Hay muchos artículos sobre las habilidades requeridas para ser un buen científico de datos o analista de datos, pero pocos artículos cubren las habilidades requeridas para tener éxito, ya sea una evaluación de desempeño excepcional, elogios ejecutivos, promoción o todo lo anterior. Hoy les presentamos el material, a cuya autora le gustaría compartir su experiencia personal como científica de datos y analista de datos, así como lo que aprendió para alcanzar el éxito.
Tuve suerte: me ofrecieron el puesto de científico de datos cuando no tenía experiencia en ciencia de datos. Cómo manejé esta tarea es una historia diferente, y quiero decir que solo tenía una vaga idea de lo que hace un científico de datos antes de aceptar el trabajo.
Me contrataron para trabajar en canalizaciones de datos en relación con mi trabajo anterior como ingeniero de datos, donde desarrollé un data mart de análisis predictivo utilizado por un grupo de científicos de datos.
Mi primer año como científico de datos implicó la creación de canalizaciones de datos para entrenar modelos de aprendizaje automático e implementarlos en producción. Mantuve un perfil bajo y no participé en muchas de las reuniones con las partes interesadas del marketing que eran los usuarios finales de los modelos.
En mi segundo año en la empresa, se fue el gerente de procesamiento y análisis de datos responsable de marketing. Desde entonces, me he convertido en protagonista y me he involucrado más activamente en el desarrollo de modelos y en la discusión de los plazos de los proyectos.
Mientras me comunicaba con las partes interesadas, me di cuenta de que la ciencia de datos es un concepto vago del que la gente ha oído hablar, pero que no lo entiende del todo, especialmente cuando se trata de la alta dirección.
He construido más de cien modelos, pero solo se utilizó un tercio de ellos porque no sabía cómo mostrar su valor, a pesar de que los modelos fueron solicitados en primer lugar por marketing.
Uno de los miembros de mi equipo pasó meses desarrollando un modelo que, en opinión de la alta dirección, demostraría el valor del equipo de científicos de datos. La idea era extender este modelo a toda la organización una vez desarrollado y animar a los equipos de marketing a aplicarlo.
Esto resultó ser un completo fracaso, porque nadie entendía qué era un modelo de aprendizaje automático y no podía comprender el valor de su aplicación. Al final, se desperdiciaron meses en lo que nadie quería.
De tales situaciones, he aprendido ciertas lecciones, que daré a continuación.
, , -
1. , .
Durante la entrevista de su empresa, pregunte sobre la cultura de los datos y cuántos modelos de aprendizaje automático se adoptan y utilizan en la toma de decisiones. Pide ejemplos. Descubra si su infraestructura de datos está configurada para comenzar a modelar. Si dedica el 90% de su tiempo a intentar extraer los datos sin procesar y limpiarlos, tendrá poco o ningún tiempo para crear modelos que demuestren su valor como científico de datos. Tenga cuidado si esta es la primera vez que lo contrata como científico de datos. Esto puede ser tanto bueno como malo, según la cultura de los datos. Es posible que enfrente mucha resistencia al implementar el modelo si la alta dirección contrata a un científico de datos solo porque la empresa quiere ser conocida comoutilizando Data Science para tomar mejores decisiones , pero no tiene idea de lo que eso significa realmente. Además, si encuentra una empresa basada en datos, crecerá con ella.
2. Conocer los datos y los indicadores clave de rendimiento (KPI).
Al principio, mencioné que, como ingeniero de datos, creé un mercado de datos analíticos para el equipo de científicos de datos. Habiéndome convertido en científico de datos, pude encontrar nuevas oportunidades que aumentaron la precisión de los modelos porque trabajé intensamente con datos sin procesar en una posición anterior.
Al presentar los resultados de una de nuestras campañas, pude mostrar los modelos que generan mayores tasas de conversión (como porcentaje), luego de lo cual se midió uno de los KPI. Esto demostró el valor del modelo de desempeño empresarial con el que se puede asociar el marketing.
3. Asegure la aceptación del modelo mostrando su valor a las partes interesadas
. Nunca tendrá éxito como científico de datos si las partes interesadas nunca utilizan sus modelos para tomar decisiones comerciales. Una forma de garantizar que el modelo sea aceptado es encontrar el punto débil del negocio y mostrar cómo el modelo puede ayudar.
Después de hablar con nuestro equipo de ventas, me di cuenta de que dos representantes están trabajando a tiempo completo, escaneando manualmente los millones de usuarios en la base de datos de la empresa para identificar a los usuarios de licencia única que tienen más probabilidades de cambiar a licencias de equipo. La selección utilizó un conjunto de criterios, pero la selección llevó mucho tiempo porque los representantes miraron a un usuario a la vez. Con el modelo que desarrollé, los representantes pudieron seleccionar a los usuarios con la mayor probabilidad de comprar una licencia de equipo y aumentar la probabilidad de conversiones en menos tiempo. Esto resultó en un uso más eficiente del tiempo al mejorar las tasas de conversión de los KPI con los que el equipo de ventas podría relacionarse.
Pasaron varios años y desarrollé repetidamente los mismos modelos y sentí que ya no aprendo nada nuevo. Decidí buscar otro puesto y terminé consiguiendo un puesto de analista de datos. La diferencia de responsabilidades no podría ser más significativa en comparación con cuando era científico de datos, a pesar de que estaba de vuelta en marketing.
Esta fue la primera vez que analicé experimentos A / B y encontré todosformas en las que un experimento puede salir mal. Como científico de datos, no trabajé en las pruebas A / B en absoluto, porque estaba reservado para el equipo experimental. He trabajado en una amplia gama de estudios analíticos que han sido influenciados por el marketing, desde el aumento de las tasas de conversión premium hasta la participación de los usuarios y la prevención de pérdidas. Aprendí muchas formas diferentes de ver los datos y pasé mucho tiempo compilando los resultados, presentándolos a las partes interesadas y a la alta dirección. Como científico de datos, trabajé principalmente en un tipo de modelo y rara vez di charlas. Avance unos años y pase a las habilidades que aprendí para ser un analista exitoso.
Habilidades que aprendí para convertirme en un analista de datos exitoso
1. Aprenda a contar historias con datos
No mire los KPI de forma aislada. Átelos, mire el negocio en su conjunto. Esto le permitirá identificar áreas que se afectan entre sí. La alta dirección ve el negocio a través de una lente, y una persona que demuestra esta habilidad se nota cuando llega el momento de tomar una decisión sobre una promoción.
2. Proporcione ideas prácticas
Proporcione a la empresa ideas prácticas para resolver un problema. Es incluso mejor si propone proactivamente una solución antes de que ya se haya dicho que está tratando con el problema prioritario.
Por ejemplo, si le dijera a un especialista en marketing: "He notado que la cantidad de visitantes del sitio web ha disminuido cada mes".... Esta es una tendencia que podrían haber notado en el panel de control y no se le ocurrió ninguna solución valiosa como analista porque solo reclamó observación.
En su lugar, estudie los datos para encontrar la causa y sugerir una solución. Un mejor ejemplo de marketing sería: “Me di cuenta de que últimamente hemos tenido una caída en el número de visitantes a nuestro sitio web. Descubrí que la búsqueda orgánica era la fuente del problema, debido a cambios recientes que llevaron a una caída en nuestra clasificación de búsqueda de Google " . Este enfoque muestra que realizó un seguimiento de los KPI de la empresa, notó un cambio, investigó la causa y ofreció una solución al problema.
3. Conviértase en un asesor de confianza
Debe ser la primera persona a la que acudan las partes interesadas para obtener orientación o preguntas sobre la línea de trabajo que apoya. No hay atajos porque se necesita tiempo para demostrar estas habilidades. La clave es entregar análisis de alta calidad de manera consistente con errores mínimos. Cualquier error de cálculo le costará puntos de credibilidad, porque la próxima vez que envíe un análisis, la gente puede hacer la pregunta: Si se equivocó la última vez, ¿podría estarlo también esta vez? ... Siempre revise su trabajo. Tampoco está de más pedirle a su gerente o colega que mire sus números antes de enviarlos si tiene alguna duda sobre su análisis.
4.
Una vez más, no hay atajos para aprender a comunicarse eficazmente. Se necesita práctica y, con el tiempo, mejorará. La clave está en identificar los puntos principales de lo que quiere hacer y recomendar las acciones que, como resultado de su análisis, los interesados pueden tomar para mejorar el negocio. Cuanto más alto esté en la escala corporativa, más importantes serán las habilidades de comunicación. Comunicar resultados complejos es una habilidad importante que debe demostrarse. He pasado años aprendiendo los secretos del éxito como científico de datos y analista de datos. La gente define el éxito de diferentes formas. Ser caracterizado como analista "asombroso" y "estrella" es un éxito a mis ojos. Ahora que conoces estos secretos, espero que tu camino te lleve al éxito más rápido.como lo defina.
Y para acelerar aún más su camino hacia el éxito, conserve el código de promoción HABR , según el cual puede obtener un 10% adicional al descuento indicado en el banner.
- Bootcamp en línea para ciencia de datos
- Formación de la profesión de analista de datos desde cero
- Bootcamp en línea de análisis de datos
- Enseñar la profesión de ciencia de datos desde cero
- Curso de Python para desarrollo web
Más cursos
Artículos recomendados
- Cómo convertirse en un científico de datos sin cursos en línea
- 450 cursos gratuitos de la Ivy League
- Cómo aprender Machine Learning 5 días a la semana durante 9 meses seguidos
- Cuánto gana el analista de datos: descripción general de los sueldos y las vacantes en Rusia y en el extranjero en 2020
- Aprendizaje automático y visión por computadora en la industria minera