Maraming mga artikulo tungkol sa mga kasanayang kailangan upang maging isang mahusay na data scientist o data analyst, ngunit kakaunti ang mga artikulong nagsasalita tungkol sa mga kasanayang kailangan upang magtagumpay—maging ito ay isang pambihirang pagsusuri sa pagganap, papuri mula sa pamamahala, isang promosyon, o lahat ng nasa itaas. Ngayon, ipinakita namin sa iyo ang isang materyal na gustong ibahagi ng may-akda ang kanyang personal na karanasan bilang data scientist at data analyst, pati na rin ang natutunan niya upang makamit ang tagumpay.
Ako ay mapalad: Inalok ako ng posisyon ng data scientist noong wala akong karanasan sa Data Science. Ang paraan ng paghawak ko sa gawain ay ibang kuwento, at gusto kong sabihin na mayroon lang akong malabong ideya kung ano ang ginagawa ng isang data scientist bago ako kumuha ng trabaho.
Tinanggap ako para magtrabaho sa mga pipeline ng data dahil sa dati kong trabaho bilang data engineer, kung saan bumuo ako ng data mart para sa predictive analytics na ginagamit ng isang pangkat ng mga data scientist.
Ang aking unang taon bilang isang data scientist ay kasangkot sa paglikha ng mga pipeline ng data upang sanayin ang mga modelo ng machine learning at ilagay ang mga ito sa produksyon. Nanatili akong mababa ang profile at hindi lumahok sa maraming pagpupulong kasama ang mga stakeholder sa marketing na mga end user ng mga modelo.
Sa ikalawang taon ng aking trabaho sa kumpanya, umalis ang tagapamahala ng pagproseso at pagsusuri ng data na responsable sa marketing. Mula noon, naging pangunahing manlalaro ako at naging mas aktibong bahagi sa pagbuo ng mga modelo at pagtalakay sa mga deadline ng proyekto.
Habang nakikipag-ugnayan ako sa mga stakeholder, napagtanto ko na ang Data Science ay isang malabong konsepto na narinig ng mga tao ngunit hindi masyadong naiintindihan, lalo na sa mga antas ng senior management.
Nagtayo ako ng mahigit isang daang modelo, ngunit ikatlong bahagi lamang ng mga ito ang ginamit dahil hindi ko alam kung paano ipakita ang kanilang halaga, kahit na ang mga modelo ay pangunahing hiniling ng marketing.
Ang isa sa mga miyembro ng aking koponan ay gumugol ng mga buwan sa pagbuo ng isang modelo na naramdaman ng senior management na magpapakita ng halaga ng isang pangkat ng data science. Ang ideya ay upang maikalat ang modelo sa buong organisasyon sa sandaling ito ay binuo at hikayatin ang mga marketing team na gamitin ito.
Ito ay naging isang ganap na kabiguan dahil walang nakakaunawa kung ano ang isang modelo ng pag-aaral ng makina o nakakaunawa sa halaga ng paggamit nito. Bilang resulta, nasayang ang mga buwan sa isang bagay na walang gusto.
Mula sa gayong mga sitwasyon natutunan ko ang ilang mga aralin, na ibibigay ko sa ibaba.
Mga Aral na Natutunan Ko Upang Maging Isang Matagumpay na Data Scientist
1. Itakda ang iyong sarili para sa tagumpay sa pamamagitan ng pagpili ng tamang kumpanya.
Kapag nag-iinterbyu sa isang kumpanya, magtanong tungkol sa kultura ng data at kung gaano karaming mga modelo ng machine learning ang pinagtibay at ginagamit sa paggawa ng desisyon. Humingi ng mga halimbawa. Alamin kung ang iyong imprastraktura ng data ay naka-set up upang simulan ang pagmomodelo. Kung ginugugol mo ang 90% ng iyong oras sa pagsisikap na kunin ang hilaw na data at linisin ito, wala ka nang natitirang oras upang bumuo ng anumang mga modelo upang ipakita ang iyong halaga bilang isang data scientist. Mag-ingat kung natanggap ka bilang data scientist sa unang pagkakataon. Maaari itong maging isang magandang bagay o isang masamang bagay, depende sa kultura ng data. Maaari kang makatagpo ng higit na pagtutol sa pagpapatupad ng modelo kung ang senior management ay kukuha ng Data Scientist dahil lang gusto ng kumpanya na kilalanin bilang gamit ang Data Science para makagawa ng mas mahuhusay na desisyon, ngunit walang ideya kung ano talaga ang ibig sabihin nito. Dagdag pa, kung makakita ka ng isang kumpanya na hinihimok ng data, lalago ka kasama nito.
2. Alamin ang data at mga pangunahing tagapagpahiwatig ng pagganap (KPI).
Sa simula, binanggit ko na bilang isang data engineer, gumawa ako ng analytical data mart para sa isang pangkat ng mga data scientist. Dahil ako mismo ay naging data scientist, nakahanap ako ng mga bagong pagkakataon na nagpapataas ng katumpakan ng mga modelo dahil masinsinan akong nagtrabaho gamit ang hilaw na data sa dati kong tungkulin.
Sa pamamagitan ng paglalahad ng mga resulta ng isa sa aming mga kampanya, naipakita ko ang mga modelong bumubuo ng mas matataas na rate ng conversion (bilang isang porsyento) at pagkatapos ay sinukat ang isa sa mga KPI ng kampanya. Ipinakita nito ang halaga ng modelo para sa pagganap ng negosyo kung saan maaaring maiugnay ang marketing.
3. Tiyakin ang pag-aampon ng modelo sa pamamagitan ng pagpapakita ng halaga nito sa mga stakeholder
Hindi ka kailanman magtatagumpay bilang isang data scientist kung hindi kailanman gagamitin ng iyong mga stakeholder ang iyong mga modelo upang gumawa ng mga desisyon sa negosyo. Ang isang paraan upang matiyak ang pag-aampon ng modelo ay ang paghahanap ng punto ng sakit sa negosyo at ipakita kung paano makakatulong ang modelo.
Pagkatapos makipag-usap sa aming koponan sa pagbebenta, napagtanto ko na ang dalawang kinatawan ay nagtatrabaho nang buong oras nang manu-mano sa pamamagitan ng milyun-milyong user sa database ng kumpanya upang matukoy ang mga user na may iisang lisensya na mas malamang na mag-upgrade sa mga lisensya ng koponan. Ang pagpili ay gumamit ng isang hanay ng mga pamantayan, ngunit ang pagpili ay tumagal ng mahabang panahon dahil ang mga kinatawan ay tumingin sa isang user sa isang pagkakataon. Gamit ang modelong binuo ko, nagawang i-target ng mga rep ang mga user na malamang na bumili ng lisensya ng team at mapataas ang posibilidad ng conversion sa mas kaunting oras. Nagresulta ito sa mas mahusay na paggamit ng oras sa pamamagitan ng pagtaas ng mga rate ng conversion para sa mga pangunahing tagapagpahiwatig ng pagganap na maaaring nauugnay sa koponan ng pagbebenta.
Lumipas ang ilang taon at paulit-ulit kong binuo ang parehong mga modelo at naramdaman kong wala na akong natututunang bago. Nagpasya akong maghanap ng ibang posisyon at nauwi sa pagkuha ng posisyon bilang data analyst. Ang pagkakaiba sa mga responsibilidad ay hindi maaaring maging mas makabuluhan kumpara noong ako ay isang data scientist, kahit na ako ay bumalik sa pagsuporta sa marketing.
Ito ang unang pagkakataon na sinuri ko ang mga eksperimento sa A/B at nakita ko lahat mga paraan kung saan maaaring magkamali ang isang eksperimento. Bilang isang data scientist, hindi ako nagtrabaho sa A/B testing dahil nakalaan ito para sa experimental team. Nagtrabaho ako sa isang malawak na hanay ng analytics na may epekto sa marketing - mula sa pagtaas ng mga premium na rate ng conversion hanggang sa pakikipag-ugnayan ng user at pag-iwas sa churn. Natutunan ko ang maraming iba't ibang paraan upang tumingin sa data at gumugol ng maraming oras sa pag-compile ng mga resulta at pagpapakita ng mga ito sa mga stakeholder at senior management. Bilang isang data scientist, kadalasan ay nagtatrabaho ako sa isang uri ng modelo at bihirang magbigay ng mga pag-uusap. Fast forward ng ilang taon sa mga kasanayang natutunan ko para maging matagumpay na analyst.
Mga Kasanayang Natutunan Ko Para Maging Isang Matagumpay na Data Analyst
1. Matutong magkwento gamit ang datos
Huwag tingnan ang mga KPI nang hiwalay. Ikonekta sila, tingnan ang negosyo sa kabuuan. Ito ay magbibigay-daan sa iyo upang matukoy ang mga lugar na nakakaimpluwensya sa isa't isa. Tinitingnan ng senior management ang negosyo sa pamamagitan ng isang lens, at ang taong nagpapakita ng kasanayang ito ay napapansin pagdating ng oras para gumawa ng mga desisyon sa promosyon.
2. Magbigay ng mga ideyang naaaksyunan.
Magbigay ng negosyo mabisang ideya upang malutas ang problema. Mas mabuti pa kung proactive kang mag-alok ng solusyon kapag hindi pa sinasabing nakikitungo ka sa pinagbabatayan na problema.
Halimbawa, kung sinabi mo sa marketing: "Napansin ko na kamakailan ang bilang ng mga bisita sa site ay bumababa bawat buwan.". Ito ay isang trend na maaaring napansin nila sa dashboard at hindi ka nag-alok ng anumang mahalagang solusyon bilang isang analyst dahil sinabi mo lamang ang obserbasyon.
Sa halip, suriin ang data upang mahanap ang dahilan at magmungkahi ng solusyon. Ang isang mas mahusay na halimbawa para sa marketing ay: “Napansin ko na may pagbaba sa bilang ng mga bumibisita sa aming website lately. Natuklasan ko na ang pinagmulan ng problema ay organic na paghahanap, dahil sa mga kamakailang pagbabago na naging dahilan upang bumaba ang aming mga ranking sa paghahanap sa Google.". Ipinapakita ng diskarteng ito na nasubaybayan mo ang mga KPI ng kumpanya, napansin ang pagbabago, sinisiyasat ang dahilan, at nagmungkahi ng solusyon sa problema.
3. Maging isang mapagkakatiwalaang tagapayo
Kailangang ikaw ang unang taong lalapitan ng iyong mga stakeholder para sa payo o mga tanong tungkol sa negosyong sinusuportahan mo. Walang shortcut dahil nangangailangan ng oras upang ipakita ang mga kakayahan na ito. Ang susi dito ay patuloy na naghahatid ng mataas na kalidad na pagsusuri na may kaunting mga error. Anumang maling pagkalkula ay magdudulot sa iyo ng mga puntos ng kredibilidad dahil sa susunod na magbibigay ka ng pagsusuri, maaaring magtaka ang mga tao: Kung nagkamali ka noong nakaraan, baka mali ka rin sa pagkakataong ito?. Palaging i-double check ang iyong trabaho. Hindi rin masama na hilingin sa iyong manager o kasamahan na tingnan ang iyong mga numero bago ipakita ang mga ito kung mayroon kang anumang mga pagdududa tungkol sa iyong pagsusuri.
4. Matutong makipag-usap nang malinaw sa mga kumplikadong resulta.
Muli, walang shortcut sa pag-aaral kung paano epektibong makipag-usap. Ito ay nangangailangan ng pagsasanay at sa paglipas ng panahon ay magiging mas mahusay ka dito. Ang susi ay upang tukuyin ang mga pangunahing punto ng kung ano ang gusto mong gawin at magrekomenda ng anumang mga aksyon na, bilang resulta ng iyong pagsusuri, maaaring gawin ng mga stakeholder upang mapabuti ang negosyo. Kung mas mataas ka sa isang organisasyon, mas mahalaga ang iyong mga kasanayan sa komunikasyon. Ang pakikipag-usap ng mga kumplikadong resulta ay isang mahalagang kasanayang maipapakita. Ilang taon akong nag-aaral ng mga sikreto ng tagumpay bilang data scientist at data analyst. Iba-iba ang kahulugan ng tagumpay ng mga tao. Ang mailalarawan bilang isang "kamangha-manghang" at "stellar" na analyst ay tagumpay sa aking mga mata. Ngayong alam mo na ang mga lihim na ito, umaasa ako na ang iyong landas ay mabilis na magdadala sa iyo sa tagumpay, gayunpaman ay tinukoy mo ito.
At para mas mapabilis ang iyong landas patungo sa tagumpay, panatilihin ang promo code HABR, kung saan makakakuha ka ng karagdagang 10% sa diskwento na nakasaad sa banner.
Higit pang mga kurso
Mga Itinatampok na Artikulo
Pinagmulan: www.habr.com