By Тесса Се, Старший научный сотрудник компании Cruise

Фото Брюс Марс on Unsplash.
 

Когда я впервые перешел от финансов к науке о данных, я почувствовал, что нахожусь на вершине мира - я получил работу в сфере моей мечты, моя карьера определена, я просто буду молчать и усердно работать, что может пойти не так? Что ж, было несколько вещей… В следующем году в качестве специалиста по обработке данных было сделано несколько ошибок, которые, я рад, что я поймал себя на том, что совершаю в начале своей карьеры. Таким образом, у меня было время подумать и скорректировать курс, пока не стало слишком поздно. Через некоторое время я понял, что эти ошибки довольно часты. Фактически, я наблюдал, как много DS вокруг меня все еще совершают эти ошибки, не подозревая, что они могут навредить их карьере в области данных в долгосрочной перспективе.

Если мой 5 уроков, которые преподал мне McKinsey, которые сделают вас лучшим специалистом в области данных были тем, чему я научился у лучших, уроки в этой статье — это уроки, которые я усвоил на собственном горьком опыте, и я надеюсь, что смогу помочь вам избежать повторения тех же ошибок.

Ошибка 1. Представление себя пешим солдатом, а не мысленным партнером.

 
 
Когда мы росли, нас всегда оценивали по тому, насколько хорошо мы можем следовать правилам и порядкам, особенно в школе. Вы станете лучшим учеником, если будете следовать учебникам, практиковаться на экзаменах и просто усердно работать. Многие люди, кажется, несут это мышление «пехотинца» в свою рабочую среду. На мой взгляд, именно такой образ мышления мешает многим специалистам по обработке данных максимизировать свое влияние и выделиться среди своих коллег. Я наблюдал за многими DS, особенно младшими, которые думают, что им нечего вносить в процесс принятия решений, и предпочли бы отступить на задний план и пассивно реализовывать решения, принятые за них. Это запускает порочный круг: чем меньше вы вносите свой вклад в эти обсуждения, тем меньше вероятность того, что заинтересованные стороны будут привлекать вас к будущим встречам, и тем меньше у вас будет возможностей внести свой вклад в будущем.

Позвольте мне привести вам конкретный пример разницы между пехотинцем и мысленным партнером в случае разработки модели. На собраниях по сбору данных и проведении мозгового штурма старый я пассивно записывал предложения заинтересованных сторон, чтобы потом я мог «идеально» реализовать их. Когда кто-то предлагал функцию, для которой, как я знал, у нас нет данных, я ничего не говорил, исходя из предположения, что они старше и должны знать то, что я упустил. Но знаете что, они этого не сделали. Позже я столкнулся с ситуацией, когда 50% функций, которые мы разработали, потребуют дополнительного сбора данных, что поставит под угрозу сроки выполнения нашего проекта. В результате я часто оказывался в конце концов в нежелательном положении вестника плохих новостей. В настоящее время, стремясь быть мыслительным партнером, я вовлекаюсь в разговор на раннем этапе и использую свое уникальное положение как человека, наиболее близкого к данным. Таким образом, я могу управлять ожиданиями заинтересованных сторон на ранней стадии и вносить предложения, которые помогут команде двигаться вперед.

Как этого избежать:

• Убедитесь, что вы не сдерживаетесь на встречах, на которых вы можете внести свой вклад с точки зрения данных: достаточно ли определений показателей заинтересованных сторон для того, что они хотят измерить? Доступны ли данные для измерения набора показателей? Если нет, можем ли мы найти прокси для данных, которые у нас есть?
• Синдром самозванца реально, особенно среди младших DS. Убедитесь, что вы знаете об этом, и всякий раз, когда вы задаетесь вопросом, следует ли вам сказать что-то, о чем «другие, возможно, уже подумали», или задать «глупый уточняющий вопрос», ВЫ ДОЛЖНЫ.
• Сохраняйте уровень любопытства к тому, над чем работают другие люди. Во многих случаях я обнаруживал, что могу повысить ценность, замечая пробелы, которые другие люди могли упустить из-за непонимания данных компании.

Ошибка 2: окунитесь в определенную область науки о данных

 
 
Хочу ли я стать инженером или специалистом по данным? Я хочу работать с данными о маркетинге и продажах или проводить геопространственный анализ? Возможно, вы заметили, что я использовал термин DS до сих пор в этой статье как общий термин для многих карьерные возможности, связанные с данными (например, специалист по обработке данных, специалист по анализу данных, аналитик данных и т. д.). Это потому, что в наши дни границы между этими названиями в мире данных настолько размыты, особенно в небольших компаниях. Я наблюдал, как многие специалисты по обработке данных считают себя ТОЛЬКО специалистами по данным, создающими модели, и не обращают внимания на какие-либо аспекты бизнеса, или инженеров по данным, которые сосредоточены только на конвейерной обработке данных и не хотят ничего знать о моделировании, которое происходит компания.

Лучшие специалисты по работе с данными - это те, кто умеет носить разные шляпы или, по крайней мере, понимать процессы, выполняемые другими ролями данных. Это особенно удобно, если вы хотите работать на начальной стадии или на стадии роста, где функции могут быть еще не столь специализированы, и ожидается, что вы будете гибкими и будете выполнять различные обязанности, связанные с данными. Даже если вы находитесь в четко определенном профиле должности, по мере того, как со временем вы приобретете больше опыта, вы можете обнаружить, что заинтересованы в переходе на другой тип роли данных. Этот поворот будет намного проще, если вы не поместите себя и свои навыки в узкую рамку одной конкретной роли.

Как этого избежать:

• Опять же, поинтересуйтесь проектами, над которыми работают другие роли данных. Запланируйте периодические встречи с коллегами, чтобы поговорить друг с другом об интересных проектах или попросить разные группы данных периодически делиться друг с другом своей работой / проектами.
• Если вы не можете получить доступ к другим ролям данных на работе, постарайтесь поддерживать / практиковать навыки работы с данными, которые вы не используете в свободное время. Например, если вы аналитик данных и давно не прикасались к моделированию, подумайте о том, чтобы попрактиковать навыки в сторонних проектах, таких как соревнование Kaggle.

Ошибка 3: отставание от развития отрасли.

 
 

Самодовольство убивает

Это знает каждый солдат, и каждый DS тоже должен. Самодовольно относиться к своим навыкам работы с данными и не тратить время на изучение новых - распространенная ошибка. Делать это в области данных более опасно, чем в некоторых других областях, потому что наука о данных - это относительно новая область, которая все еще переживает радикальные изменения и разработки. Постоянно появляются новые алгоритмы, новые инструменты и даже новые языки программирования.

Если вы не хотите быть тем одним специалистом по данным, который все еще знает, как использовать STATA только в 2021 году (он существует, я работал с ним), тогда вам нужно идти в ногу с развитием в этой области.

Не позволяй этому быть тебе (GIF от GIPHY)

Как этого избежать:

• Запишитесь на онлайн-классы, чтобы узнать о новых концепциях и алгоритмах или освежить в памяти те, которые вы уже знаете, но не использовали какое-то время на работе. Способность к обучению - это мышца, которую каждый должен продолжать практиковать, и обучение на всю жизнь, вероятно, лучший подарок, который вы можете подарить себе.
• Подпишитесь на информационный бюллетень DS или подпишитесь на блогера / публикацию DS на Medium и выработайте привычку следить за «новостями» DS.

Ошибка 4: чрезмерное сгибание аналитических мышц

 
 
Если у вас есть только молоток, все будет похоже на гвоздь. Не будь тем DS, который пытается использовать ML во всем. Когда я впервые вошел в мир науки о данных, я был так взволнован всеми причудливыми моделями, которые изучал в школе, и не мог дождаться, чтобы опробовать их на реальных задачах. Но реальный мир отличается от академических исследований, и 80 / 20 правила всегда в игре.

В моей предыдущей статье о «5 уроков, которые мне преподал McKinsey«Я писал о том, что влияние на бизнес и интерпретируемость иногда более важны, чем несколько дополнительных процентных пунктов точности вашей модели. Иногда модель Excel, основанная на предположениях, имеет больше смысла, чем многослойная нейронная сеть. В таких случаях не перенапрягайте свои аналитические мускулы и не переусердствуйте. Вместо этого проявите свои деловые мускулы и станьте DS, у которого также есть деловая хватка.

Как этого избежать:

• Имейте в своем арсенале полный спектр аналитических навыков / инструментов, от простого Excel до продвинутых навыков моделирования машинного обучения, чтобы вы всегда могли оценить, какой инструмент лучше всего использовать в ситуации, и не использовать оружие в драке на ножах.
• Прежде чем углубляться в анализ, разберитесь с потребностями бизнеса. Иногда заинтересованные стороны запрашивают модель машинного обучения, потому что это популярная концепция, и у них нереалистичные ожидания относительно того, на что способны модели машинного обучения. Ваша задача как DS - управлять ожиданиями и помогать им находить более простые и лучшие способы достижения своих целей. Воспоминание? Будьте мыслительным партнером, а не пехотинцем.

Ошибка 5. Думайте, что создание культуры данных - это чья-то работа.

 
 
В моей статье «6 основных шагов к созданию отличной культуры данных«Я писал о том, как жизнь специалистов по данным может быть ужасной и непродуктивной, если в компании не будет развитой культуры данных. Фактически, я слышал, как много DS жалуются на непродуктивные специальные запросы данных, которые должны легко обрабатываться заинтересованными сторонами в самодостаточной манере (например, изменение агрегирования с ежемесячного на ежедневное в Looker, что буквально состоит из двух щелчков мышью). ). Не думайте, что изменение этой культуры - это чья-то работа. Если вы хотите увидеть изменения, внесите их. В конце концов, кто может лучше подготовить культуру данных и обучать заинтересованных лиц, чем сами специалисты по данным? Помощь в формировании культуры данных в компании значительно упростит вам жизнь в будущем, а также вашим заинтересованным сторонам.

Как этого избежать:

• Возложите на себя ответственность проводить обучение для заинтересованных сторон, не занимающихся аналитикой, и разрабатывать ресурсы для самообслуживания.
• Убедитесь, что вы начинаете практиковать то, что проповедуете, начинаете связывать запросы со слайдами, связывать источники правдивых данных с документами и начинать документировать свой код и базы данных. Вы не можете создать культуру данных в одночасье, поэтому определенно потребуется терпение.

Я хочу отметить, что делать ошибки в своей карьере - это нормально. Самое главное - учиться на этих ошибках и избегать их в будущем. Или, что еще лучше, запишите их, чтобы помочь другим избежать тех же ошибок.

 
Оригинал, Перемещено с разрешения.

Bio: Тесса Се является опытным консультантом по расширенной аналитике, специализирующимся в области науки о данных, SQL, R, Python, потребительских и экономических исследований, с сильным инженерным опытом и получением степени магистра в области финансового инжиниринга в MIT.

Связанный:

• Как одна ошибка потратила 3 ​​года моего путешествия по науке о данных
• Специалисты по анализу данных считают, что данные - их проблема №1. Вот почему они ошибаются.
• Учимся на 3 карьерных ошибках в области Big Data Science