మంచి డేటా సైంటిస్ట్ లేదా డేటా అనలిస్ట్‌గా ఉండటానికి అవసరమైన నైపుణ్యాల గురించి చాలా కథనాలు ఉన్నాయి, కానీ కొన్ని కథనాలు విజయవంతం కావడానికి అవసరమైన నైపుణ్యాల గురించి మాట్లాడతాయి-ఇది అసాధారణమైన పనితీరు సమీక్ష, నిర్వహణ నుండి ప్రశంసలు, ప్రమోషన్ లేదా పైన పేర్కొన్నవన్నీ. డేటా సైంటిస్ట్‌గా మరియు డేటా అనలిస్ట్‌గా తన వ్యక్తిగత అనుభవాన్ని, అలాగే విజయాన్ని సాధించడానికి ఆమె నేర్చుకున్న విషయాలను పంచుకోవడానికి రచయిత ఇష్టపడే విషయాన్ని ఈ రోజు మేము మీకు అందిస్తున్నాము.
నేను అదృష్టవంతుడిని: నాకు డేటా సైన్స్‌లో అనుభవం లేనప్పుడు నాకు డేటా సైంటిస్ట్ పదవిని అందించారు. నేను పనిని ఎలా నిర్వహించాను అనేది వేరే కథ, మరియు నేను ఉద్యోగంలో చేరడానికి ముందు డేటా సైంటిస్ట్ ఏమి చేస్తాడనే దాని గురించి నాకు అస్పష్టమైన ఆలోచన మాత్రమే ఉందని నేను చెప్పాలనుకుంటున్నాను.
డేటా ఇంజనీర్‌గా నా మునుపటి ఉద్యోగం కారణంగా నేను డేటా పైప్‌లైన్‌లపై పని చేయడానికి నియమించబడ్డాను, ఇక్కడ నేను డేటా సైంటిస్టుల బృందం ఉపయోగించే ప్రిడిక్టివ్ అనలిటిక్స్ కోసం డేటా మార్ట్‌ను అభివృద్ధి చేసాను.
డేటా సైంటిస్ట్‌గా నా మొదటి సంవత్సరం మెషీన్ లెర్నింగ్ మోడల్‌లకు శిక్షణ ఇవ్వడానికి మరియు వాటిని ఉత్పత్తిలో పెట్టడానికి డేటా పైప్‌లైన్‌లను రూపొందించడంలో పాల్గొన్నాను. నేను తక్కువ ప్రొఫైల్‌ను ఉంచాను మరియు మోడల్‌ల తుది వినియోగదారులైన మార్కెటింగ్ వాటాదారులతో అనేక సమావేశాలలో పాల్గొనలేదు.
కంపెనీలో నా రెండవ సంవత్సరంలో, మార్కెటింగ్‌కి సంబంధించిన డేటా సైన్స్ మేనేజర్ వెళ్ళిపోయారు. అప్పటి నుండి, నేను కథానాయకుడిగా మారాను మరియు మోడల్ డెవలప్‌మెంట్ మరియు ప్రాజెక్ట్ టైమింగ్ చర్చలలో ఎక్కువగా పాల్గొంటున్నాను.
నేను వాటాదారులతో మాట్లాడినప్పుడు, డేటా సైన్స్ అనేది ప్రజలు వినే అస్పష్టమైన కాన్సెప్ట్ అని నేను గ్రహించాను, కానీ అది పూర్తిగా అర్థం కాలేదు, ప్రత్యేకించి అగ్ర నిర్వహణ విషయానికి వస్తే.
నేను వందకు పైగా మోడళ్లను నిర్మించాను, కానీ వాటిలో మూడవ వంతు మాత్రమే ఉపయోగించబడ్డాయి, ఎందుకంటే వాటి విలువను ఎలా చూపించాలో నాకు తెలియదు, ఎందుకంటే మార్కెటింగ్ ద్వారా మోడల్‌లను మొదటి స్థానంలో అభ్యర్థించారు.
నా బృంద సభ్యులలో ఒకరు డేటా సైన్స్ టీమ్ విలువను ప్రదర్శిస్తారని సీనియర్ మేనేజ్‌మెంట్ భావించిన మోడల్‌ను అభివృద్ధి చేయడానికి నెలలు గడిపారు. మోడల్‌ను అభివృద్ధి చేసిన తర్వాత సంస్థ అంతటా వ్యాపింపజేయడం మరియు దానిని స్వీకరించడానికి మార్కెటింగ్ బృందాలను ప్రోత్సహించడం ఆలోచన.
మెషీన్ లెర్నింగ్ మోడల్ అంటే ఏమిటో ఎవరికీ అర్థం కాలేదు మరియు దాని అప్లికేషన్ యొక్క విలువను అర్థం చేసుకోలేకపోయినందున ఇది పూర్తిగా విఫలమైంది. ఫలితంగా ఎవరికీ అక్కర్లేని వాటిపై నెలల తరబడి వృధాగా గడిపారు.
అటువంటి పరిస్థితుల నుండి నేను కొన్ని పాఠాలు నేర్చుకున్నాను, నేను క్రింద ఇస్తాను.
విజయవంతమైన డేటా సైంటిస్ట్‌గా మారడానికి నేను నేర్చుకున్న పాఠాలు
1. సరైన కంపెనీని ఎంచుకోవడం ద్వారా విజయం కోసం మిమ్మల్ని మీరు సెటప్ చేసుకోండి.
ఒక కంపెనీలో ఒక ఇంటర్వ్యూలో, డేటా యొక్క సంస్కృతి గురించి మరియు నిర్ణయం తీసుకోవడంలో ఎన్ని మెషిన్ లెర్నింగ్ మోడల్‌లను స్వీకరించారు మరియు ఉపయోగించారు అనే దాని గురించి అడగండి. ఉదాహరణలు అడగండి. మోడలింగ్ ప్రారంభించడానికి మీ డేటా ఇన్‌ఫ్రాస్ట్రక్చర్ సెటప్ చేయబడిందో లేదో తెలుసుకోండి. మీరు మీ సమయాన్ని 90% ముడి డేటాను లాగడానికి మరియు దానిని శుభ్రం చేయడానికి వెచ్చిస్తే, డేటా సైంటిస్ట్‌గా మీ విలువను ప్రదర్శించడానికి ఏదైనా మోడల్‌లను రూపొందించడానికి మీకు తక్కువ సమయం ఉండదు. మీరు మొదటిసారిగా డేటా సైంటిస్ట్‌గా నియమితులైతే జాగ్రత్తగా ఉండండి. డేటా సంస్కృతిని బట్టి ఇది మంచి విషయం లేదా చెడు విషయం కావచ్చు. టాప్ మేనేజ్‌మెంట్ ఒక డేటా సైంటిస్ట్‌ను నియమించుకున్నట్లయితే మోడల్‌ను అమలు చేయడంలో మీరు చాలా ప్రతిఘటనను ఎదుర్కొంటారు. మెరుగైన నిర్ణయాలు తీసుకోవడానికి డేటా సైన్స్‌ని ఉపయోగించడం, కానీ దాని అసలు అర్థం ఏమిటో తెలియదు. అదనంగా, మీరు డేటాతో నడిచే కంపెనీని కనుగొంటే, మీరు దానితో అభివృద్ధి చెందుతారు.
2. డేటా మరియు కీలక పనితీరు సూచికలను (KPIలు) తెలుసుకోండి.
ప్రారంభంలో, నేను డేటా ఇంజనీర్‌గా, డేటా సైంటిస్టుల బృందం కోసం విశ్లేషణాత్మక డేటా మార్ట్‌ని సృష్టించాను. నేను డేటా సైంటిస్ట్‌గా మారినందున, నేను నా మునుపటి పాత్రలో ముడి డేటాతో తీవ్రంగా పనిచేసినందున మోడల్‌ల ఖచ్చితత్వాన్ని పెంచే కొత్త అవకాశాలను కనుగొనగలిగాను.
మా ప్రచారాలలో ఒకదాని ఫలితాలను ప్రదర్శించడం ద్వారా, నేను అధిక మార్పిడి రేట్లను (శాతంగా) ఉత్పత్తి చేసే మోడల్‌లను చూపించగలిగాను, ఆ తర్వాత KPI ప్రచారాలలో ఒకదానిని కొలుస్తారు. ఇది మార్కెటింగ్‌ని అనుసంధానించగల వ్యాపార పనితీరు కోసం మోడల్ యొక్క విలువను ప్రదర్శించింది.
3. వాటాదారులకు దాని విలువను ప్రదర్శించడం ద్వారా మోడల్ అంగీకారాన్ని నిర్ధారించండి
మీ వాటాదారులు వ్యాపార నిర్ణయాలు తీసుకోవడానికి మీ మోడల్‌లను ఉపయోగించకపోతే మీరు డేటా సైంటిస్ట్‌గా ఎప్పటికీ విజయం సాధించలేరు. మోడల్ స్వీకరణను నిర్ధారించడానికి ఒక మార్గం ఏమిటంటే, వ్యాపార నొప్పి పాయింట్‌ను కనుగొనడం మరియు మోడల్ ఎలా సహాయపడుతుందో చూపడం.
మా సేల్స్ టీమ్‌తో మాట్లాడిన తర్వాత, ఇద్దరు ప్రతినిధులు పూర్తి సమయం పని చేస్తున్నారని, టీమ్ లైసెన్స్‌లకు మారే అవకాశం ఉన్న సింగిల్ లైసెన్స్‌లను కలిగి ఉన్న వినియోగదారులను గుర్తించడానికి కంపెనీ డేటాబేస్‌లోని మిలియన్ల మంది వినియోగదారులను మాన్యువల్‌గా చూస్తున్నారని నేను గ్రహించాను. ఎంపిక ప్రమాణాల సమితిని ఉపయోగించింది, కానీ ప్రతినిధులు ఒక సమయంలో ఒక వినియోగదారుని చూస్తున్నందున ఎంపిక చాలా సమయం పట్టింది. నేను అభివృద్ధి చేసిన మోడల్‌ని ఉపయోగించి, ప్రతినిధులు టీమ్ లైసెన్స్‌ని కొనుగోలు చేసే అవకాశం ఉన్న వినియోగదారులను లక్ష్యంగా చేసుకోగలిగారు మరియు తక్కువ సమయంలో మార్పిడి యొక్క సంభావ్యతను పెంచారు. ఇది సేల్స్ టీమ్‌కు సంబంధించిన కీలక పనితీరు సూచికల కోసం మార్పిడి రేట్లను పెంచడం ద్వారా సమయాన్ని మరింత సమర్థవంతంగా ఉపయోగించుకునేలా చేసింది.
చాలా సంవత్సరాలు గడిచాయి మరియు నేను అదే మోడల్‌లను పదే పదే అభివృద్ధి చేసాను మరియు నేను ఇకపై కొత్తగా ఏమీ నేర్చుకోవడం లేదని భావించాను. నేను మరొక స్థానం కోసం వెతకాలని నిర్ణయించుకున్నాను మరియు డేటా అనలిస్ట్‌గా స్థానం పొందడం ముగించాను. నేను డేటా సైంటిస్ట్‌గా ఉన్నప్పుడు, నేను మార్కెటింగ్‌కి మద్దతిచ్చినప్పటికీ, బాధ్యతలలో వ్యత్యాసం మరింత ముఖ్యమైనది కాదు.
నేను A/B ప్రయోగాలను విశ్లేషించి, కనుగొనడం ఇదే మొదటిసారి అన్ని ఒక ప్రయోగం తప్పు అయ్యే మార్గాలు. డేటా సైంటిస్ట్‌గా, నేను A/B టెస్టింగ్‌లో అస్సలు పని చేయలేదు ఎందుకంటే ఇది ప్రయోగాత్మక బృందం కోసం రిజర్వ్ చేయబడింది. నేను విస్తృత శ్రేణి మార్కెటింగ్-ప్రభావిత విశ్లేషణలపై పని చేసాను - ప్రీమియం మార్పిడి రేట్లను పెంచడం నుండి వినియోగదారు నిశ్చితార్థం మరియు చర్న్ నివారణ వరకు. నేను డేటాను చూడడానికి అనేక మార్గాలు నేర్చుకున్నాను మరియు ఫలితాలను కంపైల్ చేయడానికి మరియు వాటిని వాటాదారులకు మరియు సీనియర్ మేనేజ్‌మెంట్‌కు అందించడానికి చాలా సమయం వెచ్చించాను. డేటా సైంటిస్ట్‌గా, నేను ఎక్కువగా ఒక రకమైన మోడల్‌పై పనిచేశాను మరియు అరుదుగా చర్చలు ఇచ్చాను. విజయవంతమైన విశ్లేషకుడిగా నేను నేర్చుకున్న నైపుణ్యాల కోసం కొన్ని సంవత్సరాలు వేగంగా ముందుకు సాగండి.
విజయవంతమైన డేటా అనలిస్ట్‌గా మారడానికి నేను నేర్చుకున్న నైపుణ్యాలు
1. డేటాతో కథలు చెప్పడం నేర్చుకోండి
KPIలను విడిగా చూడవద్దు. వాటిని కనెక్ట్ చేయండి, మొత్తం వ్యాపారాన్ని చూడండి. ఇది ఒకదానికొకటి ప్రభావితం చేసే ప్రాంతాలను గుర్తించడానికి మిమ్మల్ని అనుమతిస్తుంది. సీనియర్ మేనేజ్‌మెంట్ లెన్స్ ద్వారా వ్యాపారాన్ని చూస్తుంది మరియు ప్రమోషన్ నిర్ణయాలు తీసుకునే సమయం వచ్చినప్పుడు ఈ నైపుణ్యాన్ని ప్రదర్శించే వ్యక్తి గుర్తించబడతాడు.
2. చర్య తీసుకోదగిన ఆలోచనలను అందించండి.
వ్యాపారాన్ని అందించండి సమర్థవంతమైన ఆలోచన సమస్యను పరిష్కరించడానికి. మీరు ప్రాథమిక సమస్యతో వ్యవహరిస్తున్నారని ఇప్పటికే చెప్పనప్పుడు మీరు ముందస్తుగా పరిష్కారాన్ని అందిస్తే ఇంకా మంచిది.
ఉదాహరణకు, మీరు మార్కెటింగ్ గురించి చెప్పినట్లయితే: "ఇటీవల సైట్ సందర్శకుల సంఖ్య ప్రతి నెల తగ్గుతోందని నేను గమనించాను.". ఇది డ్యాష్‌బోర్డ్‌లో వారు గమనించి ఉండవచ్చు మరియు మీరు పరిశీలనను మాత్రమే పేర్కొన్నందున మీరు విశ్లేషకుడిగా విలువైన పరిష్కారాన్ని అందించలేదు.
బదులుగా, కారణాన్ని కనుగొనడానికి మరియు పరిష్కారాన్ని ప్రతిపాదించడానికి డేటాను పరిశీలించండి. మార్కెటింగ్ కోసం ఒక మంచి ఉదాహరణ: “ఇటీవల మా వెబ్‌సైట్‌కి సందర్శకుల సంఖ్య తగ్గినట్లు నేను గమనించాను. మా Google శోధన ర్యాంకింగ్‌లు తగ్గడానికి కారణమైన ఇటీవలి మార్పుల కారణంగా సమస్య యొక్క మూలం ఆర్గానిక్ సెర్చ్ అని నేను కనుగొన్నాను.". మీరు కంపెనీ KPIలను ట్రాక్ చేశారని, మార్పును గమనించారని, కారణాన్ని పరిశోధించారని మరియు సమస్యకు పరిష్కారాన్ని ప్రతిపాదించారని ఈ విధానం చూపుతుంది.
3. విశ్వసనీయ సలహాదారు అవ్వండి
మీరు మద్దతు ఇచ్చే వ్యాపారం గురించి సలహాలు లేదా ప్రశ్నల కోసం మీ వాటాదారులు ఆశ్రయించే మొదటి వ్యక్తి మీరే అయి ఉండాలి. సత్వరమార్గం లేదు ఎందుకంటే ఈ సామర్థ్యాలను ప్రదర్శించడానికి సమయం పడుతుంది. తక్కువ లోపాలతో అధిక-నాణ్యత విశ్లేషణను స్థిరంగా అందించడం దీనికి కీలకం. ఏదైనా తప్పుడు గణన మీకు విశ్వసనీయత పాయింట్లను ఖర్చు చేస్తుంది ఎందుకంటే మీరు తదుపరిసారి విశ్లేషణను అందించినప్పుడు, వ్యక్తులు ఆశ్చర్యపోవచ్చు: మీరు గతసారి తప్పు చేస్తే, బహుశా ఈసారి కూడా తప్పు చేశారా?. మీ పనిని ఎల్లప్పుడూ రెండుసార్లు తనిఖీ చేయండి. మీ విశ్లేషణపై మీకు ఏవైనా సందేహాలు ఉంటే వాటిని ప్రదర్శించడానికి ముందు మీ నంబర్‌లను చూడమని మీ మేనేజర్ లేదా సహోద్యోగిని అడగడం కూడా బాధ కలిగించదు.
4. సంక్లిష్ట ఫలితాలను స్పష్టంగా కమ్యూనికేట్ చేయడం నేర్చుకోండి.
మళ్ళీ, సమర్థవంతంగా కమ్యూనికేట్ చేయడం నేర్చుకోవడానికి సత్వరమార్గం లేదు. దీనికి అభ్యాసం అవసరం మరియు కాలక్రమేణా మీరు దానిలో మెరుగవుతారు. మీరు ఏమి చేయాలనుకుంటున్నారో ప్రధాన అంశాలను గుర్తించడం మరియు మీ విశ్లేషణ ఫలితంగా, వ్యాపారాన్ని మెరుగుపరచడానికి వాటాదారులు తీసుకోగల ఏవైనా చర్యలను సిఫార్సు చేయడం కీలకం. మీరు ఒక సంస్థలో ఎంత ఉన్నతంగా ఉంటే, మీ కమ్యూనికేషన్ నైపుణ్యాలు అంత ముఖ్యమైనవి. సంక్లిష్ట ఫలితాలను కమ్యూనికేట్ చేయడం అనేది ప్రదర్శించడానికి ఒక ముఖ్యమైన నైపుణ్యం. నేను డేటా సైంటిస్ట్‌గా మరియు డేటా అనలిస్ట్‌గా విజయ రహస్యాలను తెలుసుకోవడానికి సంవత్సరాలు గడిపాను. ప్రజలు విజయాన్ని భిన్నంగా నిర్వచిస్తారు. "అద్భుతమైన" మరియు "నక్షత్ర" విశ్లేషకుడిగా వర్ణించబడటం నా దృష్టిలో విజయం. ఇప్పుడు మీరు ఈ రహస్యాలు తెలుసుకున్నారు, మీ మార్గం త్వరగా మిమ్మల్ని విజయానికి దారి తీస్తుందని నేను ఆశిస్తున్నాను, అయితే మీరు దానిని నిర్వచించారు.
మరియు మీ విజయపథాన్ని మరింత వేగవంతం చేయడానికి, ప్రోమో కోడ్‌ని ఉంచండి HABR, దీని ద్వారా మీరు బ్యానర్‌పై సూచించిన తగ్గింపుకు అదనంగా 10% పొందవచ్చు.
మరిన్ని కోర్సులు
ఫీచర్ చేసిన కథనాలు
మూలం: www.habr.com