Есть много статей о навыках, необходимых для того, чтобы стать хорошим специалистом по данным или аналитиком данных, но лишь немногие статьи говорят о навыках, необходимых для достижения успеха — будь то исключительная оценка эффективности, похвала со стороны руководства, продвижение по службе или все вышеперечисленное.
Сегодня мы представляем вам материал, автор которого хотела бы поделиться своим личным опытом работы в качестве ученого и аналитика данных, а также тем, чему она научилась для достижения успеха.
Мне повезло: мне предложили должность специалиста по данным, когда у меня не было опыта в области Data Science. Как я справился с задачей — это отдельная история, и хочу сказать, что до того, как я устроился на эту работу, я имел лишь смутное представление о том, чем занимается специалист по данным.
Меня наняли для работы над конвейерами данных, потому что я ранее работал инженером по обработке данных, где я разрабатывал витрину данных для прогнозной аналитики, используемую группой специалистов по обработке данных.
Мой первый год работы в качестве специалиста по обработке данных был связан с созданием конвейеров данных для обучения моделей машинного обучения и запуска их в производство.
Я вел себя сдержанно и не участвовал во многих встречах с представителями маркетинга, которые были конечными пользователями моделей.
На втором году моей работы в компании ушел менеджер по обработке и анализу данных, отвечающий за маркетинг.
С тех пор я стал основным игроком и принимал более активное участие в разработке моделей и обсуждении сроков проекта.
Общаясь с заинтересованными сторонами, я понял, что наука о данных — это расплывчатая концепция, о которой люди слышали, но не совсем понимают, особенно на уровне высшего руководства.Я построил более сотни моделей, но использовалась только треть из них, потому что я не знал, как показать их ценность, хотя модели были запрошены в первую очередь маркетингом.
Один из членов моей команды потратил несколько месяцев на разработку модели, которая, по мнению высшего руководства, продемонстрировала бы ценность команды по анализу данных.
Идея заключалась в том, чтобы распространить модель по всей организации после ее разработки и побудить маркетинговые команды принять ее.
Это оказалось полным провалом, потому что никто не понимал, что такое модель машинного обучения, и не мог понять ценность ее использования.Из таких ситуаций я извлек определенные уроки, которые приведу ниже.В результате месяцы были потрачены на то, что никому не нужно.
Уроки, которые я усвоил, чтобы стать успешным специалистом по данным
1. Настройтесь на успех, выбрав правильную компанию.На собеседовании в компании спросите о культуре данных и о том, сколько моделей машинного обучения принято и используется при принятии решений.
Попросите примеры.
Узнайте, настроена ли ваша инфраструктура данных для начала моделирования.
Если вы потратите 90% своего времени на получение необработанных данных и их очистку, у вас практически не останется времени на построение каких-либо моделей, чтобы продемонстрировать свою ценность как специалиста по данным.
Будьте осторожны, если вас нанимают специалистом по данным впервые.
Это может быть хорошо или плохо, в зависимости от культуры данных.
Вы можете столкнуться с большим сопротивлением внедрению модели, если высшее руководство наймет специалиста по данным только потому, что компания хочет, чтобы ее называли использование науки о данных для принятия более эффективных решений , но понятия не имеет, что это на самом деле означает. Кроме того, если вы найдете компанию, которая использует данные, вы будете расти вместе с ней.
2. Знайте данные и ключевые показатели эффективности (KPI).
Вначале я упомянул, что, будучи инженером по данным, я создал аналитическую витрину данных для команды специалистов по данным.
Став специалистом по данным, я смог найти новые возможности, которые повысили точность моделей, поскольку на своей предыдущей должности я интенсивно работал с необработанными данными.
Представив результаты одной из наших кампаний, я смог показать модели, генерирующие более высокий коэффициент конверсии (в процентах), а затем измерить один из ключевых показателей эффективности кампании.
Это продемонстрировало ценность модели для эффективности бизнеса, с которой можно связать маркетинг.
3. Обеспечить принятие модели, продемонстрировав ее ценность заинтересованным сторонам.
Вы никогда не добьетесь успеха в качестве специалиста по данным, если заинтересованные стороны никогда не будут использовать ваши модели для принятия бизнес-решений.
Один из способов обеспечить внедрение модели — найти болевые точки бизнеса и показать, как модель может помочь.
Поговорив с нашим отделом продаж, я понял, что два представителя работали полный рабочий день, вручную прочесывая миллионы пользователей в базе данных компании, чтобы выявить пользователей с одиночными лицензиями, которые с большей вероятностью перейдут на групповые лицензии.
При отборе использовался набор критериев, но отбор занял много времени, поскольку представители смотрели на одного пользователя за раз.
Используя разработанную мной модель, представители компании смогли ориентироваться на пользователей, которые с наибольшей вероятностью купят групповую лицензию, и за меньшее время повысить вероятность конверсии.
Это привело к более эффективному использованию времени за счет увеличения коэффициентов конверсии по ключевым показателям эффективности, которые могут быть полезны команде продаж.
Прошло несколько лет, я разрабатывал одни и те же модели снова и снова и чувствовал, что больше не узнаю ничего нового.
Я решил искать другую должность и в итоге получил должность аналитика данных.
Разница в обязанностях не могла быть более значительной по сравнению с тем, когда я был специалистом по данным, хотя я снова занимался маркетингом.
Это был первый раз, когда я проанализировал эксперименты A/B и обнаружил Все причины, по которым эксперимент может пойти не так.
Как специалист по данным, я вообще не занимался A/B-тестированием, поскольку оно было предназначено для экспериментальной группы.
Я работал над широким спектром маркетинговой аналитики — от повышения коэффициента конверсии премиум-класса до вовлечения пользователей и предотвращения их оттока.
Я узнал много разных способов рассмотрения данных и потратил много времени на сбор результатов и представление их заинтересованным сторонам и высшему руководству.
Как специалист по данным, я в основном работал над одним типом модели и редко выступал с докладами.
Перенесемся на несколько лет вперед к навыкам, которым я научился, чтобы стать успешным аналитиком.
Навыки, которые я приобрел, чтобы стать успешным аналитиком данных
1. Научитесь рассказывать истории с помощью данных Не смотрите на KPI изолированно.Соедините их, посмотрите на бизнес в целом.
Это позволит вам определить области, которые влияют друг на друга.
Высшее руководство смотрит на бизнес через призму, и человека, демонстрирующего этот навык, замечают, когда приходит время принимать решения о продвижении по службе.
2. Предлагайте действенные идеи.
Обеспечить бизнес эффективная идея решить проблему.
Еще лучше, если вы заранее предложите решение, когда еще не сказано, что вы имеете дело с основной проблемой.
Например, если вы сказали маркетингу: «Я заметил, что в последнее время количество посетителей сайта уменьшается с каждым месяцем».
.
Это тенденция, которую они, возможно, заметили на информационной панели, и вы как аналитик не предложили никакого ценного решения, потому что вы только констатировали наблюдение.
Вместо этого изучите данные, чтобы найти причину и предложить решение.
Лучшим примером для маркетинга может быть: «Я заметил, что в последнее время у нас наблюдается снижение количества посетителей нашего сайта.
Я обнаружил, что источником проблемы является органический поиск из-за недавних изменений, которые привели к падению нашего рейтинга в поиске Google».
.
Такой подход показывает, что вы отследили KPI компании, заметили изменение, исследовали причину и предложили решение проблемы.
3. Станьте надежным консультантом Вы должны быть первым, к кому ваши заинтересованные стороны обратятся за советом или вопросами о бизнесе, который вы поддерживаете.
Здесь нет короткого пути, потому что требуется время, чтобы продемонстрировать эти способности.
Ключом к этому является постоянное предоставление высококачественного анализа с минимальными ошибками.
Любой просчет будет стоить вам очков доверия, потому что в следующий раз, когда вы предоставите анализ, люди могут задаться вопросом: Если вы ошиблись в прошлый раз, возможно, вы ошиблись и в этот раз? .
Всегда дважды проверяйте свою работу.
Также не помешает попросить вашего менеджера или коллегу просмотреть ваши цифры, прежде чем представлять их, если у вас есть какие-либо сомнения относительно вашего анализа.
4. Научитесь четко сообщать сложные результаты.
Опять же, нет короткого пути к тому, чтобы научиться эффективному общению.
Это требует практики, и со временем вы научитесь делать это лучше.
Ключевым моментом является определение основных моментов того, что вы хотите сделать, и рекомендации любых действий, которые в результате вашего анализа заинтересованные стороны могут предпринять для улучшения бизнеса.
Чем выше вы находитесь в организации, тем важнее ваши коммуникативные навыки.
Коммуникация сложных результатов является важным навыком, который необходимо продемонстрировать.
Я потратил годы на изучение секретов успеха в качестве ученого и аналитика данных.
Люди определяют успех по-разному.
В моих глазах меня называют «удивительным» и «звездным» аналитиком.
Теперь, когда вы знаете эти секреты, я надеюсь, что ваш путь быстро приведет вас к успеху, как бы вы его ни определяли.
А чтобы ваш путь к успеху был еще быстрее, сохраните промокод ХАБР , по которому вы сможете получить дополнительно 10% к скидке, указанной на баннере.
- Онлайн-курс по науке о данных
- Обучение на аналитика данных с нуля
- Онлайн-курс по аналитике данных
- Обучение профессии Data Science с нуля
- Курс «Python для веб-разработки»
- Курс анализа данных
- Курс DevOps
- Профессия Веб-разработчик
- Профессия iOS-разработчик с нуля
- Профессия Android-разработчик с нуля
- Профессия Java-разработчик с нуля.
- Курс JavaScript
- Курс машинного обучения
- Курс «Математика и машинное обучение для науки о данных»
- Продвинутый курс «Машинное обучение Pro + Deep Learning»
Рекомендуемые статьи
- Как стать Data Scientist без онлайн-курсов
- 450 бесплатных курсов Лиги плюща
- Как изучать машинное обучение 5 дней в неделю в течение 9 месяцев подряд
- Сколько зарабатывает аналитик данных: обзор зарплат и вакансий в России и за рубежом в 2020 году
- Машинное обучение и компьютерное зрение в горнодобывающей промышленности
-
О Закорючках В Головах Админов
19 Oct, 24 -
Обнаружение Петель Своими Руками
19 Oct, 24 -
Особенности Работы С Mesh В Unity
19 Oct, 24 -
Вычислительная Геология И Визуализация
19 Oct, 24 -
694 Миллиона Пользователей Онлайн
19 Oct, 24
