikuj të veçuar
Burimi: www.habr.com