🐺 👩🏻‍🤝‍👨🏽 👩🏻‍🎨 So werden Sie ein erfolgreicher Data Scientist und Data Analyst 🛵 😱 🤛

Es gibt viele Artikel über die Fähigkeiten, die erforderlich sind, um ein guter Datenwissenschaftler oder Datenanalyst zu sein, aber nur wenige Artikel behandeln die Fähigkeiten, die für den Erfolg erforderlich sind - sei es eine außergewöhnliche Leistungsbeurteilung, Lob von Führungskräften, Beförderung oder all das oben Genannte. Heute präsentieren wir Ihnen das Material, dessen Autorin ihre persönlichen Erfahrungen als Datenwissenschaftlerin und Datenanalytikerin mitteilen möchte, sowie das, was sie gelernt hat, um Erfolg zu haben.

Ich hatte Glück: Mir wurde die Position eines Data Scientist angeboten, als ich keine Erfahrung in Data Science hatte. Wie ich mit dieser Aufgabe umgegangen bin, ist eine andere Geschichte, und ich möchte sagen, dass ich nur eine vage Vorstellung davon hatte, was ein Datenwissenschaftler tut, bevor ich den Job annahm.

Ich wurde beauftragt, im Zusammenhang mit meiner vorherigen Tätigkeit als Dateningenieur an Datenpipelines zu arbeiten. Dort entwickelte ich einen Predictive Analytics Data Mart, der von einer Gruppe von Datenwissenschaftlern verwendet wurde.

In meinem ersten Jahr als Datenwissenschaftler habe ich Datenpipelines erstellt, um Modelle für maschinelles Lernen zu trainieren und in die Produktion zu implementieren. Ich blieb unauffällig und nahm nicht an vielen Treffen mit Marketing-Stakeholdern teil, die die Endnutzer der Modelle waren.

In meinem zweiten Jahr im Unternehmen verließ der für Marketing zuständige Datenverarbeitungs- und Analysemanager das Unternehmen. Seitdem bin ich Protagonist geworden und habe mich aktiver mit der Entwicklung von Modellen und der Diskussion von Projektterminen befasst.

Als ich mit Stakeholdern kommunizierte, stellte ich fest, dass Data Science ein vages Konzept ist, von dem die Leute gehört haben, das sie aber nicht ganz verstehen, insbesondere wenn es um die Geschäftsleitung geht.

Ich habe über hundert Modelle gebaut, aber nur ein Drittel davon wurde verwendet, weil ich nicht wusste, wie ich ihren Wert zeigen sollte, obwohl die Modelle in erster Linie vom Marketing angefordert wurden.

Eines meiner Teammitglieder hat monatelang ein Modell entwickelt, von dem die Geschäftsleitung glaubte, dass es den Wert des Data Scientist-Teams demonstrieren würde. Die Idee war, dieses Modell nach seiner Entwicklung auf die gesamte Organisation auszudehnen und Marketingteams zu ermutigen, es anzuwenden.

Dies stellte sich als völliger Fehler heraus, da niemand verstand, was ein Modell für maschinelles Lernen war, und den Wert seiner Anwendung nicht verstehen konnte. Infolgedessen wurden Monate damit verschwendet, was niemand wollte.

Aus solchen Situationen habe ich bestimmte Lektionen gelernt, die ich unten geben werde.

, , -

1. , .

Fragen Sie während Ihres Unternehmensinterviews nach der Kultur der Daten und nach der Anzahl der Modelle für maschinelles Lernen, die für die Entscheidungsfindung übernommen und verwendet werden. Fragen Sie nach Beispielen. Finden Sie heraus, ob Ihre Dateninfrastruktur für die Modellierung eingerichtet ist. Wenn Sie 90% Ihrer Zeit damit verbringen, Rohdaten abzurufen und zu bereinigen, haben Sie wenig oder gar keine Zeit, Modelle zu erstellen, um Ihren Wert als Datenwissenschaftler zu demonstrieren. Seien Sie vorsichtig, wenn Sie zum ersten Mal als Data Scientist eingestellt werden. Dies kann je nach Kultur der Daten sowohl gut als auch schlecht sein. Bei der Implementierung des Modells kann es zu erheblichen Widerständen kommen, wenn die Geschäftsleitung einen Data Scientist anstellt, nur weil das Unternehmen als bekannt sein möchteVerwenden von Data Science, um bessere Entscheidungen zu treffen , hat aber keine Ahnung, was das wirklich bedeutet. Wenn Sie ein datengesteuertes Unternehmen finden, wachsen Sie mit.

2. Kennen Sie die Daten und Key Performance Indicators (KPI).

Am Anfang erwähnte ich, dass ich als Dateningenieur einen analytischen Datamart für das Datenwissenschaftlerteam erstellt habe. Nachdem ich selbst Datenwissenschaftler geworden war, konnte ich neue Möglichkeiten finden, die die Genauigkeit der Modelle erhöhten, da ich in einer früheren Position intensiv mit Rohdaten gearbeitet habe.

Durch die Präsentation der Ergebnisse einer unserer Kampagnen konnte ich die Modelle zeigen, die höhere Conversion-Raten (in Prozent) generieren, wonach einer der KPIs gemessen wurde. Dies zeigte den Wert des Geschäftsleistungsmodells, mit dem Marketing verbunden werden kann.

3. Stellen Sie die Akzeptanz von Modellen sicher, indem

Sie den Stakeholdern ihren Wert zeigen. Sie werden als Data Scientist niemals erfolgreich sein, wenn Stakeholder Ihre Modelle niemals verwenden, um Geschäftsentscheidungen zu treffen. Eine Möglichkeit, um sicherzustellen, dass das Modell akzeptiert wird, besteht darin, den Schmerzpunkt des Unternehmens zu finden und zu zeigen, wie das Modell helfen kann.

Nachdem ich mit unserem Verkaufsteam gesprochen hatte, stellte ich fest, dass zwei Mitarbeiter Vollzeit arbeiten und die Millionen Benutzer in der Unternehmensdatenbank manuell scannen, um einzelne Lizenzbenutzer zu identifizieren, die eher zu Teamlizenzen wechseln. Die Auswahl verwendete eine Reihe von Kriterien, aber die Auswahl war zeitaufwändig, da die Mitarbeiter jeweils einen Benutzer betrachteten. Mithilfe des von mir entwickelten Modells konnten die Mitarbeiter Benutzer mit der höchsten Wahrscheinlichkeit für den Kauf einer Teamlizenz auswählen und die Wahrscheinlichkeit von Conversions in kürzerer Zeit erhöhen. Dies führte zu einer effizienteren Zeitnutzung, indem die Conversion-Raten für KPIs verbessert wurden, auf die sich das Verkaufsteam möglicherweise bezieht.

Es vergingen mehrere Jahre, und ich entwickelte wiederholt dieselben Modelle und hatte das Gefühl, nichts Neues mehr zu lernen. Ich entschied mich für eine andere Position und bekam eine Position als Datenanalyst. Der Unterschied in den Verantwortlichkeiten könnte nicht bedeutender sein als als als Datenwissenschaftler, obwohl ich wieder im Marketing war.

Dies war das erste Mal, dass ich A / B-Experimente analysierte und alle fandMöglichkeiten, wie ein Experiment schief gehen kann. Als Datenwissenschaftler habe ich überhaupt nicht an A / B-Tests gearbeitet, da diese dem experimentellen Team vorbehalten waren. Ich habe an einer Vielzahl von Analytics-Studien gearbeitet, die vom Marketing beeinflusst wurden, von der Erhöhung der Premium-Conversion-Raten bis hin zur Benutzerinteraktion und Abwanderungsprävention. Ich habe viele verschiedene Arten des Betrachtens von Daten gelernt und viel Zeit damit verbracht, die Ergebnisse zusammenzustellen und sie den Stakeholdern und der Geschäftsleitung zu präsentieren. Als Datenwissenschaftler habe ich hauptsächlich an einem Modelltyp gearbeitet und selten Vorträge gehalten. Spulen Sie ein paar Jahre vor und gehen Sie zu den Fähigkeiten über, die ich als erfolgreicher Analyst gelernt habe.

Fähigkeiten, die ich gelernt habe, um ein erfolgreicher Datenanalyst zu werden

1. Lernen, Geschichten mit Daten zu erzählen

Betrachten Sie KPIs nicht isoliert. Binden Sie sie zusammen und betrachten Sie das Geschäft als Ganzes. Auf diese Weise können Sie Bereiche identifizieren, die sich gegenseitig beeinflussen. Die Geschäftsleitung betrachtet das Unternehmen durch eine Linse, und jemand, der diese Fähigkeit demonstriert, wird bemerkt, wenn es an der Zeit ist, eine Entscheidung über eine Beförderung zu treffen.

2. Umsetzbare Ideen

bereitstellen Stellen Sie dem Unternehmen umsetzbare Ideen zur Lösung eines Problems zur Verfügung. Es ist sogar noch besser, wenn Sie proaktiv eine Lösung vorschlagen, bevor bereits gesagt wurde, dass Sie sich mit dem Prioritätsproblem befassen.

Wenn Sie beispielsweise dem Vermarkter sagen: "Ich habe festgestellt, dass die Anzahl der Website-Besucher in letzter Zeit monatlich zurückgegangen ist."... Dies ist ein Trend, den sie möglicherweise im Dashboard bemerkt haben, und Sie haben als Analyst keine wertvolle Lösung gefunden, weil Sie nur eine Beobachtung behauptet haben.

Untersuchen Sie stattdessen die Daten, um die Ursache zu finden und eine Lösung vorzuschlagen. Ein besseres Marketingbeispiel wäre: „Ich habe festgestellt, dass die Anzahl der Besucher unserer Website in letzter Zeit gesunken ist. Ich fand heraus, dass die organische Suche die Ursache des Problems war, aufgrund der jüngsten Änderungen, die zu einem Rückgang unserer Google-Suchrankings führten . " Dieser Ansatz zeigt, dass Sie die KPIs des Unternehmens verfolgt, eine Änderung festgestellt, die Ursache untersucht und eine Lösung für das Problem angeboten haben.

3. Werden Sie ein vertrauenswürdiger Berater

Sie müssen die erste Person sein, an die sich Ihre Stakeholder wenden, um Anleitungen oder Fragen zu dem von Ihnen unterstützten Arbeitsbereich zu erhalten. Es gibt keine Abkürzung, da es einige Zeit dauert, diese Fähigkeiten zu demonstrieren. Der Schlüssel liegt darin, stets qualitativ hochwertige Analysen mit minimalen Fehlern zu liefern. Jede Fehleinschätzung kostet Sie Glaubwürdigkeitspunkte, denn wenn Sie das nächste Mal eine Analyse einreichen, fragen sich die Leute möglicherweise: Wenn Sie sich das letzte Mal geirrt haben, könnten Sie sich auch diesmal irren? ... Überprüfen Sie immer Ihre Arbeit. Es tut auch nicht weh, Ihren Manager oder Kollegen zu bitten, sich Ihre Zahlen anzusehen, bevor Sie sie einreichen, wenn Sie Zweifel an Ihrer Analyse haben.

4.

Auch hier gibt es keine Abkürzung zum Erlernen einer effektiven Kommunikation. Es braucht Übung, und mit der Zeit werden Sie es besser machen. Der Schlüssel besteht darin, die Hauptpunkte Ihrer Aktivitäten zu identifizieren und Maßnahmen zu empfehlen, die die Stakeholder aufgrund Ihrer Analyse zur Verbesserung des Geschäfts ergreifen können. Je höher Sie auf der Karriereleiter stehen, desto wichtiger sind die Kommunikationsfähigkeiten. Die Übermittlung komplexer Ergebnisse ist eine wichtige Fähigkeit, die nachgewiesen werden muss. Ich habe Jahre damit verbracht, die Geheimnisse des Erfolgs als Datenwissenschaftler und Datenanalyst zu lernen. Menschen definieren Erfolg auf unterschiedliche Weise. Als "erstaunlicher" und "Star" -Analytiker charakterisiert zu werden, ist in meinen Augen Erfolg. Jetzt, da Sie diese Geheimnisse kennen, hoffe ich, dass Ihr Weg Sie schneller zum Erfolg führt.wie auch immer Sie es definieren.

Um Ihren Weg zum Erfolg noch schneller zu gestalten, behalten Sie den HABR-Gutscheincode bei , nach dem Sie zusätzlich 10% auf den auf dem Banner angegebenen Rabatt erhalten.

Weitere Kurse

So werden Sie ein erfolgreicher Data Scientist und Data Analyst

, , -

Fähigkeiten, die ich gelernt habe, um ein erfolgreicher Datenanalyst zu werden

empfohlene Artikel

More articles: