🥇Hur man blir en framgångsrik dataforskare och dataanalytiker

Det finns många artiklar om de färdigheter som krävs för att vara en bra data scientist eller dataanalytiker, men få artiklar tar upp de färdigheter som krävs för att bli framgångsrik – oavsett om det handlar om att få ett exceptionellt prestationssamtal, beröm från ledningen, en befordran eller allt ovanstående. Idag presenterar vi en artikel vars författare vill dela med sig av sina personliga erfarenheter av att arbeta som data scientist och dataanalytiker, samt vad hon har lärt sig för att nå framgång.

Jag hade turen att bli erbjuden en tjänst som data scientist när jag inte hade någon erfarenhet av data science. Hur jag hamnade där är en annan historia, och jag vill säga att jag bara hade en vag uppfattning om vad en data scientist gör innan jag tog jobbet.

Jag anställdes för att arbeta med att bygga datapipelines från mitt tidigare jobb som dataingenjör, där jag utvecklade en datamart för prediktiv analys som användes av en grupp dataforskare.

Mitt första år som data scientist innebar att bygga datapipelines för att träna maskininlärningsmodeller och driftsätta dem i produktion. Jag höll en låg profil och var inte involverad i många möten med marknadsföringsintressenter som var slutanvändare av modellerna.

Under mitt andra år på företaget slutade chefen för databehandling och analys med ansvar för marknadsföring. Sedan dess har jag blivit en nyckelperson och tagit en mer aktiv roll i att utveckla modeller och diskutera projektdeadlines.

När jag pratade med intressenter insåg jag att datavetenskap var ett vagt begrepp som folk hade hört talas om men inte riktigt förstod, särskilt på högre nivå.

Jag byggde över hundra modeller, men bara en tredjedel av dem användes eftersom jag inte visste hur jag skulle visa deras värde, trots att modellerna främst efterfrågades av marknadsföringen.

En av mina teammedlemmar spenderade månader med att utveckla en modell som ledningen ansåg skulle visa värdet av ett data science-team. Tanken var att implementera modellen i hela organisationen när den väl var utvecklad och uppmuntra marknadsföringsteamen att anamma den.

Detta visade sig vara ett fullständigt misslyckande eftersom ingen förstod vad en maskininlärningsmodell var eller kunde se värdet i att använda den. Som ett resultat slösades månader bort på något som ingen ville ha.

Från situationer som dessa lärde jag mig vissa lärdomar, som jag kommer att lista nedan.

Lärdomar jag lärde mig för att bli en framgångsrik dataforskare

1. Förbered dig för framgång genom att välja rätt företag.
När du intervjuar ett företag, fråga om datakulturen och hur många maskininlärningsmodeller som antas och används i beslutsfattandet. Be om exempel. Ta reda på om din datainfrastruktur är konfigurerad för att börja modellera. Om du lägger 90 % av din tid på att försöka hämta rådata och rensa den, kommer du nästan inte ha någon tid kvar att bygga några modeller för att visa ditt värde som data scientist. Var försiktig om du anställs som data scientist för första gången. Detta kan vara bra eller dåligt, beroende på datakulturen. Du kan stöta på mycket motstånd mot att implementera en modell om ledningen anställer en data scientist bara för att företaget vill bli känt som använda datavetenskap för att fatta bättre beslut, men har ingen aning om vad det egentligen betyder. Plus, om du hittar ett företag som är datadrivet, kommer du att växa med dem.

2. Känn till data och nyckeltal (KPI:er).
I början nämnde jag att jag som dataingenjör skapade en analysdatamart för data science-teamet. Som data scientist själv kunde jag hitta nya möjligheter som förbättrade modellernas noggrannhet eftersom jag arbetade mycket med rådata i min tidigare roll.

Genom att presentera resultaten från en av våra kampanjer kunde jag visa de mönster som genererade högre konverteringsfrekvenser (i procent), varefter en av kampanjens KPI:er mättes. Detta visade modellens värde för affärsprestanda, vilket marknadsföring kan kopplas till.

3. Säkerställ att modellen implementeras genom att visa dess värde för intressenter
Du kommer aldrig att lyckas som data scientist om intressenter aldrig använder dina modeller för att fatta affärsbeslut. Ett sätt att säkerställa att en modell implementeras är att hitta en smärtpunkt i verksamheten och visa hur modellen kan hjälpa till.

Efter att ha pratat med vårt säljteam insåg jag att två representanter arbetade heltid med att manuellt granska miljontals användare i företagets databas för att identifiera användare med enskilda licenser som var mer benägna att uppgradera till teamlicenser. Urvalsprocessen använde en uppsättning kriterier, men urvalsprocessen tog lång tid eftersom representanterna tittade på en användare i taget. Med hjälp av modellen jag utvecklade kunde representanterna välja ut användare som var mest benägna att köpa en teamlicens och öka sannolikheten för konvertering på kortare tid. Detta har resulterat i en effektivare tidsanvändning genom att öka konverteringsfrekvensen för nyckeltal som säljavdelningen kan vara involverad i.

Flera år gick och jag utvecklade samma modeller gång på gång och kände att jag inte längre lärde mig något nytt. Jag bestämde mig för att söka en annan tjänst och fick till slut en tjänst som dataanalytiker. Skillnaden i ansvarsområden kunde inte vara större jämfört med min tid som data scientist, trots att jag återigen arbetade som marknadsföringsansvarig.

Detta var första gången jag analyserade A/B-experiment och fann alla sätt på vilka ett experiment kan gå fel. Som data scientist arbetade jag inte alls med A/B-testning eftersom det var reserverat för experimentteamet. Jag arbetade med ett brett spektrum av analyser påverkade av marknadsföring, från att öka premiumkonverteringsfrekvensen till användarengagemang och förebyggande av kundbortfall. Jag lärde mig många olika sätt att titta på data och lade ner mycket tid på att sammanställa resultaten och presentera dem för intressenter och ledning. Som data scientist arbetade jag mestadels med en typ av modell och höll sällan föredrag. Spola fram några år och gå vidare till de färdigheter jag lärde mig för att bli en framgångsrik analytiker.

Färdigheter jag lärde mig för att bli en framgångsrik dataanalytiker

1. Lär dig att berätta historier med data
Titta inte på KPI:er isolerat. Koppla ihop dem, se på verksamheten som helhet. Detta gör att vi kan identifiera områden som påverkar varandra. Ledningen ser verksamheten genom detta perspektiv, och någon som visar denna färdighet blir uppmärksammad när det är dags att fatta befordringsbeslut.

2. Ge konkreta idéer
Ge affärer en effektiv idé för att lösa problemet. Ännu bättre om du proaktivt erbjuder en lösning innan det har sagts att du har att göra med ett primärt problem.

Om du till exempel sa till marknadsföringen: "Jag har märkt att antalet besökare på webbplatsen har minskat varje månad på sistone". Det här är en trend de kanske har lagt märke till på instrumentpanelen, och du har inte erbjudit någon värdefull insikt som analytiker eftersom du bara har angett en observation.

Granska istället informationen för att hitta orsaken och föreslå en lösning. Ett bättre exempel på marknadsföring vore: "Jag har märkt att vi har haft en minskning av antalet besökare på vår webbplats på sistone. Jag upptäckte att källan till problemet var organisk sökning, på grund av nyligen genomförda förändringar som orsakade att våra rankningar sjönk i Googles sökningar.". Denna metod visar att du har övervakat företagets nyckeltal, noterat en förändring, undersökt orsaken och föreslagit en lösning på problemet.

3. Bli en betrodd rådgivare
Du måste vara den första personen dina intressenter vänder sig till för vägledning eller frågor om den sak du stöder. Det finns ingen genväg eftersom det tar tid att visa upp dessa förmågor. Nyckeln till detta är att konsekvent leverera högkvalitativa analyser med minimala fel. Alla fel i beräkningarna kommer att kosta dig trovärdighetspoäng, för nästa gång du presenterar din analys kanske folk undrar: Om du hade fel förra gången, kanske du har fel den här gången också?. Dubbelkolla alltid ditt arbete. Det skadar inte heller att be din chef eller en kollega titta på dina siffror innan du presenterar dem om du har några tvivel om din analys.

4. Lär dig att kommunicera komplexa resultat tydligt
Återigen, det finns ingen genväg till att lära sig effektiv kommunikation. Detta kräver övning, och med tiden kommer du att bli bättre på det. Nyckeln är att identifiera de viktigaste punkterna i vad du vill göra och rekommendera eventuella åtgärder som, till följd av din analys, intressenter kan vidta för att förbättra verksamheten. Ju högre upp man är på karriärstegen i en organisation, desto viktigare blir kommunikationsfärdigheter. Att kommunicera komplexa resultat är en viktig färdighet som behöver demonstreras. Jag har ägnat år åt att lära mig hemligheterna bakom framgång som data scientist och dataanalytiker. Människor definierar framgång olika. Att bli beskriven som en "fantastisk" och "stjärn"-analytiker är en framgång i mina ögon. Nu när du känner till dessa hemligheter hoppas jag att din väg kommer att leda dig snabbare till framgång, hur du än definierar den.

Och för att göra din väg till framgång ännu snabbare, här är en kampanjkod HABR, vilket gör att du får ytterligare 10 % utöver rabatten som anges i bannern.