Il existe de nombreux articles sur les compétences requises pour être un bon data scientist ou un analyste de données, mais peu d'articles couvrent les compétences nécessaires pour réussir - qu'il s'agisse d'une évaluation de performance exceptionnelle, d'éloges de la direction, de promotion ou de tout ce qui précède. Aujourd'hui, nous vous présentons le matériel dont l'auteur aimerait partager son expérience personnelle en tant que data scientist et analyste de données, ainsi que ce qu'elle a appris pour réussir.
J'ai eu de la chance: on m'a proposé le poste de Data Scientist alors que je n'avais aucune expérience en Data Science. La façon dont j'ai géré cette tâche est une autre histoire, et je tiens à dire que je n'avais qu'une vague idée de ce que fait un data scientist avant de prendre le poste.
J'ai été embauché pour travailler sur des pipelines de données dans le cadre de mon précédent emploi d'ingénieur de données, où j'ai développé un data mart d'analyse prédictive utilisé par un groupe de data scientists.
Ma première année en tant que data scientist a consisté à créer des pipelines de données pour former des modèles d'apprentissage automatique et les mettre en production. J'ai gardé un profil bas et n'ai pas participé à de nombreuses réunions avec les parties prenantes du marketing qui étaient les utilisateurs finaux des modèles.
Lors de ma deuxième année dans l'entreprise, le responsable du traitement et de l'analyse des données en charge du marketing est parti. Depuis, je suis devenu un protagoniste et j'ai été plus activement impliqué dans le développement de modèles et la discussion des délais des projets.
En communiquant avec les parties prenantes, je me suis rendu compte que la science des données est un concept vague dont les gens ont entendu parler, mais ne le comprennent pas tout à fait, en particulier lorsqu'il s'agit de la haute direction.
J’ai construit plus d’une centaine de modèles, mais seulement un tiers d’entre eux ont été utilisés car je ne savais pas comment montrer leur valeur, malgré le fait que les modèles ont été demandés en premier lieu par le marketing.
Un des membres de mon équipe a passé des mois à développer un modèle qui, selon la haute direction, démontrerait la valeur de l'équipe de data scientist. L'idée était d'étendre ce modèle à l'ensemble de l'organisation une fois qu'il était développé et d'inciter les équipes marketing à l'appliquer.
Cela s'est avéré être un échec complet, car personne ne comprenait ce qu'était un modèle d'apprentissage automatique et ne pouvait pas comprendre la valeur de son application. En fin de compte, des mois ont été gaspillés sur ce que personne ne voulait.
De telles situations, j'ai tiré certaines leçons que je donnerai ci-dessous.
, , -
1. , .
Lors de votre entretien d'entreprise, posez des questions sur la culture des données et sur le nombre de modèles d'apprentissage automatique adoptés et utilisés dans la prise de décision. Demandez des exemples. Découvrez si votre infrastructure de données est configurée pour démarrer la modélisation. Si vous passez 90% de votre temps à essayer d'extraire des données brutes et de les nettoyer, vous n'aurez que peu ou pas de temps pour créer des modèles démontrant votre valeur en tant que data scientist. Soyez prudent s'il s'agit de votre première embauche en tant que Data Scientist. Cela peut être à la fois bon et mauvais, selon la culture des données. Vous pouvez rencontrer beaucoup de résistance lors de la mise en œuvre du modèle si la haute direction engage un Data Scientist simplement parce que l'entreprise veut être connue sous le nom deutiliser la science des données pour prendre de meilleures décisions , mais n'a aucune idée de ce que cela signifie vraiment. De plus, si vous trouvez une entreprise axée sur les données, vous évoluerez avec elle.
2. Connaître les données et les indicateurs clés de performance (KPI).
Au début, j'ai mentionné qu'en tant qu'ingénieur de données, j'ai créé un data mart analytique pour l'équipe de data scientist. Devenu moi-même data scientist, j'ai pu trouver de nouvelles opportunités qui augmentaient la précision des modèles, car je travaillais intensivement avec des données brutes dans un poste antérieur.
En présentant les résultats d'une de nos campagnes, j'ai pu montrer les modèles générant des taux de conversion plus élevés (en pourcentage), après quoi l'un des KPI a été mesuré. Cela a démontré la valeur du modèle de performance commerciale auquel le marketing peut être associé.
3. Assurez l'acceptation du modèle en montrant sa valeur aux parties prenantes
Vous ne réussirez jamais en tant que Data Scientist si les parties prenantes n'utilisent jamais vos modèles pour prendre des décisions commerciales. Une façon de garantir l'acceptation du modèle est de trouver le point faible de l'entreprise et de montrer comment le modèle peut aider.
Après avoir discuté avec notre équipe commerciale, j'ai réalisé que deux commerciaux travaillaient à plein temps, analysant manuellement les millions d'utilisateurs dans la base de données de l'entreprise pour identifier les utilisateurs à licence unique qui sont plus susceptibles de passer aux licences d'équipe. La sélection utilisait un ensemble de critères, mais la sélection prenait du temps car les commerciaux regardaient un utilisateur à la fois. En utilisant le modèle que j'ai développé, les commerciaux ont pu sélectionner les utilisateurs les plus susceptibles d'acheter une licence d'équipe et augmenter la probabilité de conversions en moins de temps. Cela a permis une utilisation plus efficace du temps en améliorant les taux de conversion des indicateurs de performance clés auxquels l'équipe de vente pourrait s'identifier.
Plusieurs années ont passé, j'ai développé à plusieurs reprises les mêmes modèles et j'ai senti que je n'avais plus rien appris de nouveau. J'ai décidé de chercher un autre poste et j'ai fini par obtenir un poste d'analyste de données. La différence de responsabilités n'aurait tout simplement pas pu être plus importante que lorsque j'étais data scientist, même si j'étais de retour dans le marketing.
C'était la première fois que j'analysais des expériences A / B et trouvais toutesles façons dont une expérience peut mal tourner. En tant que data scientist, je n'ai pas du tout travaillé sur les tests A / B, car c'était réservé à l'équipe expérimentale. J'ai travaillé sur un large éventail d'études analytiques qui ont été influencées par le marketing, de l'augmentation des taux de conversion premium à l'engagement des utilisateurs et à la prévention du churn. J'ai appris de nombreuses façons différentes d'examiner les données et j'ai passé beaucoup de temps à compiler les résultats, à les présenter aux parties prenantes et à la haute direction. En tant que data scientist, j'ai principalement travaillé sur un type de modèle et j'ai rarement donné des conférences. Avancez rapidement de quelques années et passez aux compétences que j'ai acquises pour devenir un analyste performant.
Compétences que j'ai apprises pour devenir un analyste de données performant
1. Apprenez à raconter des histoires avec des données
Ne regardez pas les KPI de manière isolée. Attachez-les, regardez l'entreprise dans son ensemble. Cela vous permettra d'identifier les domaines qui s'influencent mutuellement. La haute direction regarde l'entreprise à travers une lentille, et une personne qui démontre cette compétence se fait remarquer au moment de prendre une décision concernant une promotion.
2. Fournir des idées exploitables
Fournir à l'entreprise des idées exploitables pour résoudre un problème. C'est encore mieux si vous proposez une solution de manière proactive avant qu'il n'ait déjà été dit que vous vous occupez du problème principal.
Par exemple, si vous deviez dire à un spécialiste du marketing, "J'ai remarqué que le nombre de visiteurs du site Web a diminué sur une base mensuelle récemment."... C'est une tendance qu'ils ont peut-être remarquée sur le tableau de bord et vous n'avez pas proposé de solution valable en tant qu'analyste, car vous avez seulement prétendu observer.
Au lieu de cela, étudiez les données pour trouver la cause et suggérer une solution. Un meilleur exemple de marketing serait: «J'ai remarqué que nous avons eu une baisse du nombre de visiteurs sur notre site Web ces derniers temps. J'ai trouvé que la recherche organique était à l'origine du problème, en raison des changements récents qui ont conduit à une baisse de notre classement de recherche Google . " Cette approche montre que vous avez suivi les KPI de l'entreprise, remarqué un changement, recherché la cause et proposé une solution au problème.
3. Devenez un conseiller de confiance
Vous devez être la première personne à qui vos parties prenantes se tournent pour obtenir des conseils ou des questions sur la ligne de travail que vous soutenez. Il n'y a pas de raccourci car il faut du temps pour démontrer ces capacités. La clé est de fournir systématiquement une analyse de haute qualité avec un minimum d'erreurs. Toute erreur de calcul vous coûtera des points de crédibilité, car la prochaine fois que vous soumettez votre analyse, les gens pourraient vous demander: si vous vous êtes trompé la dernière fois, pourriez-vous vous tromper cette fois aussi? ... Vérifiez toujours votre travail. Cela ne fait pas de mal non plus de demander à votre responsable ou collègue de regarder vos chiffres avant de les soumettre si vous avez des doutes sur votre analyse.
4.
Encore une fois, il n'y a pas de raccourci pour apprendre une communication efficace. Cela demande de la pratique et avec le temps, vous vous améliorerez. La clé est d'identifier les principaux points de ce que vous voulez faire et de recommander les actions que, à la suite de votre analyse, les parties prenantes peuvent prendre pour améliorer l'entreprise. Plus vous êtes haut sur l'échelle de l'entreprise, plus les compétences en communication sont importantes. La communication de résultats complexes est une compétence importante qui doit être démontrée. J'ai passé des années à apprendre les secrets du succès en tant que data scientist et data analyst. Les gens définissent le succès de différentes manières. Etre qualifié d'analyste "étonnant" et "star" est une réussite à mes yeux. Maintenant que vous connaissez ces secrets, j'espère que votre chemin vous mènera au succès plus rapidement,comment vous le définissez.
Et pour rendre votre chemin vers le succès encore plus rapide, conservez le code promo HABR , par lequel vous pouvez obtenir 10% supplémentaires sur la réduction indiquée sur la bannière.
- Bootcamp en ligne pour la science des données
- Former le métier d'analyste de données à partir de zéro
- Bootcamp en ligne sur l'analyse des données
- Enseigner le métier de Data Science à partir de zéro
- Cours Python pour le développement Web
Plus de cours
Articles recommandés
- Comment devenir Data Scientist sans cours en ligne
- 450 cours gratuits de l'Ivy League
- Comment apprendre le Machine Learning 5 jours par semaine pendant 9 mois consécutifs
- Combien gagne un analyste de données: aperçu des salaires et des postes vacants en Russie et à l'étranger en 2020
- Apprentissage automatique et vision par ordinateur dans l'industrie minière