Có rất nhiều bài viết về các kỹ năng cần thiết để trở thành một nhà khoa học dữ liệu hoặc nhà phân tích dữ liệu giỏi, nhưng rất ít bài viết nói về các kỹ năng cần thiết để thành công—có thể là đánh giá hiệu suất đặc biệt, lời khen ngợi từ ban quản lý, thăng chức hay tất cả những điều trên. Hôm nay chúng tôi giới thiệu với bạn một tài liệu mà tác giả muốn chia sẻ kinh nghiệm cá nhân của cô ấy với tư cách là nhà khoa học dữ liệu và nhà phân tích dữ liệu, cũng như những gì cô ấy đã học được để đạt được thành công.
Tôi thật may mắn: Tôi được mời làm nhà khoa học dữ liệu khi tôi chưa có kinh nghiệm về Khoa học dữ liệu. Cách tôi xử lý nhiệm vụ lại là một câu chuyện khác và tôi muốn nói rằng tôi chỉ có ý tưởng mơ hồ về công việc của một nhà khoa học dữ liệu trước khi nhận công việc.
Tôi được thuê để làm việc về đường ống dữ liệu vì công việc trước đây của tôi là kỹ sư dữ liệu, nơi tôi đã phát triển một siêu thị dữ liệu cho các phân tích dự đoán được một nhóm các nhà khoa học dữ liệu sử dụng.
Năm đầu tiên của tôi với tư cách là nhà khoa học dữ liệu liên quan đến việc tạo ra các đường dẫn dữ liệu để đào tạo các mô hình học máy và đưa chúng vào sản xuất. Tôi giữ kín đáo và không tham gia nhiều cuộc họp với các bên liên quan tiếp thị, những người là người dùng cuối của mô hình.
Vào năm thứ hai tôi làm việc tại công ty, người quản lý phân tích và xử lý dữ liệu chịu trách nhiệm tiếp thị đã rời đi. Từ đó trở đi, tôi trở thành người đóng vai chính và tham gia tích cực hơn vào việc phát triển mô hình cũng như thảo luận về thời hạn của dự án.
Khi tương tác với các bên liên quan, tôi nhận ra rằng Khoa học dữ liệu là một khái niệm mơ hồ mà mọi người đã nghe nói đến nhưng chưa hiểu rõ, đặc biệt là ở cấp quản lý cấp cao.
Tôi đã chế tạo hơn một trăm mô hình, nhưng chỉ một phần ba trong số đó được sử dụng vì tôi không biết cách thể hiện giá trị của chúng, mặc dù các mô hình đó chủ yếu được yêu cầu bởi bộ phận tiếp thị.
Một trong những thành viên trong nhóm của tôi đã dành nhiều tháng để phát triển một mô hình mà quản lý cấp cao cảm thấy sẽ chứng minh được giá trị của nhóm khoa học dữ liệu. Ý tưởng là phổ biến mô hình này khắp tổ chức sau khi nó được phát triển và khuyến khích các nhóm tiếp thị áp dụng nó.
Hóa ra nó hoàn toàn thất bại vì không ai hiểu mô hình machine learning là gì hoặc có thể hiểu được giá trị của việc sử dụng nó. Kết quả là hàng tháng trời bị lãng phí vào một việc không ai mong muốn.
Từ những tình huống như vậy, tôi đã học được một số bài học nhất định mà tôi sẽ đưa ra dưới đây.
Những bài học tôi học được để trở thành một nhà khoa học dữ liệu thành công
1. Chuẩn bị cho sự thành công bằng cách chọn đúng công ty.
Khi phỏng vấn tại một công ty, hãy hỏi về văn hóa dữ liệu và có bao nhiêu mô hình học máy được áp dụng và sử dụng trong việc ra quyết định. Yêu cầu ví dụ. Tìm hiểu xem cơ sở hạ tầng dữ liệu của bạn đã được thiết lập để bắt đầu lập mô hình chưa. Nếu bạn dành 90% thời gian để cố gắng lấy dữ liệu thô và làm sạch nó, bạn sẽ có rất ít hoặc không còn thời gian để xây dựng bất kỳ mô hình nào để chứng minh giá trị của mình với tư cách là một nhà khoa học dữ liệu. Hãy cẩn thận nếu bạn được thuê làm nhà khoa học dữ liệu lần đầu tiên. Điều này có thể tốt hoặc xấu, tùy thuộc vào văn hóa dữ liệu. Bạn có thể gặp nhiều phản đối hơn trong việc triển khai mô hình nếu quản lý cấp cao thuê Nhà khoa học dữ liệu chỉ vì công ty muốn được biết đến với cái tên sử dụng Khoa học dữ liệu để đưa ra quyết định tốt hơn, nhưng không biết nó thực sự có ý nghĩa gì. Ngoài ra, nếu bạn tìm thấy một công ty dựa trên dữ liệu, bạn sẽ phát triển cùng với nó.
2. Biết dữ liệu và các chỉ số hiệu suất chính (KPI).
Lúc đầu, tôi đã đề cập rằng với tư cách là một kỹ sư dữ liệu, tôi đã tạo ra một trung tâm dữ liệu phân tích cho một nhóm các nhà khoa học dữ liệu. Bản thân trở thành một nhà khoa học dữ liệu, tôi có thể tìm thấy những cơ hội mới giúp tăng độ chính xác của các mô hình vì tôi đã làm việc chuyên sâu với dữ liệu thô trong vai trò trước đây của mình.
Bằng cách trình bày kết quả của một trong các chiến dịch của chúng tôi, tôi có thể hiển thị các mô hình tạo ra tỷ lệ chuyển đổi cao hơn (dưới dạng phần trăm) và sau đó đo lường một trong các KPI của chiến dịch. Điều này chứng tỏ giá trị của mô hình về hiệu quả kinh doanh mà hoạt động tiếp thị có thể được liên kết.
3. Đảm bảo áp dụng mô hình bằng cách chứng minh giá trị của nó với các bên liên quan
Bạn sẽ không bao giờ thành công với tư cách là nhà khoa học dữ liệu nếu các bên liên quan của bạn không bao giờ sử dụng mô hình của bạn để đưa ra quyết định kinh doanh. Một cách để đảm bảo việc áp dụng mô hình là tìm ra điểm yếu trong kinh doanh và cho thấy mô hình có thể giúp ích như thế nào.
Sau khi nói chuyện với nhóm bán hàng của chúng tôi, tôi nhận ra rằng hai người đại diện đang làm việc toàn thời gian để tìm kiếm thủ công hàng triệu người dùng trong cơ sở dữ liệu của công ty để xác định những người dùng có giấy phép duy nhất có nhiều khả năng nâng cấp lên giấy phép nhóm hơn. Việc lựa chọn sử dụng một bộ tiêu chí nhưng việc lựa chọn mất nhiều thời gian vì người đại diện xem xét từng người dùng một. Bằng cách sử dụng mô hình mà tôi đã phát triển, các đại diện có thể nhắm mục tiêu đến những người dùng có nhiều khả năng mua giấy phép nhóm nhất và tăng khả năng chuyển đổi trong thời gian ngắn hơn. Điều này dẫn đến việc sử dụng thời gian hiệu quả hơn bằng cách tăng tỷ lệ chuyển đổi cho các chỉ số hiệu suất chính mà nhóm bán hàng có thể liên quan.
Vài năm trôi qua, tôi phát triển đi phát triển lại những mô hình tương tự và cảm thấy rằng mình không còn học được điều gì mới nữa. Tôi quyết định tìm kiếm một vị trí khác và cuối cùng nhận được vị trí nhà phân tích dữ liệu. Sự khác biệt về trách nhiệm không thể lớn hơn so với khi tôi còn là nhà khoa học dữ liệu, mặc dù tôi đã quay lại hỗ trợ tiếp thị.
Đây là lần đầu tiên tôi phân tích thử nghiệm A/B và tìm thấy tất cả những cách mà một thử nghiệm có thể sai. Là một nhà khoa học dữ liệu, tôi hoàn toàn không làm việc về thử nghiệm A/B vì nó được dành riêng cho nhóm thử nghiệm. Tôi đã làm việc trên nhiều loại phân tích có tác động đến hoạt động tiếp thị - từ việc tăng tỷ lệ chuyển đổi cao cấp đến mức độ tương tác của người dùng và ngăn chặn tình trạng rời bỏ. Tôi đã học được nhiều cách khác nhau để xem dữ liệu và dành nhiều thời gian để tổng hợp kết quả và trình bày chúng với các bên liên quan và quản lý cấp cao. Là một nhà khoa học dữ liệu, tôi chủ yếu làm việc trên một loại mô hình và hiếm khi phát biểu. Vài năm sau tôi đã học được những kỹ năng để trở thành một nhà phân tích thành công.
Những kỹ năng tôi học được để trở thành một nhà phân tích dữ liệu thành công
1. Học cách kể chuyện bằng dữ liệu
Đừng nhìn vào KPI một cách cô lập. Kết nối họ, nhìn vào doanh nghiệp một cách tổng thể. Điều này sẽ cho phép bạn xác định các khu vực có ảnh hưởng lẫn nhau. Ban quản lý cấp cao nhìn doanh nghiệp qua lăng kính và người thể hiện kỹ năng này sẽ được chú ý khi đưa ra quyết định thăng tiến.
2. Đưa ra những ý tưởng khả thi.
Cung cấp kinh doanh ý tưởng hiệu quả để giải quyết vấn đề. Sẽ tốt hơn nữa nếu bạn chủ động đưa ra giải pháp khi người ta vẫn chưa nói rằng bạn đang giải quyết vấn đề cơ bản.
Ví dụ: nếu bạn nói với bộ phận tiếp thị: “Tôi nhận thấy rằng gần đây số lượng khách truy cập trang web đang giảm dần hàng tháng.”. Đây là xu hướng mà họ có thể đã nhận thấy trên bảng điều khiển và bạn đã không đưa ra bất kỳ giải pháp có giá trị nào với tư cách là nhà phân tích vì bạn chỉ nêu quan sát.
Thay vào đó, hãy kiểm tra dữ liệu để tìm ra nguyên nhân và đề xuất giải pháp. Một ví dụ tốt hơn cho tiếp thị sẽ là: “Tôi nhận thấy rằng gần đây số lượng khách truy cập vào trang web của chúng tôi đã giảm. Tôi phát hiện ra rằng nguồn gốc của vấn đề là tìm kiếm không phải trả tiền, do những thay đổi gần đây đã khiến thứ hạng tìm kiếm trên Google của chúng tôi giảm xuống.". Cách tiếp cận này cho thấy rằng bạn đã theo dõi KPI của công ty, nhận thấy sự thay đổi, điều tra nguyên nhân và đề xuất giải pháp cho vấn đề.
3. Trở thành cố vấn đáng tin cậy
Bạn cần phải là người đầu tiên mà các bên liên quan tìm đến để được tư vấn hoặc giải đáp thắc mắc về doanh nghiệp mà bạn hỗ trợ. Không có đường tắt vì cần có thời gian để thể hiện những khả năng này. Chìa khóa của vấn đề này là luôn cung cấp phân tích chất lượng cao với sai sót tối thiểu. Bất kỳ tính toán sai lầm nào cũng sẽ khiến bạn mất điểm uy tín vì lần tiếp theo bạn đưa ra phân tích, mọi người có thể thắc mắc: Nếu lần trước bạn sai thì có lẽ lần này bạn cũng sai?. Luôn kiểm tra lại công việc của bạn. Cũng không có hại gì khi yêu cầu người quản lý hoặc đồng nghiệp xem xét các con số của bạn trước khi trình bày nếu bạn có bất kỳ nghi ngờ nào về phân tích của mình.
4. Học cách truyền đạt những kết quả phức tạp một cách rõ ràng.
Một lần nữa, không có con đường tắt nào để học cách giao tiếp hiệu quả. Điều này cần thực hành và theo thời gian bạn sẽ tiến bộ hơn. Điều quan trọng là xác định những điểm chính về những gì bạn muốn làm và đề xuất bất kỳ hành động nào mà theo kết quả phân tích của bạn, các bên liên quan có thể thực hiện để cải thiện hoạt động kinh doanh. Bạn càng ở vị trí cao trong tổ chức thì kỹ năng giao tiếp của bạn càng quan trọng. Truyền đạt các kết quả phức tạp là một kỹ năng quan trọng cần thể hiện. Tôi đã dành nhiều năm để tìm hiểu bí quyết thành công với tư cách là nhà khoa học dữ liệu và nhà phân tích dữ liệu. Mọi người định nghĩa thành công khác nhau. Được mô tả là một nhà phân tích “tuyệt vời” và “xuất sắc” trong mắt tôi là thành công. Bây giờ bạn đã biết những bí mật này, tôi hy vọng con đường của bạn sẽ nhanh chóng dẫn bạn đến thành công, cho dù bạn xác định nó như thế nào.
Và để con đường dẫn đến thành công của bạn nhanh hơn nữa, hãy giữ mã khuyến mãi HABR, qua đó bạn có thể nhận thêm 10% so với mức giảm giá ghi trên biểu ngữ.
Các khóa học khác
Bài báo nổi bật
Nguồn: www.habr.com