By טסה שי, מדען נתונים בכיר בקרוז

תמונה על ידי ברוס מארס on Unsplash.
 

כשעשיתי את המעבר מפיננסים למדעי הנתונים לראשונה, הרגשתי שאני בפסגת העולם - קיבלתי עבודה בתחום החלומות שלי, מסלול הקריירה שלי מוגדר, אני רק אשמור את הראש למטה ואעבוד קשה, מה יכול להשתבש ובכן, היו כמה דברים... בשנה שלאחר מכן כמדען נתונים, היו כמה טעויות שאני שמח שתפסתי את עצמי עושה בתחילת הקריירה שלי. בדרך זו, היה לי זמן להרהר ולתקן את הקורס לפני שיהיה מאוחר מדי. לאחר זמן מה הבנתי שהטעויות האלה די נפוצות. למעשה, ראיתי הרבה DS סביבי שעדיין עושים את הטעויות האלה, בלי לדעת שהן עלולות לפגוע בקריירת הנתונים שלהם בטווח הארוך.

אם שלי 5 שיעורים מקינזי לימדו אותי שיהפכו אותך למדען נתונים טוב יותר היו מה שלמדתי מהטובים ביותר, השיעורים במאמר זה הם אלה שלמדתי בדרך הקשה, ואני מקווה שאוכל לעזור לך להימנע מלעשות את אותן טעויות.

טעות 1: לראות את עצמך כחייל רגל במקום שותף למחשבה

 
 
כשגדלנו, תמיד העריכו אותנו על סמך עד כמה אנחנו יכולים לציית לכללים ולפקודות, במיוחד בבית הספר. אתה תהיה התלמיד המוביל אם תעקוב אחר ספר הלימוד ותתרגל בחינות ופשוט תשקיע עבודה קשה. נראה שהרבה אנשים נושאים את הלך הרוח הזה של "חייל רגל" לתוך סביבת העבודה שלהם. לדעתי, זה הלך הרוח המדויק שמפריע להרבה מדעני נתונים למקסם את ההשפעה שלהם ולהתבלט מהחברים שלהם. ראיתי הרבה DS, במיוחד זוטרים, חושבים שאין להם מה לתרום לתהליך קבלת ההחלטות והם מעדיפים לסגת לרקע וליישם באופן פסיבי החלטות שהתקבלו עבורם. זה פותח מעגל קסמים - ככל שתתרום פחות לדיונים הללו, כך יקטן הסיכוי שבעלי העניין יערבו אותך בפגישות עתידיות, ופחות תקבלי הזדמנות לתרום בעתיד.

הרשו לי לתת לכם דוגמה קונקרטית להבדל בין חייל רגלי לשותף למחשבה במקרה של פיתוח מודל. בפגישות איסוף הנתונים וסיעור מוחות, אני הזקן נהג לרשום באופן פסיבי הערות על הצעות של בעלי עניין כדי שאוכל ליישם אותן "מושלם" בהמשך. כשמישהו הציע תכונה שידעתי שאין לנו נתונים לגביה, לא הייתי אומר שום דבר על סמך ההנחה שהם בכירים יותר והם חייבים לדעת משהו שהתעלמתי ממנו. אבל נחשו מה, הם לא עשו זאת. מאוחר יותר אתמודד עם המצב ש-50% מהפיצ'רים שסיעור מוחות ידרשו איסוף נתונים נוסף שיעמיד את מועד הפרויקט שלנו בסיכון. כתוצאה מכך, לעתים קרובות מצאתי את עצמי בעמדה הלא רצויה של השליח נושא החדשות הרעות בסופו של דבר. בשאיפה להיות שותף למחשבה בימינו, אני מערב את עצמי מוקדם בשיחה וממנף את העמדה הייחודית שלי כאדם הכי קרוב לנתונים. בדרך זו, אני יכול לנהל את הציפיות של בעלי העניין בשלב מוקדם ולהציע הצעות שיעזרו לצוות להתקדם.

כיצד להימנע מכך:

• וודאו שאתם לא מתאפקים בפגישות בהן תוכלו לתרום משהו מנקודת המבט של הנתונים: האם הגדרות המדדים של בעלי העניין מספיקות למה שהם רוצים למדוד? האם נתונים זמינים למדידת ערכת המדדים? אם לא, האם נוכל למצוא פרוקסי לנתונים שיש לנו?
• תסמונת מתחזה הוא אמיתי, במיוחד בקרב DS זוטרים. ודא שאתה מודע לכך, ובכל פעם שאתה שואל אם אתה צריך להגיד משהו ש"אחרים אולי כבר חשבו עליו" או לשאול "שאלת הבהרה טיפשית", אתה צריך.
• שמרו על רמת סקרנות לגבי מה אנשים אחרים עובדים עליו. יש הרבה מקרים שבהם גיליתי שאני יכול להוסיף ערך על ידי שימת לב לפערים שאנשים אחרים אולי התעלמו בגלל חוסר ההבנה שלהם בנתוני החברה.

טעות 2: פתח את עצמך בתחום מסוים של מדעי הנתונים

 
 
האם אני רוצה להיות מהנדס נתונים או מדען נתונים? האם אני רוצה לעבוד עם נתוני שיווק ומכירות או לבצע ניתוח גיאו-מרחבי? אולי שמתם לב שעד כה השתמשתי במונח DS במאמר זה כמונח כללי עבור הרבה מסלולי קריירה הקשורים לנתונים (למשל, מהנדס נתונים, מדען נתונים, מנתח נתונים וכו'). הסיבה לכך היא שהקווים כל כך מטושטשים בין הכותרות הללו בעולם הנתונים בימינו, במיוחד בחברות קטנות יותר. ראיתי הרבה מדעני נתונים רואים את עצמם רק כמדעני נתונים הבונים מודלים ואינם שמים לב לאף היבט עסקי או למהנדסי נתונים שמתמקדים רק בצנרת נתונים ולא רוצים לדעת שום דבר על המודלים שמתרחשים ב. החברה.

כשרונות הנתונים הטובים ביותר הם אלה שיכולים לחבוש כובעים רבים או לפחות מסוגלים להבין את התהליכים של תפקידי נתונים אחרים. זה שימושי במיוחד אם אתה רוצה לעבוד בשלב מוקדם או בשלב צמיחה, כאשר הפונקציות עדיין לא כל כך מתמחות, ומצפים ממך להיות גמיש ולכסות מגוון של אחריות הקשורות לנתונים. גם אם אתה נמצא בפרופיל עבודה מוגדר בבירור, ככל שאתה מקבל יותר ניסיון עם הזמן, אתה עשוי לגלות שאתה מעוניין לעבור לסוג אחר של תפקיד נתונים. הציר הזה יהיה הרבה יותר קל אם לא תכניס את עצמך ואת מערך הכישורים שלך למוקד הצר של תפקיד ספציפי אחד.

כיצד להימנע מכך:

• שוב, היה סקרן לגבי הפרויקטים שעובדים עליהם תפקידי נתונים אחרים. קבע פגישות תקופתיות עם עמיתים כדי לדבר זה עם זה על פרויקטים מעניינים או שצוותי נתונים שונים ישתפו את העבודה/פרויקטים שלהם זה עם זה מעת לעת.
• אם אינך יכול לקבל חשיפה לתפקידי נתונים אחרים בעבודה, נסה להתעדכן/לתרגל את כישורי הנתונים שבהם אינך משתמש בזמן הפנוי שלך. לדוגמה, אם אתה מנתח נתונים ולא נגעת בדוגמנות זמן מה, שקול לתרגל את המיומנויות באמצעות פרויקטים חיצוניים כמו תחרות Kaggle.

טעות 3: לא לעמוד בקצב ההתפתחות בתחום

 
 

שאננות הורגת

כל חייל יודע את זה, וגם כל DS צריך. להיות שאנן לגבי כישורי הנתונים שלך ולא להקדיש זמן ללמוד חדשים זו טעות נפוצה. לעשות זאת בתחום הנתונים מסוכן יותר מאשר בתחומים אחרים מכיוון שמדעי הנתונים הם תחום חדש יחסית ועדיין חווה שינויים ופיתוחים דרסטיים. יש כל הזמן אלגוריתמים חדשים, כלים חדשים ואפילו שפות תכנות חדשות.

אם אתה לא רוצה להיות אותו מדען נתונים אחד שעדיין יודע להשתמש ב-STATA רק בשנת 2021 (הוא קיים, עבדתי איתו), אז אתה צריך לעקוב אחר ההתפתחויות בתחום.

אל תתן לזה להיות אתה (GIF מאת GIPHY)

כיצד להימנע מכך:

• הירשם לשיעורים מקוונים כדי ללמוד על מושגים ואלגוריתמים חדשים או לרענן את אלה שאתה כבר מכיר אך לא השתמשת במשך זמן מה בעבודה. היכולת ללמוד היא שריר שכולם צריכים להמשיך לתרגל, ולהיות לומד לכל החיים זו כנראה המתנה הכי טובה שאתה יכול לתת לעצמך.
• הירשם לניוזלטר של DS או עקוב אחר בלוגר/פרסום של DS ב-Medium ופתח הרגל לעקוב אחר "החדשות" של DS.

טעות 4: הגמישות יתר של השריר האנליטי שלך

 
 
אם כל מה שיש לך זה פטיש, הכל נראה כמו מסמר. אל תהיה ה-DS שמנסה להשתמש ב-ML בכל דבר. כשנכנסתי לראשונה לעולם מדעי הנתונים, כל כך התלהבתי מכל המודלים המפוארים שלמדתי בבית הספר ולא יכולתי לחכות לנסות את כולם על בעיות בעולם האמיתי. אבל העולם האמיתי שונה ממחקר אקדמי, וה כלל 80/20 תמיד במשחק.

במאמר הקודם שלי על "5 שיעורים שמקינזי לימדה אותי," כתבתי על כך שההשפעה העסקית והפרשנות חשובות לפעמים יותר מנקודות האחוז הנוספות של הדיוק של המודל שלך. לפעמים אולי מודל אקסל מונע הנחות הגיוני יותר מרשת עצבית רב-שכבתית. במקרים אלה, אל תגמיש יתר על המידה את השריר האנליטי שלך ותהפוך את הגישה שלך למוגזם. במקום זאת, להגמיש את השריר העסקי שלך ולהיות ה-DS שיש לו גם חוש עסקי.

כיצד להימנע מכך:

• יש לך מגוון שלם של מיומנויות/כלים אנליטיים בנשקייה שלך, מאקסל פשוט ועד מיומנויות מודל מתקדמות של ML, כך שאתה תמיד יכול להעריך באיזה כלי הכי טוב להשתמש במצב ולא להביא אקדח לקרב סכינים.
• הבן את הצרכים העסקיים לפני התעמקות בניתוח. לפעמים בעלי עניין היו מבקשים מודל ML כי זה רעיון פופולרי, ויש להם ציפיות לא מציאותיות לגבי מה שמודלים של ML יכולים לעשות. תפקידך כ-DS לנהל את הציפיות ולעזור להם למצוא דרכים טובות ופשוטות יותר להשיג את מטרותיהם. זכור? היה שותף למחשבה, לא חייל רגלי.

טעות 5: תחשוב שבניית תרבות נתונים היא תפקידו של מישהו אחר

 
 
במאמר שלי "6 שלבים חיוניים לבניית תרבות נתונים נהדרת," כתבתי על איך חייהם של מדעני נתונים יכולים להיות איומים ולא פרודוקטיביים אם לחברה אין תרבות נתונים מצוינת. למעשה, שמעתי הרבה DS מתלוננים על בקשות נתונים אד-הוק לא פרודוקטיביות שאמורות להיות מטופלות בקלות על ידי בעלי עניין בצורה עצמאית (לדוגמה, שינוי צבירה מחודשי ליומי ב-Looker, שפשוט מורכבת משני קליקים ). אל תחשוב ששינוי התרבות הוא תפקידו של מישהו אחר. אם אתה רוצה לראות שינויים, בצע אותם. אחרי הכל, מי ממוקם טוב יותר לבנות את תרבות הנתונים ולחנך את בעלי העניין לגבי נתונים מאשר מדעני הנתונים עצמם? עזרה בבניית תרבות הנתונים בחברה תהפוך את חייך להרבה יותר קלים בהמשך הדרך, כמו גם לבעלי העניין שלך.

כיצד להימנע מכך:

• הפוך את האחריות שלך לערוך הדרכה לבעלי העניין הלא אנליטיים ולפתח משאבים לשירות עצמי.
• ודא שאתה מתחיל לתרגל את מה שאתה מטיף, התחל לקשר שאילתות לשקופיות, קשר מקורות נתונים של אמת למסמכים, והתחיל לתעד את הקוד ומסדי הנתונים שלך. אתה לא יכול לבנות תרבות נתונים בין לילה, אז זה בהחלט דורש סבלנות.

אני כן רוצה לציין שזה בסדר לעשות טעויות בקריירה שלך. הדבר החשוב ביותר הוא ללמוד מהטעויות הללו ולהימנע מהן בעתיד. או אפילו טוב יותר, רשום אותם כדי לעזור לאחרים להימנע מלעשות את אותן טעויות.

 
מְקוֹרִי. פורסם מחדש באישור.

Bio you טסה שי הוא יועץ ניתוח מתקדם מנוסה המיומן במדעי הנתונים, SQL, R, Python, מחקר צרכנים ומחקר כלכלי עם רקע הנדסי חזק לאחר תואר שני התמקד בהנדסה פיננסית מ-MIT.

מידע נוסף:

• איך טעות בודדת בזבזה שלוש שנים של מסע מדעי הנתונים שלי
• מדענים נתונים חושבים שנתונים הם הבעיה הראשונה שלהם. הנה הסיבה שהם טועים.
• למידה מ-3 טעויות גדולות בקריירה של Data Science