By Tessa Xie, Cruise'i vanemandmeteadlane

Foto: bruce mars on Unsplash.
 

Kui ma esimest korda rahanduselt andmeteadusele üle läksin, tundsin, et olen maailma tipus – sain tööd oma unistuste valdkonnas, mu karjäärirada on paigas, hoian lihtsalt pead maas ja töötan kõvasti, mis võiks valesti minna? Noh, oli paar asja... Järgmisel aastal andmeteadlasena oli mitmeid vigu, mille peale mul on hea meel, et tabasin end oma karjääri alguses tegemast. Nii oli mul aega järele mõelda ja kurssi parandada, enne kui oli liiga hilja. Mõne aja pärast sain aru, et need vead on üsna tavalised. Tegelikult olen märganud, et paljud DS-id minu ümber teevad neid vigu, teadmata, et need võivad nende andmesidekarjääri pikemas perspektiivis kahjustada.

Kui minu 5 õppetundi, mille McKinsey mulle õpetas, mis teeb sinust parema andmeteadlase olid need, mida õppisin parimatelt, on selles artiklis need õppetunnid, mille õppisin raskel teel, ja loodan, et saan aidata teil vältida samu vigu.

1. viga: näete end mõttekaaslase asemel jalaväelasena

 
 
Kasvades on meid alati hinnatud selle järgi, kui hästi suudame reegleid ja korraldusi täita, eriti koolis. Olete parim õpilane, kui järgite õpikut ja harjutate eksameid ning pingutate lihtsalt. Tundub, et paljud inimesed kannavad seda "jalgsõduri" mõtteviisi oma töökeskkonda. Minu arvates on just see mõtteviis, mis takistab paljudel andmeteadlastel oma mõju maksimeerimast ja eakaaslastest silma paista. Olen täheldanud, et paljud DS-id, eriti nooremad, arvavad, et neil pole otsustusprotsessis midagi panustada ja nad pigem tõmbuvad tagaplaanile ja rakendavad nende eest tehtud otsuseid passiivselt. See käivitab nõiaringi – mida vähem te nendesse aruteludesse panustate, seda väiksema tõenäosusega kaasavad sidusrühmad teid tulevastele kohtumistele ja seda vähem on teil tulevikus oma panuse andmise võimalus.

Toon konkreetse näite jalasõduri ja mõttekaaslase erinevusest mudeliarenduse puhul. Andmete kogumisel ja ajurünnakute koosolekutel tegi vana mina passiivselt märkmeid sidusrühmade ettepanekute kohta, et saaksin neid hiljem "täiuslikult" rakendada. Kui keegi pakkus välja funktsiooni, mille kohta ma teadsin, et meil pole andmeid, siis ma ei ütleks midagi, lähtudes eeldusest, et nad on vanemad ja nad peavad teadma midagi, mis mul kahe silma vahele jäi. Aga arvake ära, nad ei teinud seda. Hiljem seisaksin silmitsi olukorraga, et 50% funktsioonidest, mille ajurünnakut tegime, nõuaks täiendavat andmete kogumist, mis seaks ohtu meie projekti tähtaja. Seetõttu leidsin end sageli lõpuks halbu uudiseid edastava sõnumitooja ebasoovitavast positsioonist. Püüdes tänapäeval olla mõttepartner, kaasan end vestlusesse varakult ja kasutan oma ainulaadset positsiooni andmetele kõige lähemal oleva inimesena. Nii saan varakult hallata huvirühmade ootusi ja teha ettepanekuid, mis aitavad meeskonnal edasi liikuda.

Kuidas seda vältida:

• Veenduge, et te ei hoia end tagasi koosolekutel, kus saate midagi anda: kas sidusrühmade mõõdikute määratlused on piisavad selleks, mida nad tahavad mõõta? Kas mõõdikute kogumi mõõtmiseks on andmed saadaval? Kui ei, siis kas saame leida puhverserverid andmetele, mis meil on?
• Petturi sündroom on tõeline, eriti juunioride seas. Veenduge, et olete sellest teadlik ja alati, kui te küsite, kas peaksite ütlema midagi, mida "teised võivad juba mõelda" või esitama "rumala täpsustava küsimuse", PEAKSITE.
• Säilitage uudishimu selle vastu, mille kallal teised inimesed töötavad. On palju juhtumeid, kus avastasin, et saan lisaväärtust anda, kui märkan lünki, mis teistel inimestel võib-olla on kahe silma vahele jäänud, kuna nad ei mõista ettevõtte andmeid.

Viga 2: pange end konkreetsesse andmeteaduse valdkonda

 
 
Kas ma tahan olla andmeinsener või andmeteadlane? Kas ma tahan töötada turundus- ja müügiandmetega või teha georuumilist analüüsi? Võib-olla olete märganud, et olen selles artiklis siiani kasutanud terminit DS kui üldmõistet paljude jaoks andmetega seotud karjääriteed (nt andmeinsener, andmeteadlane, andmeanalüütik jne). Selle põhjuseks on asjaolu, et tänapäeval on andmemaailmas nende pealkirjade vahelised jooned nii hägused, eriti väiksemates ettevõtetes. Olen täheldanud, et paljud andmeteadlased näevad end AINULT andmeteadlastena, kes ehitavad mudeleid ega pööra tähelepanu äriaspektidele ega andmeinseneridele, kes keskenduvad ainult andmekonveierile ega taha midagi teada praegu toimuvast modelleerimisest. Ettevõte.

Parimad andmetalendid on need, kes suudavad kanda mitut mütsi või on vähemalt võimelised mõistma muude andmerollide protsesse. See on eriti kasulik, kui soovite töötada varases staadiumis või kasvufaasis, kus funktsioonid ei pruugi olla veel nii spetsialiseerunud, ning teilt eeldatakse paindlikkust ja mitmesuguste andmetega seotud kohustuste täitmist. Isegi kui teil on selgelt määratletud tööprofiil, võite aja jooksul kogemusi juurde hankides avastada, et olete huvitatud teist tüüpi andmerolli üleminekust. See pöördepunkt on palju lihtsam, kui te ei aseta ennast ja oma oskusi ühe konkreetse rolli kitsasse fookusesse.

Kuidas seda vältida:

• Jällegi olge uudishimulik projektide suhtes, millega teised andmerollid töötavad. Planeerige perioodilised kohtumised kolleegidega, et omavahel huvitavatest projektidest rääkida või laske erinevatel andmemeeskondadel perioodiliselt oma töid/projekte üksteisega jagada.
• Kui te ei saa tööl teiste andmerollidega kokkupuudet, proovige hoida kursis/harjutada andmeoskusi, mida te vabal ajal ei kasuta. Näiteks kui olete andmeanalüütik ega ole mõnda aega modelleerimisega tegelenud, kaaluge oskuste harjutamist väliste projektide kaudu, nagu Kaggle'i võistlus.

Viga 3: Ei käi valdkonna arenguga kaasas

 
 

Rahulolu tapab

Iga sõdur teab seda ja ka iga DS peaks seda teadma. Levinud viga on olla oma andmeoskuste osas leplik ega pühenda aega uute õppimiseks. Andmevaldkonnas seda teha on ohtlikum kui mõnes teises valdkonnas, sest andmeteadus on suhteliselt uus valdkond, mis kogeb endiselt drastilisi muutusi ja arenguid. Pidevalt võetakse kasutusele uusi algoritme, uusi tööriistu ja isegi uusi programmeerimiskeeli.

Kui sa ei taha olla see üks andmeteadlane, kes veel 2021. aastal STATAt oskab kasutada (ta on olemas, mina töötasin temaga koos), siis tuleb valdkonna arengutega kursis olla.

Ära lase sellel olla sina (GIF autor GIPHY)

Kuidas seda vältida:

• Registreeruge veebikursustele, et õppida tundma uusi kontseptsioone ja algoritme või täiendada neid, mida te juba teate, kuid pole mõnda aega oma töös kasutanud. Õppimisvõime on lihas, mida kõik peaksid jätkama, ja elukestvaks õppijaks olemine on ilmselt parim kingitus, mida endale teha saad.
• Liituge DS-i uudiskirjaga või jälgige DS-i ajaveebi/väljaannet saidil Medium ja kujundage harjumus jälgida DS-i uudiseid.

Viga 4: analüütilise lihase ülepaindumine

 
 
Kui teil on ainult haamer, näeb kõik välja nagu nael. Ära ole see DS, kes püüab kõiges ML-i kasutada. Kui ma esimest korda andmeteaduse maailma sisenesin, olin nii põnevil kõigist koolis õpitud väljamõeldud mudelitest ja ei jõudnud ära oodata, et saaksin neid kõiki reaalsete probleemide lahendamisel proovida. Kuid tegelik maailm erineb akadeemilisest uurimistööst ja 80/20 reegel on alati mängus.

Minu eelmises artiklis teemal "5 õppetundi, mida McKinsey mulle õpetas”, kirjutasin sellest, kuidas ärimõju ja tõlgendatavus on mõnikord olulisemad kui teie mudeli täpsuse mitu protsendipunkti. Mõnikord on eeldustel põhinev Exceli mudel mõistlikum kui mitmekihiline närvivõrk. Sellistel juhtudel ärge pingutage oma analüütilist lihast üle ja muutke oma lähenemist ülemääraseks. Selle asemel pingutage oma äri lihaseid ja olge DS, kellel on ka ärivaistu.

Kuidas seda vältida:

• Varuge oma relvalaos kõiki analüüsioskusi/tööriistu, alates lihtsast Excelist kuni täiustatud ML-i modelleerimisoskusteni, et saaksite alati hinnata, millist tööriista on olukorras kõige parem kasutada ja mitte võtta noavõitlusse kaasa.
• Enne analüüsi süvenemist mõistke ettevõtte vajadusi. Mõnikord taotlevad sidusrühmad ML-mudelit, kuna see on populaarne kontseptsioon ja neil on ebarealistlikud ootused selle kohta, mida ML-mudelid suudavad. Teie kui DS-i ülesanne on juhtida ootusi ja aidata neil leida paremaid ja lihtsamaid viise oma eesmärkide saavutamiseks. Mäletad? Ole mõttepartner, mitte jalaväelane.

5. viga: arvake, et andmekultuuri loomine on kellegi teise töö

 
 
Minu artiklis "6 olulist sammu suurepärase andmekultuuri loomiseks”, kirjutasin sellest, kuidas andmeteadlaste elu võib olla kohutav ja ebaproduktiivne, kui ettevõttel pole suurepärast andmekultuuri. Tegelikult olen kuulnud palju DS-i kurtmas ebaproduktiivsete ad hoc andmepäringute üle, mida sidusrühmad peaksid ise hõlpsasti käsitlema (näiteks muutes Lookeris igakuise koondamise igapäevaseks, mis koosneb sõna otseses mõttes kahest klõpsust ). Ärge arvake, et selle kultuuri muutmine on kellegi teise töö. Kui soovite muudatusi näha, tehke need. Lõppude lõpuks, kellel on parem positsioon andmekultuuri ülesehitamiseks ja sidusrühmade andmete alal harimiseks kui andmeteadlased ise? Ettevõttes andmekultuuri ülesehitamisel kaasa aitamine muudab teie ja sidusrühmade elu palju lihtsamaks.

Kuidas seda vältida:

• Võtke oma kohustuseks koolituste läbiviimine mitteanalüütiliste sidusrühmade jaoks ja iseteeninduslike ressursside arendamine.
• Veenduge, et hakkate harjutama seda, mida jutlustate, alustage päringute linkimist slaididega, siduge tõeandmeallikad dokumentidega ning alustage oma koodi ja andmebaaside dokumenteerimist. Andmekultuuri ei saa üleöö üles ehitada, seega nõuab see kindlasti kannatlikkust.

Tahan märkida, et karjääris vigu teha on OK. Kõige tähtsam on nendest vigadest õppida ja neid edaspidi vältida. Või veel parem, kirjutage need üles, et aidata teistel vältida samu vigu.

 
Originaal. Loaga uuesti postitatud.

Bio: Tessa Xie on kogenud edasijõudnute analüüsikonsultant, kes on kogenud andmeteaduse, SQL-i, R-i, Pythoni, tarbijauuringute ja majandusuuringute alal ning kellel on tugev inseneritaust pärast magistrikraadi finantsinseneri erialal MIT-st.

Seotud:

• Kuidas üksainus viga raiskas 3 aastat minu andmeteaduse teekonda
• Andmeteadlased arvavad, et andmed on nende probleem nr 1. Siin on põhjus, miks nad eksivad.
• Õppimine kolmest suurest andmeteaduse karjääriveast