Є багато статей про навички, необхідні, щоб бути хорошим дата-саентистом, або аналітиком даних, але лише в небагатьох статтях пишуть про навички, необхідні для успіху — чи то виняткова оцінка роботи, похвала від керівництва, підвищення, чи все перелічене вище. Сьогодні ми представляємо вам матеріал, автор якого хотіла б поділитися своїм особистим досвідом роботи як дата-саентиста та аналітика даних, а також тим, чому вона навчилася задля досягнення успіху.
Мені пощастило: мені запропонували посаду дата-саєніста, коли я не мала жодного досвіду в Data Science. Те, як я впоралася з цим завданням, — інша історія, і я хочу сказати, що я мав лише невиразне уявлення про те, що робить дата-саентист, до того, як я погодилася на цю роботу.
Мене найняли для роботи зі створення дата-пайплайнів у зв'язку з моєю попередньою роботою як інженер з обробки даних, де я розробила вітрину даних для прогнозного аналізу, використовувану групою дата-саентистів.
Мій перший рік роботи як дата-саєніста включав створення дата-пайплайнів для навчання моделей машинного навчання та їх впровадження у виробництво. Я трималася в тіні і не брала участі у багатьох зустрічах із зацікавленими сторонами у маркетингу, які були кінцевими користувачами моделей.
На другому році моєї роботи в компанії, пішов менеджер з обробки та аналізу даних, що відповідав за маркетинг. З того часу я стала головною дійовою особою та брала активнішу участь у розробці моделей та обговоренні термінів реалізації проектів.
У міру спілкування із зацікавленими сторонами я зрозуміла, що Data Science — це розпливчасте поняття, про яке люди чули, але не зовсім розуміють його, особливо це стосується найвищого керівництва.
Я побудувала більше сотні моделей, але тільки одна третина з них використовувалася, оскільки я не знала, як показати їхню цінність, незважаючи на те, що моделі були запрошені в першу чергу маркетингом.
Один із членів моєї команди витратив місяці на розробку моделі, яка, на думку вищого керівництва, продемонструвала б цінність команди дата-саентистів. Ідея полягала в тому, щоб поширити цю модель на всю організацію після її розробки та спонукати маркетингові команди застосовувати її.
Це обернулося повним провалом, тому що ніхто не розумів, що таке модель машинного навчання і не міг зрозуміти цінність її застосування. У результаті місяці було витрачено марно, на те, чого ніхто не хотів.
З таких ситуацій я зробила певні уроки, які наведу нижче.
Уроки, які я зробила, щоб стати успішним дата-саентистом
1. Налаштуйтеся на успіх, обравши правильну компанію.
Під час співбесіди в компанії запитайте про культуру даних та про те, скільки моделей машинного навчання прийнято та використовується у прийнятті рішень. Попросіть навести приклади. Дізнайтеся, чи налаштовано інфраструктуру даних для початку моделювання. Якщо ви витратите 90% свого часу, намагаючись витягнути необроблені дані та очистити їх, у вас практично не залишиться часу на побудову будь-яких моделей, щоб продемонструвати свою цінність як дата-саєніста. Будьте обережні, якщо в якості дата-саєніста ви найняті вперше. Це може бути як добре, так і погано залежно від культури даних. Ви можете зіткнутися з великим опором при впровадженні моделі, якщо вище керівництво наймає фахівця з Data Science тільки тому, що компанія хоче бути відомою як використовує Data Science для прийняття найкращих рішеньале не має поняття, що це насправді означає. Крім того, якщо ви знайдете компанію, яка управляється даними (data driven), то зростатимете разом з нею.
2. Знайте дані та ключові показники ефективності (KPI).
Спочатку я згадала, що будучи інженером з обробки даних створила вітрину аналітичних даних для команди дата-саентистів. Сама ставши дата-саентистом, я змогла знайти нові можливості, що підвищили точність моделей, тому що інтенсивно працювала з необробленими даними на попередній посаді.
Представивши результати однієї з наших кампаній, я змогла показати моделі, що генерують більш високі коефіцієнти конверсії (у відсотках), після чого була виміряна одна з кампаній KPI. Це продемонструвало цінність моделі для ефективності бізнесу, з якою може бути пов'язаний маркетинг.
3. Забезпечте прийняття моделі, показуючи її цінність заінтересованим сторонам
Ви ніколи не досягнете успіху як фахівець у Data Science, якщо зацікавлені сторони ніколи не будуть застосовувати ваші моделі для прийняття ділових рішень. Один із способів забезпечення прийняття моделі — знайти болісну точку бізнесу та показати, як може допомогти модель.
Після розмови з нашим відділом продажів я зрозуміла, що два представники працюють повний робочий день, вручну переглядаючи мільйони користувачів у базі даних компанії, щоб виявити користувачів з одиночними ліцензіями, які з більшою ймовірністю перейдуть на командні ліцензії. Під час підбору застосовувався набір критеріїв, але підбір займав багато часу, тому що представники переглядали по одному користувачеві за раз. За допомогою розробленої мною моделі представники змогли вибирати користувачів з найбільшою ймовірністю купівлі командної ліцензії та підвищувати ймовірність конверсії за менший час. Це призвело до більш ефективного використання часу за рахунок підвищення коефіцієнта конверсії для ключових показників ефективності, до яких може стосуватися відділ продажу.
Минуло кілька років, і я неодноразово розробляла ті самі моделі і відчувала, що більше не впізнаю нічого нового. Я вирішила шукати іншу посаду і зрештою отримала посаду аналітика даних. Різниця в обов'язках просто не могла бути ще значнішою в порівнянні з тим часом, коли я була дата-саентистом, навіть незважаючи на те, що я знову підтримувала маркетинг.
Це був перший раз, коли я проаналізувала A/B експерименти та виявила всі способи, якими експеримент може піти негаразд. Як дата-саєнтист, я взагалі не працювала над A/B тестуванням, тому що це було зарезервовано за командою експериментаторів. Я працювала над широким спектром аналітичних досліджень, на які впливав маркетинг — від збільшення коефіцієнта конверсії преміум-класу до залучення користувачів та запобігання відтоку. Я дізналася багато різних способів перегляду даних і витратила багато часу на компіляцію результатів, їхнє подання зацікавленим сторонам і вищому керівництву. Як дата-саентист я здебільшого працювала над одним типом моделі та рідко виступала з доповідями. Перемотаємо кілька років і перейдемо до навичок, яким я навчилася бути успішним аналітиком.
Навички, яким я навчилася стати успішним аналітиком даних
1. Навчіться розповідати історії за допомогою даних
Не дивіться на KPI окремо. Зв'яжіть їх, погляньте на бізнес як ціле. Це дозволить визначити області, що впливають один на одного. Найвище керівництво дивиться на бізнес через призму, і людину, яка демонструє таке вміння, помічають, коли настав час приймати рішення про підвищення.
2. Надайте дієві ідеї
Надайте бізнесу дієву ідею для вирішення проблеми. Ще краще, якщо ви проактивно пропонуєте рішення, коли ще не було сказано, що маєте справу з першочерговою проблемою.
Наприклад, якби ви сказали маркетингу: «Я помітив, що останнім часом щомісяця зменшується кількість відвідувачів сайту». Це тенденція, яку вони могли помітити на дашборді, і ви не запропонували жодного цінного рішення як аналітик, бо тільки заявили про спостереження.
Натомість вивчіть дані, щоб знайти причину та запропонувати рішення. Найкращим прикладом для маркетингу було б: «Я помітив, що останнім часом у нас знизилася кількість відвідувачів нашого веб-сайту. Я виявив, що джерелом проблеми є звичайний пошук через нещодавні зміни, які призвели до падіння нашого рейтингу в пошуку Google». Такий підхід показує, що ви відстежували KPI компанії, помітили зміну, досліджували причину та запропонували вирішення проблеми.
3. Стати надійним радником
Необхідно стати першою людиною, до якої ваші зацікавлені сторони звертаються за рекомендаціями або з питаннями щодо напряму діяльності, що підтримується вами. Короткого шляху немає, тому що для демонстрації цих здібностей потрібен час. Ключом до цього є послідовне надання високоякісного аналізу з мінімальною кількістю помилок. Будь-яка помилка в розрахунках буде коштувати вам очок довіри, тому що наступного разу, коли ви надасте аналіз, люди можуть запитати себе: Якщо ви були неправі минулого разу, може ви помиляєтеся і цього разу теж?. Завжди двічі перевіряйте свою роботу. Також не зашкодить попросити вашого менеджера або колегу подивитися на ваші цифри, перш ніж уявити їх, якщо у вас є якісь сумніви щодо вашого аналізу.
4. Навчіться ясно доносити складні результати
Знову ж таки, немає жодного короткого шляху до того, щоб навчитися ефективним комунікаціям. Це вимагає практики, і згодом ви станете кращими у цій справі. Головне — визначити основні моменти того, що ви хочете зробити, і рекомендувати будь-які дії, які в результаті вашого аналізу можуть зробити зацікавлені сторони для вдосконалення бізнесу. Чим ви вище на кар'єрних сходах в організації, тим важливіше вміння спілкуватися. Передача складних результатів — важлива навичка, яку необхідно продемонструвати. Я витратила роки на вивчення секретів успіху як дата-саентиста та аналітика даних. Люди визначають успіх по-різному. Отримати характеристику «дивовижний» та «зоряний» аналітик – ось успіх у моїх очах. Тепер, коли ви знаєте ці секрети, я сподіваюся, що ваш шлях швидше приведе вас до успіху, хоч би як ви його визначали.
А щоб ваш шлях до успіху був ще швидшим, тримайте промокод HABR, За яким можна отримати додаткові 10% до знижки вказаної на банері.
Ще курси
Рекомендовані статті
Джерело: habr.com