By Tessa Xie, Senior Data Scientist bei Cruise

Photo by Bruce Mars on Unsplash.
 

Als ich zum ersten Mal den Übergang vom Finanzwesen zur Datenwissenschaft vollzog, hatte ich das Gefühl, an der Weltspitze zu sein – ich habe einen Job in meinem Traumbereich bekommen, mein beruflicher Weg ist festgelegt, ich werde einfach den Kopf gesenkt halten und hart arbeiten, was könnte schiefgehen? Nun, es gab ein paar Dinge ... Im folgenden Jahr als Datenwissenschaftler gab es mehrere Fehler, von denen ich froh bin, dass ich sie zu Beginn meiner Karriere gemacht habe. Auf diese Weise hatte ich Zeit zum Nachdenken und zur Kurskorrektur, bevor es zu spät war. Nach einer Weile wurde mir klar, dass diese Fehler durchaus häufig vorkommen. Tatsächlich habe ich beobachtet, dass viele DS um mich herum immer noch diese Fehler machen, ohne sich darüber im Klaren zu sein, dass sie ihrer Datenkarriere auf lange Sicht schaden können.

Wenn mein 5 Lektionen, die McKinsey mir beigebracht hat, die dich zu einem besseren Datenwissenschaftler machen werden Ich habe von den Besten gelernt. Die Lektionen in diesem Artikel habe ich auf die harte Tour gelernt, und ich hoffe, ich kann Ihnen helfen, die gleichen Fehler zu vermeiden.

Fehler 1: Sich selbst als Fußsoldat statt als Gedankenpartner sehen

 
 
Als Erwachsener wurden wir immer danach beurteilt, wie gut wir die Regeln und Anordnungen befolgen können, insbesondere in der Schule. Sie werden der beste Schüler sein, wenn Sie sich an das Lehrbuch und die Übungsprüfungen halten und einfach hart arbeiten. Viele Menschen scheinen diese „Fußsoldaten“-Mentalität in ihr Arbeitsumfeld zu übertragen. Meiner Meinung nach ist es genau diese Denkweise, die viele Datenwissenschaftler daran hindert, ihre Wirkung zu maximieren und sich von ihren Kollegen abzuheben. Ich habe beobachtet, dass viele DS, insbesondere jüngere, denken, dass sie nichts zum Entscheidungsprozess beitragen können und sich lieber in den Hintergrund zurückziehen und die für sie getroffenen Entscheidungen passiv umsetzen. Dies setzt einen Teufelskreis in Gang: Je weniger Sie zu diesen Diskussionen beitragen, desto geringer ist die Wahrscheinlichkeit, dass Stakeholder Sie in künftige Besprechungen einbeziehen, und desto weniger Gelegenheiten haben Sie, in Zukunft einen Beitrag zu leisten.

Lassen Sie mich Ihnen anhand eines konkreten Beispiels den Unterschied zwischen einem Fußsoldaten und einem Gedankenpartner bei der Modellentwicklung verdeutlichen. Bei den Datenerfassungs- und Feature-Brainstorming-Meetings habe ich mir früher passiv Notizen zu den Vorschlägen der Stakeholder gemacht, damit ich sie später „perfekt“ umsetzen kann. Wenn jemand eine Funktion vorschlug, von der ich wusste, dass wir keine Daten hatten, würde ich nichts sagen, basierend auf der Annahme, dass sie älter sind und etwas wissen müssen, was ich übersehen habe. Aber raten Sie mal, das haben sie nicht getan. Später würde ich mit der Situation konfrontiert werden, dass 50 % der von uns erarbeiteten Funktionen eine zusätzliche Datenerfassung erfordern würden, was die Deadline unseres Projekts gefährden würde. Dadurch befand ich mich am Ende oft in der unerwünschten Position des Überbringers schlechter Nachrichten. Da ich heute bestrebt bin, ein Gedankenpartner zu sein, beteilige ich mich frühzeitig an der Konversation und nutze meine einzigartige Position als die Person, die den Daten am nächsten ist. Auf diese Weise kann ich die Erwartungen der Stakeholder frühzeitig berücksichtigen und Vorschläge machen, die das Team voranbringen.

So vermeiden Sie dies:

• Stellen Sie sicher, dass Sie sich in Meetings, in denen Sie etwas aus der Datenperspektive beitragen können, nicht zurückhalten: Sind die Definitionen der Stakeholder von Metriken ausreichend für das, was sie messen möchten? Stehen Daten zur Messung der Metriken zur Verfügung? Wenn nicht, können wir Proxys für die Daten finden, die wir haben?
• Imposter-Syndrom ist real, insbesondere bei Junior-DS. Stellen Sie sicher, dass Sie sich dessen bewusst sind, und wann immer Sie sich fragen, ob Sie etwas sagen sollen, „an das andere vielleicht schon gedacht haben“ oder eine „dumme klärende Frage“ stellen sollen, SOLLTEN SIE DAS SOLLTEN.
• Bleiben Sie neugierig auf das, woran andere Leute arbeiten. Es gibt viele Gelegenheiten, bei denen ich festgestellt habe, dass ich einen Mehrwert schaffen kann, indem ich Lücken bemerke, die andere Leute möglicherweise übersehen haben, weil sie die Daten des Unternehmens nicht verstehen.

Fehler 2: Stecken Sie sich in eine bestimmte Schublade der Datenwissenschaft

 
 
Möchte ich Dateningenieur oder Datenwissenschaftler werden? Möchte ich mit Marketing- und Vertriebsdaten arbeiten oder eine Geodatenanalyse durchführen? Ihnen ist vielleicht aufgefallen, dass ich den Begriff DS bisher in diesem Artikel als allgemeinen Begriff für viele Dinge verwendet habe datenbezogene Karrierewege (z. B. Dateningenieur, Datenwissenschaftler, Datenanalyst usw.). Das liegt daran, dass die Grenzen zwischen diesen Titeln in der Datenwelt heutzutage so verschwimmen, insbesondere in kleineren Unternehmen. Ich habe beobachtet, dass viele Datenwissenschaftler sich NUR als Datenwissenschaftler sehen, die Modelle erstellen und sich nicht um geschäftliche Aspekte kümmern, oder dass Dateningenieure sich nur auf die Datenpipelinierung konzentrieren und nichts über die Modellierung wissen wollen, die darin vor sich geht das Unternehmen.

Die besten Datentalente sind diejenigen, die mehrere Aufgaben übernehmen können oder zumindest in der Lage sind, die Prozesse anderer Datenrollen zu verstehen. Dies ist besonders praktisch, wenn Sie in einem Start-up-Unternehmen in der Früh- oder Wachstumsphase arbeiten möchten, in dem die Funktionen möglicherweise noch nicht so spezialisiert sind und von Ihnen Flexibilität und eine Vielzahl datenbezogener Aufgaben erwartet wird. Selbst wenn Sie sich in einem klar definierten Jobprofil befinden, stellen Sie mit zunehmender Erfahrung möglicherweise fest, dass Sie an einem Wechsel in eine andere Art von Datenrolle interessiert sind. Dieser Wechsel wird viel einfacher sein, wenn Sie sich und Ihre Fähigkeiten nicht in den engen Fokus einer bestimmten Rolle einordnen.

So vermeiden Sie dies:

• Seien Sie auch hier neugierig auf die Projekte, an denen andere Datenrollen arbeiten. Planen Sie regelmäßige Treffen mit Kollegen, um miteinander über interessante Projekte zu sprechen, oder lassen Sie verschiedene Datenteams ihre Arbeit/Projekte regelmäßig miteinander teilen.
• Wenn Sie bei der Arbeit keinen Kontakt zu anderen Datenrollen haben, versuchen Sie, die Datenkenntnisse, die Sie in Ihrer Freizeit nicht nutzen, beizubehalten bzw. zu üben. Wenn Sie beispielsweise Datenanalyst sind und sich schon seit einiger Zeit nicht mehr mit der Modellierung beschäftigt haben, sollten Sie erwägen, die Fähigkeiten durch externe Projekte wie einen Kaggle-Wettbewerb zu üben.

Fehler 3: Nicht mit der Entwicklung auf diesem Gebiet Schritt halten

 
 

Selbstzufriedenheit tötet

Jeder Soldat weiß das und jeder DS sollte es auch wissen. Ein häufiger Fehler besteht darin, mit seinen Datenkenntnissen zufrieden zu sein und sich nicht die Zeit zu nehmen, neue Kenntnisse zu erlernen. Dies ist im Datenbereich gefährlicher als in einigen anderen Bereichen, da die Datenwissenschaft ein relativ neues Feld ist und noch immer drastische Veränderungen und Entwicklungen durchmacht. Es werden ständig neue Algorithmen, neue Tools und sogar neue Programmiersprachen eingeführt.

Wenn Sie nicht der eine Datenwissenschaftler sein wollen, der im Jahr 2021 immer noch nur weiß, wie man STATA nutzt (den gibt es, ich habe mit ihm zusammengearbeitet), dann müssen Sie mit den Entwicklungen auf diesem Gebiet Schritt halten.

Lass das nicht du sein (GIF von GIPHY)

So vermeiden Sie dies:

• Melden Sie sich für Online-Kurse an, um mehr über neue Konzepte und Algorithmen zu erfahren oder um diejenigen aufzufrischen, die Sie bereits kennen, aber bei der Arbeit eine Weile nicht verwendet haben. Die Fähigkeit zu lernen ist ein Muskel, den jeder trainieren sollte, und ein lebenslanger Lerner zu sein ist wahrscheinlich das beste Geschenk, das man sich selbst machen kann.
• Melden Sie sich für einen DS-Newsletter an oder folgen Sie einem DS-Blogger/einer DS-Publikation auf Medium und entwickeln Sie eine Gewohnheit, die DS-„Nachrichten“ zu verfolgen.

Fehler 4: Überanstrengung Ihrer analytischen Muskeln

 
 
Wenn man nur einen Hammer hat, sieht alles aus wie ein Nagel. Seien Sie nicht der DS, der versucht, ML für alles einzusetzen. Als ich zum ersten Mal in die Welt der Datenwissenschaft einstieg, war ich so begeistert von all den tollen Modellen, die ich in der Schule gelernt habe, und konnte es kaum erwarten, sie alle an realen Problemen auszuprobieren. Aber die reale Welt unterscheidet sich von der akademischen Forschung 80 / 20 Regel ist immer im Spiel.

In meinem vorherigen Artikel über „5 Lektionen, die McKinsey mir beigebracht hat„Ich habe darüber geschrieben, dass Geschäftsauswirkungen und Interpretierbarkeit manchmal wichtiger sind als die zusätzlichen Prozentpunkte der Genauigkeit Ihres Modells. Manchmal ist ein annahmebasiertes Excel-Modell vielleicht sinnvoller als ein mehrschichtiges neuronales Netz. In solchen Fällen sollten Sie Ihre analytischen Fähigkeiten nicht überanstrengen und Ihren Ansatz nicht übertreiben. Lassen Sie stattdessen Ihre Geschäftsmuskeln spielen und seien Sie der DS, der auch über Geschäftssinn verfügt.

So vermeiden Sie dies:

• Verfügen Sie über ein umfassendes Spektrum an Analysefähigkeiten/-werkzeugen, von einfachem Excel bis hin zu fortgeschrittenen ML-Modellierungsfähigkeiten, sodass Sie jederzeit beurteilen können, welches Werkzeug in der jeweiligen Situation am besten geeignet ist, und bei einem Messerkampf keine Waffe mitnehmen müssen.
• Verstehen Sie die Geschäftsanforderungen, bevor Sie sich mit der Analyse befassen. Manchmal forderten Stakeholder ein ML-Modell, weil es ein beliebtes Konzept ist und sie unrealistische Erwartungen an die Leistungsfähigkeit von ML-Modellen haben. Es ist Ihre Aufgabe als DS, die Erwartungen zu erfüllen und ihnen dabei zu helfen, bessere und einfachere Wege zum Erreichen ihrer Ziele zu finden. Erinnern? Seien Sie ein Gedankenpartner, kein Fußsoldat.

Fehler 5: Denken Sie, der Aufbau einer Datenkultur sei die Aufgabe von jemand anderem

 
 
In meinem Artikel „6 wesentliche Schritte zum Aufbau einer großartigen Datenkultur„Ich schrieb darüber, wie schrecklich und unproduktiv das Leben von Datenwissenschaftlern sein kann, wenn das Unternehmen keine großartige Datenkultur hat. Tatsächlich habe ich gehört, dass sich viele DS über unproduktive Ad-hoc-Datenanfragen beschwert haben, die von den Beteiligten problemlos und autark bearbeitet werden sollten (z. B. die Änderung einer Aggregation von monatlich auf täglich in Looker, die buchstäblich aus zwei Klicks besteht). ). Denken Sie nicht, dass die Veränderung dieser Kultur die Aufgabe von jemand anderem ist. Wenn Sie Änderungen sehen möchten, nehmen Sie sie vor. Denn wer ist besser in der Lage, eine Datenkultur aufzubauen und Stakeholder über Daten aufzuklären, als die Datenwissenschaftler selbst? Wenn Sie dabei helfen, die Datenkultur im Unternehmen aufzubauen, wird es Ihnen und Ihren Stakeholdern später das Leben erheblich erleichtern.

So vermeiden Sie dies:

• Machen Sie es zu Ihrer Verantwortung, Schulungen für die nicht analytischen Stakeholder durchzuführen und Self-Service-Ressourcen zu entwickeln.
• Stellen Sie sicher, dass Sie anfangen, das zu üben, was Sie predigen, Abfragen mit Folien verknüpfen, Datenquellen der Wahrheit mit Dokumenten verknüpfen und mit der Dokumentation Ihres Codes und Ihrer Datenbanken beginnen. Eine Datenkultur kann man nicht über Nacht aufbauen, daher braucht es auf jeden Fall Geduld.

Ich möchte darauf hinweisen, dass es in Ordnung ist, in der Karriere Fehler zu machen. Das Wichtigste ist, aus diesen Fehlern zu lernen und sie in Zukunft zu vermeiden. Oder noch besser: Schreiben Sie sie auf, um anderen zu helfen, die gleichen Fehler zu vermeiden.

 
Original. Mit Genehmigung erneut veröffentlicht.

Bio: Tessa Xie ist ein erfahrener Advanced Analytics-Berater mit Fachkenntnissen in Datenwissenschaft, SQL, R, Python, Verbraucherforschung und Wirtschaftsforschung mit einem starken Ingenieurhintergrund nach einem Master-Abschluss mit Schwerpunkt Finanzingenieurwesen am MIT.

Related:

• Wie ein einziger Fehler 3 Jahre meiner Data Science-Reise verschwendet hat
• Daten Wissenschaftler glauben, dass Daten ihr Hauptproblem sind. Hier ist, warum sie falsch sind.
• Aus den drei großen Karrierefehlern im Bereich Data Science lernen