Det finns många artiklar om de färdigheter som krävs för att vara en bra datavetare eller dataanalytiker, men få artiklar talar om de färdigheter som behövs för att lyckas – vare sig det är en exceptionell prestationsöversyn, beröm från ledningen, en befordran eller allt ovanstående. Idag presenterar vi för dig ett material vars författare vill dela med sig av sin personliga erfarenhet som datavetare och dataanalytiker, samt vad hon har lärt sig för att nå framgång.
Jag hade tur: jag erbjöds tjänsten som datavetare när jag inte hade någon erfarenhet av datavetenskap. Hur jag hanterade uppgiften är en annan historia, och jag vill säga att jag bara hade en vag uppfattning om vad en datavetare gör innan jag tog jobbet.
Jag anställdes för att arbeta med datapipelines på grund av mitt tidigare jobb som dataingenjör, där jag utvecklade en datamart för prediktiv analys som används av en grupp dataforskare.
Mitt första år som datavetare innebar att skapa datapipelines för att träna maskininlärningsmodeller och sätta dem i produktion. Jag höll en låg profil och deltog inte i många möten med marknadsföringsintressenterna som var slutanvändarna av modellerna.
Under andra året av mitt arbete på företaget slutade den marknadsansvariga databearbetnings- och analyschefen. Därefter blev jag huvudaktör och deltog mer aktivt i att utveckla modeller och diskutera projektdeadlines.
När jag interagerade med intressenter insåg jag att Data Science är ett vagt begrepp som folk har hört talas om men inte riktigt förstår, särskilt på högre ledningsnivåer.
Jag byggde över hundra modeller, men bara en tredjedel av dem användes eftersom jag inte visste hur jag skulle visa deras värde, även om modellerna efterfrågades främst av marknadsföring.
En av mina teammedlemmar tillbringade månader med att utveckla en modell som ledningen ansåg skulle visa värdet av ett datavetenskapsteam. Tanken var att sprida modellen i hela organisationen när den väl utvecklats och uppmuntra marknadsföringsteam att ta till sig den.
Det visade sig vara ett fullständigt misslyckande eftersom ingen förstod vad en maskininlärningsmodell var eller kunde förstå värdet av att använda den. Som ett resultat slösades månader bort på något som ingen ville ha.
Från sådana situationer har jag lärt mig vissa lärdomar, som jag kommer att ge nedan.
Lektioner jag lärde mig för att bli en framgångsrik dataforskare
1. Förbered dig för framgång genom att välja rätt företag.
När du intervjuar på ett företag, fråga om datakulturen och hur många maskininlärningsmodeller som används och används i beslutsfattande. Be om exempel. Ta reda på om din datainfrastruktur är konfigurerad för att börja modellera. Om du spenderar 90 % av din tid på att försöka hämta rådata och rensa den, kommer du att ha lite eller ingen tid kvar att bygga några modeller för att visa ditt värde som dataforskare. Var försiktig om du anställs som datavetare för första gången. Detta kan vara en bra sak eller en dålig sak, beroende på datakulturen. Du kan stöta på mer motstånd mot att implementera modellen om företagsledningen anställer en Data Scientist bara för att företaget vill bli känt som använda Data Science 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 det.
2. Känna till data och nyckeltal (KPI:er).
I början nämnde jag att jag som dataingenjör skapade en analytisk datamarknad för ett team av datavetare. Efter att själv ha blivit datavetare kunde jag hitta nya möjligheter som ökade noggrannheten i modeller eftersom jag arbetade intensivt med rådata i min tidigare roll.
Genom att presentera resultaten av en av våra kampanjer kunde jag visa modellerna som genererade högre konverteringsfrekvens (i procent) och mätte sedan en av kampanjens KPI:er. Detta visade värdet av modellen för affärsresultat som marknadsföring kan kopplas till.
3. Se till att modellen antas genom att visa dess värde för intressenter
Du kommer aldrig att lyckas som datavetare om dina intressenter aldrig använder dina modeller för att fatta affärsbeslut. Ett sätt att säkerställa modellantagande är att hitta en affärsproblematik och visa hur modellen kan hjälpa.
Efter att ha pratat med vårt säljteam insåg jag att två representanter arbetade heltid med att manuellt kamma igenom miljontals användare i företagets databas för att identifiera användare med enstaka licenser som var mer benägna att uppgradera till teamlicenser. Urvalet använde en uppsättning kriterier, men urvalet tog lång tid eftersom representanterna tittade på en användare i taget. Genom att använda modellen jag utvecklade kunde reps inrikta sig på användare som mest sannolikt skulle köpa en teamlicens och öka sannolikheten för konvertering på kortare tid. Detta har resulterat i en effektivare användning av tiden genom att öka konverteringsfrekvensen för nyckeltal som säljteamet kan relatera till.
Det gick flera år och jag utvecklade samma modeller om och om igen och kände att jag inte längre lärde mig något nytt. Jag bestämde mig för att leta efter en annan tjänst och det slutade med att jag fick en tjänst som dataanalytiker. Skillnaden i ansvar kunde inte ha varit mer betydande jämfört med när jag var datavetare, även om jag var tillbaka och stöttade marknadsföring.
Detta var första gången jag analyserade A/B-experiment och hittade alla sätt på vilka ett experiment kan gå fel. Som datavetare arbetade jag inte med A/B-testning alls eftersom det var reserverat för experimentteamet. Jag har arbetat med ett brett utbud av marknadsföringspåverkade analyser – från ökande premiumkonverteringsfrekvenser till användarengagemang och förebyggande av churn. Jag lärde mig många olika sätt att se på data och ägnade mycket tid åt att sammanställa resultaten och presentera dem för intressenter och ledande befattningshavare. Som datavetare arbetade jag mest på en typ av modell och höll sällan föredrag. Spola fram några år till de färdigheter jag lärt 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, titta på verksamheten som helhet. Detta gör att du kan identifiera områden som påverkar varandra. Ledningen ser verksamheten genom en lins, och en person som visar denna färdighet uppmärksammas när det är dags att fatta befordransbeslut.
2. Ge handlingskraftiga idéer.
Tillhandahålla affärer effektiv idé för att lösa problemet. Det är ännu bättre om du proaktivt erbjuder en lösning när det ännu inte har sagts att du hanterar det underliggande problemet.
Om du till exempel sa till marknadsföring: "Jag märkte att antalet besökare på webbplatsen nyligen har minskat varje månad.". Detta är en trend som de kanske har märkt på instrumentpanelen och du erbjöd ingen värdefull lösning som analytiker eftersom du bara angav observationen.
Undersök istället data för att hitta orsaken och föreslå en lösning. Ett bättre exempel för marknadsföring skulle vara: ”Jag har märkt att vi har haft en minskning av antalet besökare på vår hemsida den senaste tiden. Jag upptäckte att källan till problemet är organisk sökning, på grund av de senaste förändringarna som har fått vår Google-sökningsrankning att sjunka.". Detta tillvägagångssätt visar att du spårade företagets KPI:er, märkte förändringen, undersökte orsaken och föreslog en lösning på problemet.
3. Bli en betrodd rådgivare
Du måste vara den första personen dina intressenter vänder sig till för att få råd eller frågor om verksamheten du stödjer. Det finns ingen genväg eftersom det tar tid att visa dessa förmågor. Nyckeln till detta är att konsekvent leverera högkvalitativa analyser med minimala fel. Alla felberäkningar kommer att kosta dig trovärdighetspoäng eftersom nästa gång du ger en analys kan folk undra: 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 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 för att lära sig hur man kommunicerar effektivt. Detta kräver övning och med tiden kommer du att bli bättre på det. Nyckeln är att identifiera huvudpunkterna i vad du vill göra och rekommendera eventuella åtgärder som, som ett resultat av din analys, intressenter kan vidta för att förbättra verksamheten. Ju högre upp du befinner dig i en organisation, desto viktigare är din kommunikationsförmåga. Att kommunicera komplexa resultat är en viktig färdighet att visa. Jag tillbringade åratal med att lära mig framgångens hemligheter som datavetare och dataanalytiker. Människor definierar framgång olika. Att beskrivas som en "fantastisk" och "stjärnklar" analytiker är framgång i mina ögon. Nu när du känner till dessa hemligheter hoppas jag att din väg snabbt kommer att leda dig till framgång, hur du än definierar den.
Och för att göra din väg till framgång ännu snabbare, behåll kampanjkoden HABR, med vilket du kan få ytterligare 10 % till rabatten som anges på bannern.
Fler kurser
Utvalda artiklar
Källa: will.com