มีบทความมากมายเกี่ยวกับทักษะที่จำเป็นในการเป็นนักวิทยาศาสตร์ข้อมูลหรือนักวิเคราะห์ข้อมูลที่ดี แต่มีบทความเพียงไม่กี่บทความที่พูดถึงทักษะที่จำเป็นในการประสบความสำเร็จ ไม่ว่าจะเป็นการทบทวนประสิทธิภาพที่ยอดเยี่ยม คำชมจากฝ่ายบริหาร การเลื่อนตำแหน่ง หรือทั้งหมดที่กล่าวมาข้างต้น วันนี้เรานำเสนอเนื้อหาที่ผู้เขียนต้องการแบ่งปันประสบการณ์ส่วนตัวของเธอในฐานะนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ข้อมูล รวมถึงสิ่งที่เธอได้เรียนรู้เพื่อให้ประสบความสำเร็จ
ฉันโชคดี: ฉันได้รับเสนอตำแหน่งนักวิทยาศาสตร์ข้อมูลทั้งๆ ที่ฉันไม่มีประสบการณ์ด้านวิทยาศาสตร์ข้อมูลเลย วิธีที่ฉันจัดการงานนั้นแตกต่างออกไป และฉันอยากจะบอกว่าฉันแค่มีความคิดที่คลุมเครือว่านักวิทยาศาสตร์ข้อมูลทำอะไรก่อนที่ฉันจะรับงานนี้
ฉันได้รับการว่าจ้างให้ทำงานเกี่ยวกับไปป์ไลน์ข้อมูลเนื่องจากงานก่อนหน้านี้ของฉันในฐานะวิศวกรข้อมูล โดยฉันได้พัฒนาศูนย์ข้อมูลสำหรับการวิเคราะห์เชิงคาดการณ์ที่ใช้โดยกลุ่มนักวิทยาศาสตร์ข้อมูล
ปีแรกของฉันในฐานะนักวิทยาศาสตร์ข้อมูลคือการสร้างไปป์ไลน์ข้อมูลเพื่อฝึกโมเดลการเรียนรู้ของเครื่องและนำไปใช้จริง ฉันเก็บตัวไม่เปิดเผยและไม่ได้เข้าร่วมการประชุมหลายครั้งกับผู้มีส่วนได้ส่วนเสียด้านการตลาดซึ่งเป็นผู้ใช้แบบจำลอง
ในปีที่สองของการทำงานที่บริษัท ผู้จัดการการประมวลผลข้อมูลและการวิเคราะห์ที่รับผิดชอบด้านการตลาดได้ลาออกไป ตั้งแต่นั้นเป็นต้นมา ฉันกลายเป็นผู้เล่นหลักและมีส่วนร่วมมากขึ้นในการพัฒนาโมเดลและหารือเกี่ยวกับกำหนดเวลาของโครงการ
ขณะที่ฉันโต้ตอบกับผู้มีส่วนได้ส่วนเสีย ฉันพบว่า Data Science เป็นแนวคิดที่คลุมเครือที่ผู้คนเคยได้ยินแต่ไม่ค่อยเข้าใจ โดยเฉพาะในระดับผู้บริหารระดับสูง
ฉันสร้างโมเดลมากกว่าร้อยโมเดล แต่มีเพียงหนึ่งในสามเท่านั้นที่ถูกใช้เพราะฉันไม่รู้ว่าจะแสดงคุณค่าของมันอย่างไร แม้ว่าโมเดลเหล่านั้นจะได้รับการร้องขอจากการตลาดเป็นหลักก็ตาม
สมาชิกในทีมคนหนึ่งของฉันใช้เวลาหลายเดือนในการพัฒนาแบบจำลองที่ผู้บริหารระดับสูงรู้สึกว่าจะแสดงให้เห็นถึงคุณค่าของทีมวิทยาศาสตร์ข้อมูล แนวคิดก็คือการกระจายโมเดลไปทั่วทั้งองค์กรเมื่อได้รับการพัฒนาแล้ว และสนับสนุนให้ทีมการตลาดนำไปใช้
กลายเป็นความล้มเหลวโดยสิ้นเชิงเพราะไม่มีใครเข้าใจว่าโมเดลแมชชีนเลิร์นนิงคืออะไรหรือสามารถเข้าใจคุณค่าของการใช้งานได้ ผลก็คือ เสียเวลาหลายเดือนไปกับสิ่งที่ไม่มีใครต้องการ
จากสถานการณ์เช่นนี้ ฉันได้เรียนรู้บทเรียนบางอย่างซึ่งฉันจะเล่าด้านล่างนี้
บทเรียนที่ฉันเรียนรู้เพื่อเป็นนักวิทยาศาสตร์ข้อมูลที่ประสบความสำเร็จ
1. เตรียมพร้อมสู่ความสำเร็จโดยการเลือกบริษัทที่เหมาะสม
เมื่อสัมภาษณ์ที่บริษัท ให้ถามเกี่ยวกับวัฒนธรรมข้อมูลและจำนวนโมเดลการเรียนรู้ของเครื่องที่ถูกนำมาใช้และใช้ในการตัดสินใจ ขอตัวอย่าง. ดูว่าโครงสร้างพื้นฐานข้อมูลของคุณได้รับการตั้งค่าเพื่อเริ่มการสร้างแบบจำลองหรือไม่ หากคุณใช้เวลา 90% ในการพยายามดึงข้อมูลดิบและทำความสะอาด คุณจะมีเวลาเหลือเพียงเล็กน้อยหรือไม่มีเลยในการสร้างแบบจำลองใดๆ เพื่อแสดงคุณค่าของคุณในฐานะนักวิทยาศาสตร์ข้อมูล ระวังหากคุณได้รับการว่าจ้างให้เป็นนักวิทยาศาสตร์ข้อมูลเป็นครั้งแรก นี่อาจเป็นสิ่งที่ดีหรือไม่ดี ขึ้นอยู่กับวัฒนธรรมข้อมูล คุณอาจเผชิญกับการต่อต้านมากขึ้นต่อการนำโมเดลไปใช้ หากผู้บริหารระดับสูงจ้าง Data Scientist เพียงเพราะบริษัทต้องการเป็นที่รู้จักในชื่อ การใช้ Data Science เพื่อการตัดสินใจที่ดีขึ้นแต่ไม่รู้ว่าจริงๆ แล้วหมายถึงอะไร นอกจากนี้ หากคุณพบบริษัทที่ขับเคลื่อนด้วยข้อมูล คุณจะเติบโตไปพร้อมกับมัน
2. รู้จักข้อมูลและตัวบ่งชี้ประสิทธิภาพหลัก (KPI)
ในตอนแรก ฉันบอกว่าในฐานะวิศวกรข้อมูล ฉันได้สร้างศูนย์ข้อมูลเชิงวิเคราะห์สำหรับทีมนักวิทยาศาสตร์ข้อมูล จากการเป็นนักวิทยาศาสตร์ข้อมูลด้วยตัวเอง ฉันจึงสามารถค้นหาโอกาสใหม่ๆ ที่เพิ่มความแม่นยำของแบบจำลองได้ เนื่องจากฉันทำงานอย่างเข้มข้นกับข้อมูลดิบในบทบาทก่อนหน้านี้
ด้วยการนำเสนอผลลัพธ์ของแคมเปญหนึ่งของเรา ฉันสามารถแสดงแบบจำลองที่สร้างอัตรา Conversion ที่สูงขึ้น (เป็นเปอร์เซ็นต์) จากนั้นจึงวัด KPI ของแคมเปญรายการใดรายการหนึ่ง สิ่งนี้แสดงให้เห็นถึงคุณค่าของแบบจำลองสำหรับผลการดำเนินงานทางธุรกิจที่สามารถเชื่อมโยงการตลาดได้
3. รับประกันการนำโมเดลไปใช้โดยแสดงให้เห็นถึงคุณค่าของโมเดลต่อผู้มีส่วนได้ส่วนเสีย
คุณจะไม่ประสบความสำเร็จในฐานะนักวิทยาศาสตร์ข้อมูลหากผู้มีส่วนได้ส่วนเสียของคุณไม่เคยใช้แบบจำลองของคุณในการตัดสินใจทางธุรกิจ วิธีหนึ่งที่จะรับประกันการนำโมเดลไปใช้คือการหาจุดบกพร่องทางธุรกิจและแสดงให้เห็นว่าโมเดลสามารถช่วยได้อย่างไร
หลังจากพูดคุยกับทีมขายของเรา ฉันพบว่าตัวแทนสองคนกำลังทำงานเต็มเวลาด้วยตนเองโดยรวบรวมผู้ใช้หลายล้านคนในฐานข้อมูลของบริษัทเพื่อระบุผู้ใช้ที่มีใบอนุญาตเดียวซึ่งมีแนวโน้มที่จะอัปเกรดเป็นใบอนุญาตแบบทีมมากกว่า การเลือกใช้ชุดเกณฑ์ แต่การเลือกใช้เวลานานเนื่องจากตัวแทนพิจารณาผู้ใช้ทีละคน เมื่อใช้โมเดลที่ฉันพัฒนาขึ้น ตัวแทนสามารถกำหนดเป้าหมายผู้ใช้ที่มีแนวโน้มจะซื้อใบอนุญาตแบบทีมมากที่สุด และเพิ่มโอกาสที่จะเกิด Conversion ได้ในเวลาที่น้อยลง ส่งผลให้ใช้เวลาได้อย่างมีประสิทธิภาพมากขึ้นโดยการเพิ่มอัตราการแปลงสำหรับตัวบ่งชี้ประสิทธิภาพหลักที่ทีมขายสามารถเกี่ยวข้องได้
หลายปีผ่านไป และฉันพัฒนาโมเดลเดิมซ้ำแล้วซ้ำอีก และรู้สึกว่าฉันไม่ได้เรียนรู้สิ่งใหม่อีกต่อไป ฉันตัดสินใจมองหาตำแหน่งอื่นและลงเอยด้วยตำแหน่งนักวิเคราะห์ข้อมูล ความรับผิดชอบที่แตกต่างกันไม่สำคัญมากไปกว่านี้แล้วเมื่อเทียบกับตอนที่ฉันเป็นนักวิทยาศาสตร์ข้อมูล แม้ว่าฉันจะกลับมาสนับสนุนการตลาดแล้วก็ตาม
นี่เป็นครั้งแรกที่ฉันวิเคราะห์การทดสอบ A/B และพบว่า ทั้งหมด วิธีที่การทดลองอาจผิดพลาดได้ ในฐานะนักวิทยาศาสตร์ข้อมูล ฉันไม่ได้ทำการทดสอบ A/B เลยเพราะสงวนไว้สำหรับทีมทดลอง ฉันเคยทำงานเกี่ยวกับการวิเคราะห์ที่มีผลกระทบต่อการตลาดมามากมาย ตั้งแต่การเพิ่มอัตราคอนเวอร์ชั่นระดับพรีเมียมไปจนถึงการมีส่วนร่วมของผู้ใช้และการป้องกันการเลิกใช้งาน ฉันได้เรียนรู้วิธีการต่างๆ มากมายในการดูข้อมูล และใช้เวลามากมายในการรวบรวมผลลัพธ์และนำเสนอต่อผู้มีส่วนได้ส่วนเสียและผู้บริหารระดับสูง ในฐานะนักวิทยาศาสตร์ข้อมูล ฉันทำงานกับโมเดลประเภทเดียวเป็นส่วนใหญ่และไม่ค่อยได้บรรยาย กรอไปข้างหน้าสองสามปีสู่ทักษะที่ฉันเรียนรู้เพื่อเป็นนักวิเคราะห์ที่ประสบความสำเร็จ
ทักษะที่ฉันได้เรียนรู้เพื่อเป็นนักวิเคราะห์ข้อมูลที่ประสบความสำเร็จ
1. เรียนรู้การเล่าเรื่องด้วยข้อมูล
อย่ามอง KPI แบบแยกส่วน เชื่อมต่อพวกเขา มองที่ธุรกิจโดยรวม ซึ่งจะทำให้คุณสามารถระบุส่วนที่มีอิทธิพลต่อกันและกันได้ ผู้บริหารระดับสูงมองธุรกิจผ่านเลนส์ และบุคคลที่แสดงให้เห็นถึงทักษะนี้จะสังเกตเห็นได้เมื่อถึงเวลาตัดสินใจเลื่อนตำแหน่ง
2. จัดเตรียมแนวคิดที่สามารถนำไปปฏิบัติได้
ให้บริการธุรกิจ ความคิดที่มีประสิทธิภาพ เพื่อแก้ไขปัญหา จะดียิ่งขึ้นไปอีกหากคุณเสนอวิธีแก้ปัญหาในเชิงรุกโดยที่ยังไม่ได้บอกว่าคุณกำลังจัดการกับปัญหาที่ซ่อนอยู่
ตัวอย่างเช่น หากคุณบอกกับฝ่ายการตลาด: “ฉันสังเกตเห็นว่าเมื่อเร็วๆ นี้จำนวนผู้เยี่ยมชมเว็บไซต์ลดลงทุกเดือน”. นี่เป็นแนวโน้มที่พวกเขาอาจสังเกตเห็นบนแดชบอร์ด และคุณไม่ได้เสนอโซลูชันที่มีคุณค่าใดๆ ในฐานะนักวิเคราะห์ เนื่องจากคุณระบุเพียงข้อสังเกตเท่านั้น
ให้ตรวจสอบข้อมูลเพื่อหาสาเหตุและเสนอแนวทางแก้ไขแทน ตัวอย่างที่ดีกว่าสำหรับการตลาดคือ: “ฉันสังเกตเห็นว่าจำนวนผู้เยี่ยมชมเว็บไซต์ของเราลดลงในช่วงนี้ ฉันค้นพบว่าสาเหตุของปัญหาคือการค้นหาทั่วไป เนื่องจากการเปลี่ยนแปลงล่าสุดที่ทำให้อันดับการค้นหาของ Google ของเราลดลง". แนวทางนี้แสดงให้เห็นว่าคุณได้ติดตาม KPI ของบริษัท สังเกตเห็นการเปลี่ยนแปลง ตรวจสอบสาเหตุ และเสนอวิธีแก้ไขปัญหา
3. เป็นที่ปรึกษาที่เชื่อถือได้
คุณต้องเป็นคนแรกที่ผู้มีส่วนได้เสียของคุณหันไปหาเพื่อขอคำแนะนำหรือคำถามเกี่ยวกับธุรกิจที่คุณสนับสนุน ไม่มีทางลัดเพราะต้องใช้เวลาในการแสดงความสามารถเหล่านี้ หัวใจสำคัญของสิ่งนี้คือการนำเสนอการวิเคราะห์คุณภาพสูงอย่างต่อเนื่องโดยมีข้อผิดพลาดน้อยที่สุด การคำนวณผิดจะทำให้คุณเสียคะแนนความน่าเชื่อถือ เนื่องจากครั้งต่อไปที่คุณทำการวิเคราะห์ ผู้คนอาจสงสัยว่า: ถ้าครั้งที่แล้วคุณผิด ครั้งนี้คุณก็ผิดเหมือนกันใช่ไหม?. ตรวจสอบงานของคุณอีกครั้งเสมอ การขอให้ผู้จัดการหรือเพื่อนร่วมงานดูตัวเลขของคุณก่อนที่จะนำเสนอไม่ใช่เรื่องเสียหาย หากคุณมีข้อสงสัยเกี่ยวกับการวิเคราะห์ของคุณ
4. เรียนรู้ที่จะสื่อสารผลลัพธ์ที่ซับซ้อนให้ชัดเจน
ขอย้ำอีกครั้งว่าไม่มีทางลัดในการเรียนรู้วิธีการสื่อสารอย่างมีประสิทธิภาพ สิ่งนี้ต้องอาศัยการฝึกฝนและเมื่อเวลาผ่านไป คุณจะเก่งขึ้น สิ่งสำคัญคือการระบุประเด็นหลักของสิ่งที่คุณต้องการทำและแนะนำการดำเนินการใดๆ ที่ผู้มีส่วนได้ส่วนเสียสามารถนำไปปรับปรุงธุรกิจได้จากการวิเคราะห์ของคุณ ยิ่งคุณอยู่ในองค์กรระดับสูงเท่าไร ทักษะการสื่อสารของคุณก็จะยิ่งมีความสำคัญมากขึ้นเท่านั้น การสื่อสารผลลัพธ์ที่ซับซ้อนเป็นทักษะสำคัญที่ต้องแสดงให้เห็น ฉันใช้เวลาหลายปีในการเรียนรู้เคล็ดลับแห่งความสำเร็จในฐานะนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ข้อมูล ผู้คนให้คำจำกัดความความสำเร็จแตกต่างกัน การได้รับการขนานนามว่าเป็นนักวิเคราะห์ที่ "น่าทึ่ง" และ "โดดเด่น" คือความสำเร็จในสายตาของฉัน เมื่อคุณรู้ความลับเหล่านี้แล้ว ฉันหวังว่าเส้นทางของคุณจะนำคุณไปสู่ความสำเร็จได้อย่างรวดเร็ว ไม่ว่าคุณจะกำหนดมันไว้อย่างไร
และเพื่อให้เส้นทางสู่ความสำเร็จของคุณเร็วขึ้น โปรดเก็บรหัสโปรโมชันไว้ ฮาเบอร์โดยคุณจะได้รับส่วนลดเพิ่มอีก 10% จากส่วนลดที่ระบุบนแบนเนอร์
Bootcamp วิทยาศาสตร์ข้อมูลออนไลน์ ฝึกอบรมวิชาชีพนักวิเคราะห์ข้อมูลตั้งแต่เริ่มต้น Bootcamp การวิเคราะห์ข้อมูลออนไลน์ สอนวิชาชีพด้าน Data Science ตั้งแต่เริ่มต้น Python สำหรับหลักสูตรการพัฒนาเว็บ
หลักสูตรเพิ่มเติม
หลักสูตรการวิเคราะห์ข้อมูล หลักสูตร DevOps อาชีพนักพัฒนาเว็บ อาชีพ นักพัฒนา iOS ตั้งแต่เริ่มต้น นักพัฒนา Android มืออาชีพตั้งแต่เริ่มต้น นักพัฒนา Java มืออาชีพตั้งแต่เริ่มต้น หลักสูตรจาวาสคริปต์ หลักสูตรการเรียนรู้ของเครื่อง หลักสูตร "คณิตศาสตร์และการเรียนรู้ของเครื่องสำหรับวิทยาศาสตร์ข้อมูล" หลักสูตรขั้นสูง "Machine Learning Pro + Deep Learning"
บทความที่แนะนำ
จะเป็นนักวิทยาศาสตร์ข้อมูลได้อย่างไรโดยไม่ต้องเรียนหลักสูตรออนไลน์ 450 หลักสูตร Ivy League ฟรี วิธีเรียน Machine Learning 5 วันต่อสัปดาห์ 9 เดือนติดต่อกัน นักวิเคราะห์ข้อมูลมีรายได้เท่าใด: ภาพรวมของเงินเดือนและตำแหน่งงานว่างในรัสเซียและต่างประเทศในปี 2020 แมชชีนเลิร์นนิงและคอมพิวเตอร์วิทัศน์ในอุตสาหกรรมเหมืองแร่
ที่มา: will.com