Ka shumĂ« artikuj pĂ«r aftĂ«sitĂ« qĂ« duhen pĂ«r tâu bĂ«rĂ« njĂ« data scientist ose analist i tĂ« dhĂ«nave i mirĂ«, por vetĂ«m pak prej tyre flasin pĂ«r aftĂ«sitĂ« qĂ« duhen pĂ«r tĂ« pasur sukses real â qoftĂ« njĂ« vlerĂ«sim i shkĂ«lqyer i performancĂ«s, vlerĂ«sim nga drejtuesit, promovim apo tĂ« gjitha bashkĂ«. Sot ju sjellim njĂ« material, autorja e tĂ« cilit dĂ«shiron tĂ« ndajĂ« pĂ«rvojĂ«n e saj personale si data scientist dhe analiste e tĂ« dhĂ«nave, si edhe mĂ«simet qĂ« ka nxjerrĂ« pĂ«r tĂ« arritur suksesin.
Pata fat: mâu ofrua njĂ« pozicion si data scientist nĂ« njĂ« kohĂ« kur nuk kisha fare pĂ«rvojĂ« nĂ« Data Science. Si ia dola mbanĂ« Ă«shtĂ« njĂ« histori mĂ« vete, por dua tĂ« them se para se ta pranoja kĂ«tĂ« punĂ«, kisha vetĂ«m njĂ« ide tĂ« paqartĂ« pĂ«r atĂ« qĂ« bĂ«n njĂ« data scientist.
Më punësuan për të ndërtuar data pipeline falë përvojës sime të mëparshme si inxhiniere e përpunimit të të dhënave, ku zhvillova një data mart për analizë parashikuese, që përdorej nga ekipi i data scientistëve.
Viti im i parë si data scientist përfshinte ndërtimin e data pipeline për trajnimin e modeleve të machine learning dhe vendosjen e tyre në prodhim. Qëndroja në prapaskenë dhe nuk merrja pjesë në shumë takime me palët e interesuara në marketing, të cilat ishin përdoruesit përfundimtarë të modeleve.
Në vitin tim të dytë në kompani, u largua menaxheri i përpunimit dhe analizës së të dhënave që mbulonte marketingun. Që nga ai moment, mora një rol qendror dhe u përfshiva më aktivisht në zhvillimin e modeleve dhe në diskutimet për afatet e zbatimit të projekteve.
Gjatë komunikimit me palët e interesuara, kuptova se Data Science është një koncept i paqartë, për të cilin njerëzit kanë dëgjuar, por që nuk e kuptojnë plotësisht, sidomos drejtuesit e lartë.
Kam ndërtuar më shumë se njëqind modele, por vetëm një e treta e tyre u përdor, sepse nuk dija si të tregoja vlerën e tyre, edhe pse modelet ishin kërkuar fillimisht pikërisht nga marketingu.
Një nga anëtarët e ekipit tim kaloi muaj të tërë duke zhvilluar një model që, sipas drejtuesve të lartë, do të tregonte vlerën e ekipit të data scientist-ëve. Ideja ishte që, pasi modeli të përfundonte, ai të shtrihej në të gjithë organizatën dhe ekipet e marketingut të inkurajoheshin ta përdornin.
Kjo përfundoi në një dështim të plotë, sepse askush nuk e kuptonte se çfarë ishte një model i machine learning dhe nuk arrinte të kuptonte vlerën e përdorimit të tij. Në fund, muaj të tërë u shpenzuan kot për diçka që askush nuk e donte.
Nga situata të tilla kam nxjerrë disa mësime, të cilat po i paraqes më poshtë.
Mësimet që kam nxjerrë për t'u bërë një data scientist i suksesshëm
1. Vendoseni veten në pozita suksesi duke zgjedhur kompaninë e duhur.
Gjatë intervistës me kompaninë, pyesni për kulturën e të dhënave dhe sa modele të machine learning miratohen dhe përdoren në vendimmarrje. Kërkoni shembuj konkretë. Zbuloni nëse infrastruktura e të dhënave është gati për të nisur modelimin. Nëse 90% të kohës suaj e shpenzoni duke nxjerrë të dhëna të papërpunuara dhe duke i pastruar, pothuajse nuk do t'ju mbetet kohë për të ndërtuar modele që të tregojnë vlerën tuaj si data scientist. Tregoni kujdes nëse po punësoheni si data scientist për herë të parë në atë kompani. Kjo mund të jetë si pozitive, ashtu edhe negative, në varësi të kulturës së të dhënave. Mund të përballeni me shumë rezistencë gjatë zbatimit të një modeli, nëse drejtuesit e lartë punësojnë një specialist të Data Science vetëm sepse kompania dëshiron të njihet si që përdor Data Science për të marrë vendime më të mira, por në të vërtetë nuk e ka idenë se çfarë do të thotë kjo. Gjithashtu, nëse gjeni një kompani që drejtohet nga të dhënat (data driven), do të rriteni bashkë me të.
2. Njihni të dhënat dhe treguesit kyç të performancës (KPI).
Në fillim përmenda se, kur isha inxhiniere e përpunimit të të dhënave, krijova një vitrinë të të dhënave analitike për ekipin e data scientist-ëve. Pasi u bëra vetë data scientist, arrita të gjej mundësi të reja që rritën saktësinë e modeleve, sepse në rolin tim të mëparshëm kisha punuar intensivisht me të dhëna të papërpunuara.
Duke paraqitur rezultatet e një prej fushatave tona, arrita të demonstroj modele që gjeneronin norma më të larta konvertimi (në përqindje), pas së cilës u mat një nga KPI-të e fushatës. Kjo tregoi vlerën e modelit për efikasitetin e biznesit, me të cilin mund të lidhet marketingu.
3. Siguroni pranimin e modelit duke treguar vlerën e tij për palët e interesuara
Nuk do të keni kurrë sukses si specialist i Data Science nëse palët e interesuara nuk i përdorin kurrë modelet tuaja për të marrë vendime biznesi. Një mënyrë për të siguruar pranimin e modelit është të gjeni një pikë të dhimbshme të biznesit dhe të tregoni se si modeli mund të ndihmojë.
Pas një bisede me departamentin tonë të shitjeve, kuptova se dy përfaqësues punonin me kohë të plotë duke shqyrtuar manualisht miliona përdorues në bazën e të dhënave të kompanisë për të identifikuar përdoruesit me licenca individuale që kishin më shumë gjasa të kalonin në licenca ekipi. Për përzgjedhjen përdorej një grup kriteresh, por procesi kërkonte shumë kohë, sepse përfaqësuesit i shqyrtonin përdoruesit një nga një. Me ndihmën e modelit që zhvillova, përfaqësuesit mundën të zgjidhnin përdoruesit me probabilitetin më të lartë për të blerë një licencë ekipi dhe të rrisnin mundësinë e konvertimit në më pak kohë. Kjo çoi në një përdorim më efikas të kohës duke rritur normën e konvertimit për KPI-të kryesore me të cilat mund të lidhet departamenti i shitjeve.
Kaluan disa vite dhe e gjeta veten duke zhvilluar vazhdimisht të njëjtat modele, ndërsa ndihesha sikur nuk po mësoja më asgjë të re. Vendosa të kërkoja një rol tjetër dhe përfundimisht mora një pozicion si analiste e të dhënave. Dallimi në përgjegjësi ishte shumë i madh krahasuar me kohën kur isha data scientist, edhe pse sërish mbështesja marketingun.
Ishte hera e parĂ« qĂ« analizova eksperimente A/B dhe zbulova tĂ« gjithĂ« mĂ«nyrat se si njĂ« eksperiment mund tĂ« dĂ«shtojĂ«. Si data scientist, unĂ« nuk punoja fare me A/B testimin, sepse kjo ishte pĂ«rgjegjĂ«si e ekipit tĂ« eksperimenteve. Punoja nĂ« njĂ« gamĂ« tĂ« gjerĂ« analizash mbi tĂ« cilat marketingu kishte ndikim â nga rritja e normĂ«s sĂ« konvertimit pĂ«r segmentin premium te angazhimi i pĂ«rdoruesve dhe parandalimi i largimit tĂ« tyre. MĂ«sova shumĂ« mĂ«nyra tĂ« ndryshme pĂ«r tĂ« analizuar tĂ« dhĂ«nat dhe kalova shumĂ« kohĂ« duke pĂ«rmbledhur rezultatet, duke i prezantuar ato palĂ«ve tĂ« interesuara dhe drejtuesve tĂ« lartĂ«. Si data scientist, kryesisht punoja me njĂ« lloj modeli dhe rrallĂ« mbaja prezantime. Le tĂ« kalojmĂ« disa vite pĂ«rpara dhe tĂ« shohim aftĂ«sitĂ« qĂ« mĂ«sova pĂ«r t'u bĂ«rĂ« njĂ« analiste e suksesshme.
Aftësitë që mësova për t'u bërë një analiste e suksesshme e të dhënave
1. Mësoni të tregoni histori përmes të dhënave
Mos i shikoni KPI-të të ndara veçmas. Lidhini ato mes tyre dhe shiheni biznesin si një tërësi. Kjo ju lejon të identifikoni fushat që ndikojnë njëra-tjetrën. Drejtuesit e lartë e shohin biznesin përmes kësaj lenteje, dhe një person që demonstron këtë aftësi bie në sy kur vjen koha për të marrë një vendim për promovim.
2. Jepni ide të zbatueshme
Jepini biznesit një ide të zbatueshme për të zgjidhur problemin. Akoma më mirë nëse propozoni zgjidhjen në mënyrë proaktive, edhe kur ende nuk është thënë se po përballeni me një problem prioritar.
Për shembull, nëse do t'i thoshit ekipit të marketingut: «Vura re se kohët e fundit numri i vizitorëve të faqes po bie çdo muaj». Kjo është një prirje që ata mund ta kenë vënë re në dashboard, dhe si analist nuk keni ofruar asnjë zgjidhje me vlerë, sepse thjesht keni deklaruar një vëzhgim.
Në vend të kësaj, analizoni të dhënat për të gjetur shkakun dhe propozoni një zgjidhje. Një shembull më i mirë për marketingun do të ishte: «Vura re se kohët e fundit na ka rënë numri i vizitorëve në faqen tonë të internetit. Zbulova se burimi i problemit është kërkimi organik, për shkak të ndryshimeve të fundit që kanë sjellë rënie të renditjes sonë në kërkimin e Google». Kjo qasje tregon se keni monitoruar KPI-të e kompanisë, keni vënë re ndryshimin, keni hetuar shkakun dhe keni propozuar një zgjidhje për problemin.
3. Bëhuni një këshilltar i besueshëm
Duhet tĂ« bĂ«heni personi i parĂ« te i cili palĂ«t tuaja tĂ« interesit drejtohen pĂ«r rekomandime ose pyetje lidhur me fushĂ«n e punĂ«s qĂ« mbuloni. Nuk ka rrugĂ« tĂ« shkurtĂ«r, sepse duhet kohĂ« pĂ«r tâi treguar kĂ«to aftĂ«si nĂ« praktikĂ«. ĂelĂ«si Ă«shtĂ« tĂ« ofroni vazhdimisht analiza cilĂ«sore me sa mĂ« pak gabime. Ădo gabim nĂ« llogaritje do tâju kushtojĂ« nĂ« besueshmĂ«ri, sepse herĂ«n tjetĂ«r kur tĂ« paraqisni njĂ« analizĂ«, njerĂ«zit mund tĂ« pyesin veten: NĂ«se keni gabuar herĂ«n e kaluar, ndoshta po gaboni edhe kĂ«saj here?. GjithmonĂ« kontrolloni dy herĂ« punĂ«n tuaj. Gjithashtu, nuk bĂ«n keq tâi kĂ«rkoni menaxherit ose njĂ« kolegu tĂ« hedhĂ« njĂ« sy mbi shifrat tuaja para se tâi prezantoni, nĂ«se keni ndonjĂ« dyshim pĂ«r analizĂ«n tuaj.
4. Mësoni të komunikoni qartë rezultate komplekse
Sërish, nuk ka asnjë rrugë të shkurtër për të mësuar të komunikoni me efektivitet. Kjo kërkon praktikë dhe, me kalimin e kohës, do të bëheni më të zotë në këtë drejtim. Gjëja kryesore është të përcaktoni pikat thelbësore të asaj që doni të bëni dhe të rekomandoni çdo veprim që palët e interesit mund të ndërmarrin, bazuar në analizën tuaj, për të përmirësuar biznesin. Sa më lart të ngjiteni në karrierë brenda organizatës, aq më e rëndësishme bëhet aftësia për të komunikuar. Paraqitja e rezultateve komplekse është një aftësi kyçe që duhet ta demonstroni. Kam kaluar vite duke mësuar sekretet e suksesit si Data Scientist dhe analiste e të dhënave. Njerëzit e përkufizojnë suksesin në mënyra të ndryshme. Për mua, suksesi është të të quajnë një analist të jashtëzakonshëm dhe të spikatur. Tani që i njihni këto sekrete, shpresoj që rruga juaj drejt suksesit të jetë më e shpejtë, pavarësisht se si e përkufizoni atë.
Dhe që rruga juaj drejt suksesit të jetë edhe më e shpejtë, ja ku keni një kod promocional HABR, me të cilin mund të merrni 10% ulje shtesë mbi zbritjen e treguar në baner.
Kurse të tjera
Artikuj të rekomanduar
Burimi: habr.com
