Постоји много чланака о вештинама које су потребне да бисте били добар научник података или аналитичар података, али неколико чланака говори о вештинама потребним за успех—било да се ради о изузетном прегледу учинка, похвалама менаџмента, унапређењу или свему наведеном. Данас вам представљамо материјал чија би ауторка желела да подели своје лично искуство као дата научника и аналитичара података, као и шта је научила да би постигла успех.
Имао сам среће: понуђено ми је место научника података када нисам имао искуства у науци о подацима. Како сам се носио са задатком је друга прича, и желим да кажем да сам имао само нејасну представу о томе шта научник података ради пре него што сам преузео посао.
Унајмљен сам да радим на цевоводима података због мог претходног посла као инжењера података, где сам развио продајно тржиште података за предиктивну аналитику коју користи група научника података.
Моја прва година као научник података укључивала је креирање цевовода података за обуку модела машинског учења и њихово стављање у производњу. Остао сам повучен и нисам учествовао на многим састанцима са маркетиншким актерима који су били крајњи корисници модела.
У другој години мог рада у компанији отишао је менаџер за обраду и анализу података задужен за маркетинг. Од тада сам постао главни играч и активније сам учествовао у развоју модела и расправљању о роковима пројекта.
Док сам комуницирао са заинтересованим странама, схватио сам да је наука о подацима нејасан концепт за који су људи чули, али га не разумеју сасвим, посебно на нивоу вишег менаџмента.
Направио сам преко сто модела, али је само трећина искоришћена јер нисам знао како да покажем њихову вредност, иако је моделе тражио пре свега маркетинг.
Један од чланова мог тима провео је месеце развијајући модел за који је више руководство сматрало да ће показати вредност тима за науку о подацима. Идеја је била да се модел прошири у целој организацији када се развије и подстакне маркетиншке тимове да га усвоје.
Испоставило се да је то био потпуни неуспех јер нико није разумео шта је модел машинског учења нити је могао да разуме вредност његовог коришћења. Као резултат тога, месеци су потрошени на нешто што нико није желео.
Из таквих ситуација сам научио одређене лекције, које ћу дати у наставку.
Лекције које сам научио да постанем успешан научник података
1. Поставите се за успех тако што ћете изабрати праву компанију.
Када интервјуишете у компанији, распитајте се о култури података и колико модела машинског учења је усвојено и коришћено у доношењу одлука. Питајте за примере. Сазнајте да ли је ваша инфраструктура података подешена за почетак моделирања. Ако потрошите 90% свог времена покушавајући да извучете необрађене податке и очистите их, преостало вам је мало или нимало времена да направите било какве моделе како бисте демонстрирали своју вредност као научника података. Будите опрезни ако сте први пут ангажовани као научник података. Ово може бити добра или лоша ствар, у зависности од културе података. Можда ћете наићи на већи отпор примени модела ако више руководство ангажује Дата Сциентист само зато што компанија жели да буде позната као користећи науку о подацима за доношење бољих одлука, али нема појма шта то заправо значи. Осим тога, ако пронађете компанију која се заснива на подацима, ви ћете расти са њом.
2. Познавати податке и кључне индикаторе учинка (КПИ).
На почетку сам поменуо да сам као инжењер података креирао аналитичку матрицу података за тим научника података. Пошто сам и сам постао научник података, успео сам да пронађем нове могућности које су повећале тачност модела јер сам интензивно радио са сировим подацима у својој претходној улози.
Представљањем резултата једне од наших кампања, успео сам да прикажем моделе који генеришу веће стопе конверзије (у процентима), а затим измерим један од КПИ-ова кампање. Ово је показало вредност модела за пословни учинак са којим се маркетинг може повезати.
3. Осигурати усвајање модела демонстрирањем његове вредности заинтересованим странама
Никада нећете успети као научник података ако ваше заинтересоване стране никада не користе ваше моделе за доношење пословних одлука. Један од начина да се обезбеди усвајање модела је да се пронађе пословна болна тачка и покаже како модел може помоћи.
Након разговора са нашим продајним тимом, схватио сам да два представника раде пуно радно време, ручно прочешљавајући милионе корисника у бази података компаније како би идентификовали кориснике са појединачним лиценцама за које је већа вероватноћа да ће надоградити на тимске лиценце. Избор је користио скуп критеријума, али је селекција дуго трајала јер су представници гледали једног по једног корисника. Користећи модел који сам развио, представници су могли да циљају кориснике који ће највероватније купити тимску лиценцу и повећати вероватноћу конверзије за мање времена. Ово је резултирало ефикаснијим коришћењем времена повећањем стопа конверзије за кључне индикаторе учинка са којима се продајни тим може повезати.
Прошло је неколико година и развијао сам исте моделе изнова и изнова и осећао сам да више не учим ништа ново. Одлучио сам да потражим другу позицију и на крају сам добио позицију аналитичара података. Разлика у одговорностима није могла бити значајнија у поређењу са оним када сам био научник за податке, иако сам поново подржавао маркетинг.
Ово је био први пут да сам анализирао А/Б експерименте и пронашао све начине на које експеримент може поћи по злу. Као научник података, уопште нисам радио на А/Б тестирању јер је било резервисано за експериментални тим. Радио сам на широком спектру аналитике која је утицала на маркетинг – од повећања премиум стопа конверзије до ангажовања корисника и превенције одлива. Научио сам много различитих начина да погледам податке и провео сам доста времена састављајући резултате и презентујући их заинтересованим странама и вишем руководству. Као научник за податке, углавном сам радио на једној врсти модела и ретко сам држао предавања. Пређимо неколико година унапред до вештина које сам научио да будем успешан аналитичар.
Вештине које сам научио да постанем успешан аналитичар података
1. Научите да причате приче са подацима
Не посматрајте КПИ изоловано. Повежите их, погледајте посао у целини. Ово ће вам омогућити да идентификујете области које утичу једна на другу. Виши менаџмент посматра пословање кроз сочиво, а особа која демонстрира ову вештину примећује се када дође време за доношење одлука о унапређењу.
2. Дајте идеје које се могу применити.
Обезбедите посао ефективна идеја за решавање проблема. Још је боље ако проактивно понудите решење када још није речено да се бавите основним проблемом.
На пример, ако сте маркетингу рекли: „Приметио сам да се у последње време број посетилаца сајта смањује сваког месеца.. Ово је тренд који су можда приметили на контролној табли, а ви као аналитичар нисте понудили никакво вредно решење јер сте само изнели запажање.
Уместо тога, испитајте податке да бисте пронашли узрок и предложили решење. Бољи пример за маркетинг би био: „Приметио сам да је у последње време дошло до смањења броја посетилаца нашег сајта. Открио сам да је извор проблема органска претрага, због недавних промена које су довеле до пада нашег рангирања у Гоогле претрази.". Овај приступ показује да сте пратили КПИ-ове компаније, приметили промену, истражили узрок и предложили решење проблема.
3. Постаните саветник од поверења
Морате да будете прва особа којој се ваше заинтересоване стране обраћају за савет или питања о послу који подржавате. Не постоји пречица јер је потребно време да се те способности демонстрирају. Кључ за ово је доследно пружање висококвалитетне анализе са минималним грешкама. Свака погрешна процена ће вас коштати бодова кредибилитета, јер следећи пут када дате анализу, људи ће се можда запитати: Ако сте погрешили прошли пут, можда сте погрешили и овај пут?. Увек двапут проверите свој рад. Такође не шкоди да замолите свог менаџера или колегу да погледа ваше бројеве пре него што их изнесете ако сумњате у своју анализу.
4. Научите да јасно саопштавате сложене резултате.
Опет, не постоји пречица за учење како да ефикасно комуницирате. Ово захтева вежбу и временом ћете постати бољи у томе. Кључно је да идентификујете главне тачке онога што желите да урадите и препоручите све радње које, као резултат ваше анализе, заинтересоване стране могу предузети да побољшају пословање. Што сте на вишем нивоу у организацији, важније су ваше комуникацијске вештине. Саопштавање сложених резултата је важна вештина коју треба демонстрирати. Провео сам године учећи тајне успеха као научник података и аналитичар података. Људи различито дефинишу успех. Бити описан као "невероватан" и "звездани" аналитичар је успех у мојим очима. Сада када знате ове тајне, надам се да ће вас ваш пут брзо довести до успеха, како год да га дефинишете.
А да би ваш пут ка успеху био још бржи, задржите промотивни код ХАБР, чиме можете добити додатних 10% на попуст назначен на банеру.
Више курсева
Рекомендуемие статьи
Извор: ввв.хабр.цом