By Tessy Xie, starszy analityk danych w Cruise at

Photo by Bruce Mars on Unsplash.
 

Kiedy po raz pierwszy przeszedłem z finansów do nauki o danych, czułem się, jakbym był na szczycie świata — dostałem pracę w mojej wymarzonej dziedzinie, moja ścieżka kariery jest ustalona, ​​będę po prostu trzymać głowę spuszczoną i ciężko pracować, Co mogłoby pójść źle? Cóż, było kilka rzeczy… Przez następny rok jako data scientist popełniłem kilka błędów, które cieszę się, że przyłapałem się na popełnieniu na początku mojej kariery. W ten sposób miałem czas na refleksję i korektę kursu, zanim było za późno. Po pewnym czasie zdałem sobie sprawę, że te błędy są dość powszechne. W rzeczywistości zauważyłem, że wielu DS wokół mnie nadal popełnia te błędy, nieświadomi, że mogą one na dłuższą metę zaszkodzić ich karierze w zakresie danych.

Jeśli mój McKinsey nauczył mnie 5 lekcji, dzięki którym staniesz się lepszym badaczem danych czego nauczyłem się od najlepszych, lekcje z tego artykułu to te, których nauczyłem się na własnej skórze i mam nadzieję, że pomogę Ci uniknąć popełniania tych samych błędów.

Błąd 1: Postrzeganie siebie jako żołnierza piechoty zamiast partnera myślowego

 
 
Dorastając zawsze byliśmy oceniani na podstawie tego, jak dobrze potrafimy przestrzegać zasad i poleceń, zwłaszcza w szkole. Będziesz najlepszym uczniem, jeśli będziesz postępować zgodnie z podręcznikiem, ćwiczyć egzaminy i po prostu wkładać ciężką pracę. Wydaje się, że wiele osób przenosi ten sposób myślenia „piechoty” do swojego środowiska pracy. Moim zdaniem jest to dokładnie ten sposób myślenia, który powstrzymuje wielu naukowców zajmujących się danymi od maksymalizacji ich wpływu i wyróżnienia się na tle rówieśników. Obserwowałem wielu DS, zwłaszcza młodszych, uważających, że nie mają nic do wniesienia do procesu podejmowania decyzji i wolą raczej wycofać się na dalszy plan i biernie wdrażać podjęte za nich decyzje. To uruchamia błędne koło — im mniej wnosisz swój wkład w te dyskusje, tym mniej prawdopodobne jest, że interesariusze zaangażują Cię w przyszłe spotkania i tym mniej będziesz miał możliwości wniesienia swojego wkładu w przyszłości.

Pozwólcie, że podam konkretny przykład różnicy między żołnierzem piechoty a partnerem myślowym w przypadku rozwoju modelu. Podczas spotkań poświęconych gromadzeniu danych i burzy mózgów, stary ja biernie robiłem notatki na temat sugestii interesariuszy, abym mógł je później „idealnie” wdrożyć. Gdy ktoś zaproponował funkcję, o której wiedziałem, że nie mamy danych, nic bym nie powiedział, wychodząc z założenia, że ​​jest starszy i musi wiedzieć coś, co przeoczyłem. Ale wiecie co, nie zrobili tego. Później stanąłem w obliczu sytuacji, w której 50% funkcji, które przeprowadziliśmy burzą mózgów, wymagałoby dodatkowego gromadzenia danych, co naraziłoby na szwank termin realizacji naszego projektu. W rezultacie często znajdowałem się w niepożądanej pozycji posłańca niosącego złe wieści. W dzisiejszych czasach starając się być partnerem myślowym, angażuję się na początku rozmowy i wykorzystuję swoją wyjątkową pozycję jako osoby, która jest najbliżej danych. W ten sposób mogę na wczesnym etapie zarządzać oczekiwaniami interesariuszy i przedstawiać sugestie, które pomogą zespołowi iść naprzód.

Jak tego uniknąć:

• Upewnij się, że nie powstrzymujesz się przed spotkaniami, na których możesz wnieść coś z perspektywy danych: czy definicje metryk przez interesariuszy są wystarczające do tego, co chcą mierzyć? Czy dostępne są dane do pomiaru zestawu metryk? Jeśli nie, czy możemy znaleźć proxy dla danych, które posiadamy?
• Zespół oszusta Imp jest prawdziwy, zwłaszcza wśród juniorów DS. Upewnij się, że zdajesz sobie z tego sprawę, a za każdym razem, gdy pytasz, czy powinieneś powiedzieć coś, o czym „inni już mogli pomyśleć” lub zadać „głupie, wyjaśniające pytanie”, POWINNOŚĆ.
• Utrzymuj poziom ciekawości nad tym, nad czym pracują inni ludzie. Jest wiele okazji, w których odkryłem, że mogę dodać wartość, dostrzegając luki, które inni ludzie mogli przeoczyć z powodu braku zrozumienia danych firmy.

Błąd 2: Zaszufladkuj się w konkretny obszar nauki o danych

 
 
Czy chcę być inżynierem danych czy naukowcem danych? Czy chcę pracować z danymi marketingowymi i sprzedażowymi, czy przeprowadzić analizę geoprzestrzenną? Być może zauważyłeś, że do tej pory używam w tym artykule terminu DS jako ogólnego terminu dla wielu ścieżki kariery związane z danymi (np. inżynier danych, analityk danych, analityk danych itp.). Dzieje się tak dlatego, że w dzisiejszych czasach granice między tymi tytułami w świecie danych są tak zatarte, zwłaszcza w mniejszych firmach. Zauważyłem, że wielu naukowców zajmujących się danymi postrzega siebie jako TYLKO naukowców budujących modele i nie zwracających uwagi na żadne aspekty biznesowe ani inżynierów danych, którzy skupiają się tylko na potokach danych i nie chcą nic wiedzieć o modelowaniu, które ma miejsce w Firma.

Najlepsze talenty danych to te, które potrafią nosić wiele czapek lub przynajmniej są w stanie zrozumieć procesy innych ról związanych z danymi. Jest to szczególnie przydatne, jeśli chcesz pracować na wczesnym etapie lub we wczesnym stadium rozwoju, gdzie funkcje mogą nie być jeszcze tak wyspecjalizowane, a od Ciebie oczekuje się elastyczności i pokrycia różnych obowiązków związanych z danymi. Nawet jeśli masz jasno określony profil zawodowy, w miarę zdobywania coraz większego doświadczenia możesz odkryć, że jesteś zainteresowany przejściem na inny rodzaj roli danych. Ten obrót będzie znacznie łatwiejszy, jeśli nie zaszufladkujesz siebie i swoich umiejętności do wąskiego zakresu jednej konkretnej roli.

Jak tego uniknąć:

• Ponownie, bądź ciekawy projektów, nad którymi pracują inne role danych. Zaplanuj okresowe spotkania ze współpracownikami, aby porozmawiać ze sobą o interesujących projektach lub aby różne zespoły danych okresowo dzieliły się ze sobą swoją pracą/projektami.
• Jeśli nie możesz mieć kontaktu z innymi rolami związanymi z danymi w pracy, postaraj się utrzymać/ćwiczyć umiejętności związane z danymi, których nie używasz w wolnym czasie. Na przykład, jeśli jesteś analitykiem danych i od jakiegoś czasu nie dotykałeś modelowania, rozważ ćwiczenie umiejętności w zewnętrznych projektach, takich jak konkurs Kaggle.

Błąd 3: Nie nadążanie za rozwojem w terenie

 
 

Samozadowolenie zabija

Każdy żołnierz to wie i każdy DS też powinien. Częstym błędem jest zadowolenie ze swoich umiejętności związanych z danymi i brak czasu na naukę nowych. Robienie tego w polu danych jest bardziej niebezpieczne niż w niektórych innych obszarach, ponieważ nauka o danych to dziedzina, która jest stosunkowo nowa i wciąż doświadcza drastycznych zmian i postępów. . Wciąż pojawiają się nowe algorytmy, nowe narzędzia, a nawet nowe języki programowania.

Jeśli nie chcesz być jednym naukowcem zajmującym się danymi, który w 2021 roku nadal tylko wie, jak używać STATA (on istnieje, pracowałem z nim), to musisz być na bieżąco z rozwojem w tej dziedzinie.

Nie pozwól, by to był ty (GIF przez GIPHY)

Jak tego uniknąć:

• Zapisz się na zajęcia online, aby poznać nowe koncepcje i algorytmy lub odświeżyć te, które już znasz, ale nie używałeś od dłuższego czasu w pracy. Umiejętność uczenia się to mięsień, który każdy powinien ćwiczyć, a bycie uczniem przez całe życie to prawdopodobnie najlepszy prezent, jaki możesz sobie podarować.
• Zapisz się na newsletter DS lub obserwuj blogera/publikację DS na Medium i wyrób nawyk śledzenia „wiadomości” DS.

Błąd 4: Nadmiernie napinaj mięśnie analityczne

 
 
Jeśli masz tylko młotek, wszystko wygląda jak gwóźdź. Nie bądź tym DS, który próbuje używać ML do wszystkiego. Kiedy po raz pierwszy wszedłem w świat nauki o danych, byłem tak podekscytowany wszystkimi wymyślnymi modelami, których nauczyłem się w szkole, i nie mogłem się doczekać, aby wypróbować je wszystkie w rzeczywistych problemach. Ale prawdziwy świat różni się od badań akademickich, a Reguła 80 / 20 jest zawsze w grze.

W moim poprzednim artykule o „5 lekcji, których nauczył mnie McKinsey”, napisałem o tym, jak wpływ na biznes i możliwość interpretacji są czasami ważniejsze niż dodatkowe kilka punktów procentowych dokładności modelu. Czasami może model Excela oparty na założeniach ma więcej sensu niż wielowarstwowa sieć neuronowa. W takich przypadkach nie nadmiernie napinaj swoich analitycznych mięśni i spraw, aby twoje podejście było przesadne. Zamiast tego napnij swoją siłę biznesową i zostań DS, który ma również zmysł biznesowy.

Jak tego uniknąć:

• Posiadaj pełen zakres umiejętności/narzędzi analitycznych w swojej zbrojowni, od prostego Excela po zaawansowane umiejętności modelowania ML, dzięki czemu zawsze możesz ocenić, które narzędzie jest najlepsze w danej sytuacji i nie przynosić broni do walki na noże.
• Zrozum potrzeby biznesowe przed zagłębieniem się w analizę. Czasami interesariusze żądają modelu ML, ponieważ jest to popularna koncepcja i mają nierealistyczne oczekiwania co do możliwości modeli ML. Twoim zadaniem jako DS jest zarządzanie oczekiwaniami i pomaganie im w znajdowaniu lepszych i prostszych sposobów na osiągnięcie ich celów. Pamiętać? Bądź myślącym partnerem, a nie żołnierzem piechoty.

Błąd 5: Pomyśl, że budowanie kultury danych to praca kogoś innego

 
 
W moim artykule „6 niezbędnych kroków do zbudowania wspaniałej kultury danych„Napisałem o tym, jak życie naukowców zajmujących się danymi może być okropne i bezproduktywne, jeśli firma nie ma świetnej kultury danych. W rzeczywistości słyszałem wiele osób DS narzekających na bezproduktywne żądania danych ad hoc, które powinny być łatwo obsługiwane przez interesariuszy w sposób samowystarczalny (na przykład zmiana agregacji z miesięcznej na dzienną w Lookerze, która dosłownie składa się z dwóch kliknięć ). Nie myśl, że zmiana tej kultury to praca kogoś innego. Jeśli chcesz zobaczyć zmiany, wprowadź je. W końcu kto jest lepiej przygotowany do budowania kultury danych i edukowania interesariuszy na temat danych niż sami naukowcy danych? Pomoc w budowaniu kultury danych w firmie znacznie ułatwi Twoje życie w przyszłości, a także Twoim interesariuszom.

Jak tego uniknąć:

• Twoim obowiązkiem jest prowadzenie szkoleń dla interesariuszy nieanalitycznych i opracowywanie zasobów samoobsługowych.
• Upewnij się, że zaczynasz ćwiczyć to, co głosisz, łączyć zapytania ze slajdami, łączyć źródła danych z danymi z dokumentami oraz dokumentować swój kod i bazy danych. Nie można zbudować kultury danych z dnia na dzień, więc zdecydowanie wymaga to cierpliwości.

Chcę zaznaczyć, że popełnianie błędów w karierze jest W porządku. Najważniejszą rzeczą jest uczenie się na tych błędach i unikanie ich w przyszłości. Albo jeszcze lepiej, zapisz je, aby pomóc innym uniknąć popełniania tych samych błędów.

 
Oryginalny. Przesłane za zgodą.

Bio: Tessy Xie jest doświadczonym konsultantem ds. zaawansowanej analityki, posiadającym umiejętności w zakresie analityki danych, SQL, R, Python, badań konsumenckich i badań ekonomicznych z silnym doświadczeniem inżynierskim, po uzyskaniu tytułu magistra inżynierii finansowej na MIT.

Związane z:

• Jak jeden błąd zmarnował 3 lata mojej podróży do nauki danych
• Naukowcy zajmujący się danymi uważają, że dane są ich problemem nr 1. Oto dlaczego się mylą.
• Uczenie się na 3 błędach kariery w Big Data Science