
Existem muitos artigos sobre as habilidades necessárias para ser um bom cientista de dados ou analista de dados, mas poucos artigos cobrem as habilidades necessárias para ter sucesso - seja avaliação de desempenho excepcional, elogio executivo, promoção ou todos os itens acima. Hoje apresentamos a vocês o material, cujo autor deseja compartilhar sua experiência pessoal como cientista e analista de dados, bem como o que aprendeu para ter sucesso.
Tive sorte: me ofereceram o cargo de cientista de dados quando não tinha experiência em ciência de dados. Como lidei com essa tarefa é uma história diferente, e quero dizer que só tinha uma vaga ideia do que um cientista de dados fazia antes de aceitar o emprego.
Fui contratado para trabalhar em pipelines de dados em conexão com meu trabalho anterior como engenheiro de dados, onde desenvolvi um data mart de análise preditiva usado por um grupo de cientistas de dados.
Meu primeiro ano como cientista de dados envolveu a criação de pipelines de dados para treinar modelos de aprendizado de máquina e implementá-los na produção. Eu me mantive discreto e não participei de muitas das reuniões com as partes interessadas de marketing que eram os usuários finais dos modelos.
No meu segundo ano na empresa, o gerente de processamento e análise de dados responsável pelo marketing saiu. Desde então, me tornei um protagonista e estive mais ativamente envolvido no desenvolvimento de modelos e na discussão de prazos de projetos.
Conforme me comunicava com as partes interessadas, percebi que Data Science é um conceito vago sobre o qual as pessoas já ouviram falar, mas não o entendem muito bem, especialmente no que diz respeito à alta administração.
Já construí mais de cem modelos, mas apenas um terço deles foi usado porque eu não sabia como mostrar seu valor, embora os modelos tenham sido solicitados em primeiro lugar pelo marketing.
Um dos membros da minha equipe passou meses desenvolvendo um modelo que a alta gerência sentiu que demonstraria o valor da equipe de cientistas de dados. A ideia era estender esse modelo a toda a organização depois de desenvolvido e incentivar as equipes de marketing a aplicá-lo.
Isso acabou sendo um fracasso total, porque ninguém entendia o que era um modelo de aprendizado de máquina e não conseguia entender o valor de sua aplicação. No final, meses foram perdidos com o que ninguém queria.
Com essas situações, aprendi algumas lições, que darei a seguir.
, , -
1. , .
Durante a entrevista da sua empresa, pergunte sobre a cultura dos dados e quantos modelos de aprendizado de máquina são adotados e usados na tomada de decisões. Peça exemplos. Descubra se sua infraestrutura de dados está configurada para iniciar a modelagem. Se você gastar 90% de seu tempo tentando extrair dados brutos e limpá-los, terá pouco ou nenhum tempo para construir qualquer modelo que demonstre seu valor como cientista de dados. Tenha cuidado se esta for sua primeira vez como cientista de dados. Isso pode ser bom ou ruim, dependendo da cultura dos dados. Você pode enfrentar muita resistência ao implementar o modelo se a alta administração contratar um Cientista de Dados só porque a empresa quer ser conhecida comousando Data Science para tomar melhores decisões , mas não tem ideia do que isso realmente significa. Além disso, se você encontrar uma empresa orientada a dados, crescerá com ela.
2. Conheça os dados e os principais indicadores de desempenho (KPI).
No início, mencionei que, como engenheiro de dados, criei um data mart analítico para a equipe de cientistas de dados. Tendo me tornado um cientista de dados, fui capaz de encontrar novas oportunidades que aumentaram a precisão dos modelos porque trabalhei intensamente com dados brutos em uma posição anterior.
Ao apresentar os resultados de uma das nossas campanhas, pude mostrar os modelos que geram maiores taxas de conversão (em porcentagem), após os quais um dos KPIs foi medido. Isso demonstrou o valor do modelo de desempenho de negócios ao qual o marketing pode ser associado.
3. Garanta a aceitação do modelo, mostrando seu valor às partes interessadas
Você nunca terá sucesso como Cientista de Dados se as partes interessadas nunca aplicarem seus modelos às decisões de negócios. Uma maneira de garantir a aceitação do modelo é encontrar o ponto problemático do negócio e mostrar como o modelo pode ajudar.
Depois de conversar com nossa equipe de vendas, percebi que dois representantes estão trabalhando em tempo integral, verificando manualmente os milhões de usuários no banco de dados da empresa para identificar usuários de licença única que têm maior probabilidade de mudar para licenças de equipe. A seleção usou um conjunto de critérios, mas a seleção foi demorada porque os representantes olharam para um usuário por vez. Usando o modelo que desenvolvi, os representantes foram capazes de selecionar usuários com a maior probabilidade de comprar uma licença de equipe e aumentar a probabilidade de conversões em menos tempo. Isso resultou em um uso mais eficiente do tempo, melhorando as taxas de conversão de KPIs com os quais a equipe de vendas pode se relacionar.
Vários anos se passaram e eu desenvolvi repetidamente os mesmos modelos e senti que não aprendia mais nada de novo. Decidi procurar outro cargo e acabei conseguindo um cargo de analista de dados. A diferença de responsabilidades simplesmente não poderia ter sido mais significativa em comparação com quando eu era um cientista de dados, embora estivesse de volta ao marketing.
Esta foi a primeira vez que analisei experimentos A / B e encontrei todosmaneiras pelas quais uma experiência pode dar errado. Como cientista de dados, não trabalhei em nenhum teste A / B, porque ele estava reservado para a equipe experimental. Eu trabalhei em uma ampla gama de estudos analíticos que foram influenciados pelo marketing, desde o aumento das taxas de conversão premium até o envolvimento do usuário e prevenção de rotatividade. Aprendi muitas maneiras diferentes de olhar para os dados e passei muito tempo compilando os resultados, apresentando-os às partes interessadas e à alta administração. Como cientista de dados, trabalhei principalmente em um tipo de modelo e raramente dei palestras. Avance alguns anos e passe para as habilidades que aprendi para ser um analista de sucesso.
Habilidades que aprendi para me tornar um analista de dados de sucesso
1. Aprenda a contar histórias com dados
Não olhe para os KPIs isoladamente. Amarre-os, olhe para o negócio como um todo. Isso permitirá que você identifique as áreas que afetam umas às outras. A alta administração vê o negócio através de uma lente, e uma pessoa que demonstra essa habilidade é notada quando chega a hora de tomar uma decisão sobre uma promoção.
2. Forneça ideias acionáveis
Dê à empresa ideias acionáveis para resolver um problema. É ainda melhor se você propor uma solução de forma proativa antes que já tenha sido dito que você está lidando com o problema de primeira prioridade.
Por exemplo, se você dissesse a um profissional de marketing: "Observei que o número de visitantes do site tem diminuído a cada mês."... Essa é uma tendência que eles podem ter notado no painel e você não encontrou nenhuma solução valiosa como analista porque apenas alegou observação.
Em vez disso, estude os dados para encontrar a causa e sugerir uma solução. Um melhor exemplo de marketing seria: “Percebi que temos tido uma queda no número de visitantes do nosso site recentemente. Descobri que a pesquisa orgânica era a fonte do problema, devido a mudanças recentes que levaram a uma queda em nossas classificações de pesquisa do Google . " Essa abordagem mostra que você rastreou os KPIs da empresa, percebeu uma mudança, investigou a causa e ofereceu uma solução para o problema.
3. Torne-se um consultor confiável
Você precisa ser a primeira pessoa a quem seus stakeholders recorrem para obter orientação ou perguntas sobre a linha de trabalho que você apóia. Não há atalho porque leva tempo para demonstrar essas habilidades. A chave é entregar consistentemente análises de alta qualidade com erros mínimos. Qualquer erro de cálculo custará pontos de credibilidade, porque da próxima vez que você enviar sua análise, as pessoas podem se perguntar: se você errou da última vez, também pode estar errado desta vez? ... Sempre verifique seu trabalho. Também não custa nada pedir ao seu gerente ou colega para olhar seus números antes de enviá-los, se você tiver alguma dúvida sobre sua análise.
4.
Novamente, não há atalho para aprender a comunicação eficaz. É preciso prática e com o tempo você ficará melhor nisso. A chave é identificar os principais pontos do que você deseja fazer e recomendar quaisquer ações que, como resultado de sua análise, os stakeholders possam realizar para melhorar o negócio. Quanto mais alto você estiver na escada corporativa, mais importantes serão as habilidades de comunicação. Comunicar resultados complexos é uma habilidade importante que precisa ser demonstrada. Passei anos aprendendo os segredos do sucesso como cientista e analista de dados. As pessoas definem o sucesso de maneiras diferentes. Ser caracterizado como analista "incrível" e "estrela" é sucesso aos meus olhos. Agora que você conhece esses segredos, espero que seu caminho o leve ao sucesso mais rápido,no entanto você o define.
E para tornar o seu caminho de sucesso ainda mais rápido, mantenha o código promocional do HABR , segundo o qual você pode obter um adicional de 10% sobre o desconto indicado no banner.

- Bootcamp online para ciência de dados
- Treinar a profissão de Analista de Dados do zero
- Data Analytics Online Bootcamp
- Ensinando a profissão de Ciência de Dados do zero
- Curso de Python para Desenvolvimento Web
Mais cursos
Artigos recomendados
- Como se tornar um cientista de dados sem cursos online
- 450 cursos gratuitos da Ivy League
- Como aprender o aprendizado de máquina 5 dias por semana durante 9 meses consecutivos
- Quanto o analista de dados ganha: visão geral de salários e vagas na Rússia e no exterior em 2020
- Aprendizado de máquina e visão computacional na indústria de mineração