ایک اچھا ڈیٹا سائنسدان یا ڈیٹا تجزیہ کار بننے کے لیے درکار مہارتوں کے بارے میں بہت سے مضامین موجود ہیں، لیکن چند مضامین کامیاب ہونے کے لیے درکار مہارتوں کے بارے میں بات کرتے ہیں— خواہ وہ کارکردگی کا غیر معمولی جائزہ ہو، انتظامیہ کی طرف سے تعریف ہو، پروموشن ہو، یا مذکورہ بالا سبھی۔ آج ہم آپ کے سامنے ایک ایسا مواد پیش کر رہے ہیں جس کی مصنفہ بطور ڈیٹا سائنسدان اور ڈیٹا اینالسٹ اپنے ذاتی تجربے کے ساتھ ساتھ اس نے کامیابی حاصل کرنے کے لیے جو کچھ سیکھا ہے اس کا اشتراک کرنا چاہیں گی۔
میں خوش قسمت تھا: مجھے ڈیٹا سائنسدان کے عہدے کی پیشکش کی گئی جب مجھے ڈیٹا سائنس میں کوئی تجربہ نہیں تھا۔ میں نے اس کام کو کیسے ہینڈل کیا، یہ ایک الگ کہانی ہے، اور میں یہ کہنا چاہتا ہوں کہ مجھے صرف ایک مبہم خیال تھا کہ میں نے نوکری لینے سے پہلے ڈیٹا سائنسدان کیا کرتا ہے۔
ڈیٹا انجینئر کے طور پر میری پچھلی نوکری کی وجہ سے مجھے ڈیٹا پائپ لائنز پر کام کرنے کے لیے رکھا گیا تھا، جہاں میں نے ڈیٹا سائنسدانوں کے ایک گروپ کے ذریعے استعمال ہونے والے پیشین گوئی کے تجزیات کے لیے ڈیٹا مارٹ تیار کیا تھا۔
ڈیٹا سائنسدان کے طور پر میرا پہلا سال مشین لرننگ ماڈلز کو تربیت دینے اور انہیں پروڈکشن میں ڈالنے کے لیے ڈیٹا پائپ لائنز بنانا شامل تھا۔ میں نے کم پروفائل رکھا اور مارکیٹنگ اسٹیک ہولڈرز کے ساتھ بہت سی میٹنگز میں شرکت نہیں کی جو ماڈلز کے آخری صارف تھے۔
کمپنی میں میرے کام کے دوسرے سال میں، مارکیٹنگ کے لیے ذمہ دار ڈیٹا پروسیسنگ اور تجزیہ مینیجر نے چھوڑ دیا۔ تب سے، میں اہم کھلاڑی بن گیا اور ماڈلز تیار کرنے اور پروجیکٹ کی آخری تاریخوں پر بحث کرنے میں زیادہ فعال حصہ لیا۔
جیسا کہ میں نے اسٹیک ہولڈرز کے ساتھ بات چیت کی، میں نے محسوس کیا کہ ڈیٹا سائنس ایک مبہم تصور ہے جس کے بارے میں لوگوں نے سنا ہے لیکن خاص طور پر اعلیٰ انتظامی سطحوں پر اسے سمجھ نہیں آتا۔
میں نے سو سے زیادہ ماڈلز بنائے، لیکن ان میں سے صرف ایک تہائی استعمال کیے گئے کیونکہ میں نہیں جانتا تھا کہ ان کی قدر کیسے ظاہر کی جائے، حالانکہ ماڈلز کی درخواست بنیادی طور پر مارکیٹنگ کے ذریعے کی گئی تھی۔
میری ٹیم کے ممبران میں سے ایک نے ایک ماڈل تیار کرنے میں مہینوں گزارے جسے سینئر انتظامیہ نے محسوس کیا کہ ڈیٹا سائنس ٹیم کی قدر کو ظاہر کرے گا۔ خیال یہ تھا کہ ماڈل تیار ہونے کے بعد اسے پوری تنظیم میں پھیلایا جائے اور مارکیٹنگ ٹیموں کو اسے اپنانے کی ترغیب دی جائے۔
یہ مکمل طور پر ناکام ثابت ہوا کیونکہ کوئی بھی نہیں سمجھ سکا کہ مشین لرننگ ماڈل کیا ہے یا اسے استعمال کرنے کی اہمیت کو سمجھ سکتا ہے۔ نتیجتاً مہینے اس چیز پر ضائع ہو گئے جو کوئی نہیں چاہتا تھا۔
ایسے حالات سے میں نے کچھ سبق سیکھے ہیں، جنہیں میں ذیل میں پیش کروں گا۔
اسباق جو میں نے ایک کامیاب ڈیٹا سائنسدان بننے کے لیے سیکھے۔
1. صحیح کمپنی کا انتخاب کرکے اپنے آپ کو کامیابی کے لیے تیار کریں۔
کسی کمپنی میں انٹرویو دیتے وقت، ڈیٹا کلچر کے بارے میں پوچھیں اور فیصلہ سازی میں مشین لرننگ کے کتنے ماڈلز کو اپنایا اور استعمال کیا جاتا ہے۔ مثالیں طلب کریں۔ معلوم کریں کہ آیا آپ کا ڈیٹا انفراسٹرکچر ماڈلنگ شروع کرنے کے لیے ترتیب دیا گیا ہے۔ اگر آپ اپنا 90% وقت خام ڈیٹا نکالنے اور اسے صاف کرنے کی کوشش میں صرف کرتے ہیں، تو آپ کے پاس ڈیٹا سائنٹسٹ کے طور پر اپنی قدر کا مظاہرہ کرنے کے لیے کوئی ماڈل بنانے کے لیے بہت کم وقت نہیں بچے گا۔ ہوشیار رہیں اگر آپ کو پہلی بار ڈیٹا سائنسدان کے طور پر رکھا گیا ہے۔ ڈیٹا کلچر کے لحاظ سے یہ اچھی چیز یا بری چیز ہوسکتی ہے۔ آپ کو ماڈل کو لاگو کرنے میں مزید مزاحمت کا سامنا کرنا پڑ سکتا ہے اگر سینئر مینجمنٹ کسی ڈیٹا سائنٹسٹ کی خدمات صرف اس لیے رکھتی ہے کہ کمپنی اس کے نام سے جانا چاہتی ہے۔ بہتر فیصلے کرنے کے لیے ڈیٹا سائنس کا استعمال، لیکن اس کا اصل مطلب کیا ہے اس کا کوئی اندازہ نہیں ہے۔ اس کے علاوہ، اگر آپ کو کوئی ایسی کمپنی ملتی ہے جو ڈیٹا پر مبنی ہے، تو آپ اس کے ساتھ ترقی کریں گے۔
2. ڈیٹا اور کلیدی کارکردگی کے اشارے (KPIs) جانیں۔
شروع میں، میں نے ذکر کیا کہ بطور ڈیٹا انجینئر، میں نے ڈیٹا سائنسدانوں کی ایک ٹیم کے لیے ایک تجزیاتی ڈیٹا مارٹ بنایا۔ خود ڈیٹا سائنٹسٹ بننے کے بعد، میں نئے مواقع تلاش کرنے میں کامیاب رہا جس سے ماڈلز کی درستگی میں اضافہ ہوا کیونکہ میں نے اپنے پچھلے کردار میں خام ڈیٹا کے ساتھ بہت زیادہ کام کیا۔
ہماری ایک مہم کے نتائج پیش کر کے، میں زیادہ تبادلوں کی شرح (فی صد کے طور پر) پیدا کرنے والے ماڈل دکھانے کے قابل ہو گیا اور پھر مہم کے KPIs میں سے ایک کی پیمائش کی۔ اس نے کاروباری کارکردگی کے لیے ماڈل کی قدر کو ظاہر کیا جس سے مارکیٹنگ کو منسلک کیا جا سکتا ہے۔
3. اسٹیک ہولڈرز کو اس کی اہمیت کا مظاہرہ کرتے ہوئے ماڈل کو اپنانے کو یقینی بنائیں
اگر آپ کے اسٹیک ہولڈرز کبھی بھی آپ کے ماڈلز کو کاروباری فیصلے کرنے کے لیے استعمال نہیں کرتے ہیں تو آپ ڈیٹا سائنسدان کے طور پر کبھی کامیاب نہیں ہوں گے۔ ماڈل کو اپنانے کو یقینی بنانے کا ایک طریقہ یہ ہے کہ کاروباری درد کا ایک نقطہ تلاش کریں اور یہ ظاہر کریں کہ ماڈل کس طرح مدد کر سکتا ہے۔
ہماری سیلز ٹیم کے ساتھ بات کرنے کے بعد، میں نے محسوس کیا کہ دو نمائندے کمپنی کے ڈیٹا بیس میں موجود لاکھوں صارفین کے ذریعے دستی طور پر کام کر رہے ہیں تاکہ واحد لائسنس والے صارفین کی شناخت کی جا سکے جو ٹیم کے لائسنسوں میں اپ گریڈ کرنے کا زیادہ امکان رکھتے ہیں۔ انتخاب میں معیار کا ایک سیٹ استعمال کیا گیا، لیکن انتخاب میں کافی وقت لگا کیونکہ نمائندوں نے ایک وقت میں ایک صارف کو دیکھا۔ میرے تیار کردہ ماڈل کا استعمال کرتے ہوئے، نمائندے ٹیم لائسنس خریدنے اور کم وقت میں تبادلوں کے امکانات کو بڑھانے والے صارفین کو ہدف بنانے میں کامیاب رہے۔ اس کے نتیجے میں کارکردگی کے اہم اشاریوں کے لیے تبادلوں کی شرحوں میں اضافہ کرکے وقت کا زیادہ موثر استعمال ہوا ہے جن سے سیلز ٹیم تعلق رکھ سکتی ہے۔
کئی سال گزر گئے اور میں نے بار بار وہی ماڈل تیار کیے اور محسوس کیا کہ میں اب کچھ نیا نہیں سیکھ رہا ہوں۔ میں نے دوسری پوزیشن تلاش کرنے کا فیصلہ کیا اور ڈیٹا اینالسٹ کی حیثیت سے پوزیشن حاصل کی۔ ذمہ داریوں میں فرق اس کے مقابلے میں زیادہ اہم نہیں ہو سکتا تھا جب میں ڈیٹا سائنسدان تھا، حالانکہ میں مارکیٹنگ کی حمایت کر رہا تھا۔
یہ پہلا موقع تھا جب میں نے A/B تجربات کا تجزیہ کیا اور پایا تمام وہ طریقے جن میں ایک تجربہ غلط ہو سکتا ہے۔ ڈیٹا سائنسدان کے طور پر، میں نے A/B ٹیسٹنگ پر بالکل کام نہیں کیا کیونکہ یہ تجرباتی ٹیم کے لیے مخصوص تھا۔ میں نے مارکیٹنگ سے متاثر ہونے والے تجزیات کی ایک وسیع رینج پر کام کیا ہے - پریمیم تبادلوں کی شرحوں میں اضافہ سے لے کر صارف کی مصروفیت اور روک تھام تک۔ میں نے ڈیٹا کو دیکھنے کے بہت سے مختلف طریقے سیکھے اور نتائج کو مرتب کرنے اور انہیں اسٹیک ہولڈرز اور سینئر مینجمنٹ کے سامنے پیش کرنے میں کافی وقت صرف کیا۔ ایک ڈیٹا سائنسدان کے طور پر، میں نے زیادہ تر ایک قسم کے ماڈل پر کام کیا اور شاذ و نادر ہی بات چیت کی۔ میں نے ایک کامیاب تجزیہ کار بننے کے لیے جو مہارتیں سیکھی ہیں ان کی طرف چند سال تیزی سے آگے بڑھیں۔
وہ ہنر جو میں نے ایک کامیاب ڈیٹا تجزیہ کار بننے کے لیے سیکھے۔
1. ڈیٹا کے ساتھ کہانیاں سنانا سیکھیں۔
KPIs کو تنہائی میں نہ دیکھیں۔ انہیں جوڑیں، کاروبار کو مجموعی طور پر دیکھیں۔ یہ آپ کو ان علاقوں کی نشاندہی کرنے کی اجازت دے گا جو ایک دوسرے پر اثر انداز ہوتے ہیں۔ سینئر انتظامیہ کاروبار کو ایک عینک کے ذریعے دیکھتی ہے، اور ایک شخص جو اس مہارت کا مظاہرہ کرتا ہے جب اسے فروغ دینے کے فیصلے کرنے کا وقت آتا ہے۔
2. قابل عمل خیالات فراہم کریں۔
کاروبار فراہم کریں۔ مؤثر خیال مسئلہ کو حل کرنے کے لئے. یہ اور بھی بہتر ہے اگر آپ فعال طور پر کوئی حل پیش کرتے ہیں جب ابھی تک یہ نہیں کہا گیا ہے کہ آپ بنیادی مسئلے سے نمٹ رہے ہیں۔
مثال کے طور پر، اگر آپ نے مارکیٹنگ کو بتایا: "میں نے دیکھا کہ حال ہی میں ہر ماہ سائٹ دیکھنے والوں کی تعداد کم ہو رہی ہے۔". یہ ایک ایسا رجحان ہے جسے انہوں نے ڈیش بورڈ پر دیکھا ہو گا اور آپ نے تجزیہ کار کے طور پر کوئی قابل قدر حل پیش نہیں کیا کیونکہ آپ نے صرف مشاہدہ بیان کیا ہے۔
اس کے بجائے، وجہ تلاش کرنے اور حل تجویز کرنے کے لیے ڈیٹا کی جانچ کریں۔ مارکیٹنگ کے لیے ایک بہتر مثال یہ ہوگی: "میں نے دیکھا ہے کہ حال ہی میں ہماری ویب سائٹ پر آنے والوں کی تعداد میں کمی آئی ہے۔ میں نے دریافت کیا کہ مسئلہ کا ذریعہ نامیاتی تلاش ہے، حالیہ تبدیلیوں کی وجہ سے جس کی وجہ سے ہماری گوگل سرچ رینکنگ گر گئی ہے۔". یہ نقطہ نظر ظاہر کرتا ہے کہ آپ نے کمپنی کے KPIs کو ٹریک کیا، تبدیلی کو محسوس کیا، وجہ کی چھان بین کی، اور مسئلہ کا حل تجویز کیا۔
3. ایک قابل اعتماد مشیر بنیں۔
آپ کو وہ پہلا فرد بننا ہوگا جس سے آپ کے اسٹیک ہولڈرز مشورہ یا سوالات کے لیے رجوع کرتے ہیں جس کاروبار کی آپ حمایت کرتے ہیں۔ کوئی شارٹ کٹ نہیں ہے کیونکہ ان صلاحیتوں کا مظاہرہ کرنے میں وقت لگتا ہے۔ اس کی کلید کم سے کم غلطیوں کے ساتھ مسلسل اعلیٰ معیار کا تجزیہ فراہم کرنا ہے۔ کسی بھی غلط حساب سے آپ کو اعتبار کے پوائنٹس کی لاگت آئے گی کیونکہ اگلی بار جب آپ تجزیہ فراہم کریں گے تو لوگ سوچ سکتے ہیں: اگر آپ پچھلی بار غلط تھے تو شاید اس بار بھی آپ غلط ہیں؟. اپنے کام کو ہمیشہ دو بار چیک کریں۔ اگر آپ کو اپنے تجزیے کے بارے میں کوئی شک ہے تو اپنے مینیجر یا ساتھی سے آپ کے نمبروں کو پیش کرنے سے پہلے ان کو دیکھنے کے لیے کہنے سے بھی کوئی تکلیف نہیں ہوتی۔
4. پیچیدہ نتائج کو واضح طور پر بتانا سیکھیں۔
ایک بار پھر، مؤثر طریقے سے بات چیت کرنے کا طریقہ سیکھنے کا کوئی شارٹ کٹ نہیں ہے۔ اس میں مشق کی ضرورت ہوتی ہے اور وقت گزرنے کے ساتھ آپ اس میں بہتر ہو جائیں گے۔ کلید یہ ہے کہ آپ جو کچھ کرنا چاہتے ہیں اس کے اہم نکات کی نشاندہی کریں اور کسی ایسے عمل کی سفارش کریں جو آپ کے تجزیے کے نتیجے میں، اسٹیک ہولڈرز کاروبار کو بہتر بنانے کے لیے لے سکتے ہیں۔ آپ کسی تنظیم میں جتنے اوپر ہوں گے، آپ کی مواصلات کی مہارتیں اتنی ہی اہم ہوں گی۔ پیچیدہ نتائج کا اظہار کرنا ایک اہم مہارت ہے۔ میں نے ڈیٹا سائنسدان اور ڈیٹا تجزیہ کار کے طور پر کامیابی کے راز سیکھنے میں کئی سال گزارے۔ لوگ کامیابی کی تعریف مختلف طریقے سے کرتے ہیں۔ ایک "حیرت انگیز" اور "شاندار" تجزیہ کار کے طور پر بیان کیا جانا میری نظر میں کامیابی ہے۔ اب جب کہ آپ ان رازوں کو جان چکے ہیں، مجھے امید ہے کہ آپ کا راستہ آپ کو کامیابی کی طرف لے جائے گا، تاہم آپ اس کی وضاحت کرتے ہیں۔
اور کامیابی کے لیے اپنے راستے کو مزید تیز کرنے کے لیے، پرومو کوڈ رکھیں ایچ اے بی آرجس کے ذریعے آپ بینر پر دی گئی رعایت پر 10% اضافی حاصل کر سکتے ہیں۔
مزید کورسز
نمایاں مضامین
ماخذ: www.habr.com