Один день из жизни специалиста по данным

Наука о данных - это многомерная область, в которой используются научные методы, инструменты и алгоритмы для извлечения знаний и идей из структурированных и неструктурированных данных.

Слышали это определение n раз? Я хочу, чтобы книжный язык всегда был правдой.

На самом деле Data Scientist делает гораздо больше, чем просто изучает данные. Это правда, что его работа вращается вокруг данных, но помимо этого она также включает ряд других процессов, основанных на данных.

Это многопрофильная область. Он включает в себя систематическое сочетание научных и статистических методов, процессов, разработки алгоритмов и технологий для извлечения значимой информации из данных.

Вы также можете узнать о необходимых инструментах и навыках, необходимых для науки о данных.

Итак, как все эти области работают вместе?

Чтобы понять это, вам нужно знать процесс науки о данных / повседневную работу специалиста по данным:

1) задает вопросы, чтобы сформулировать бизнес-проблему.

На первом этапе попытайтесь получить представление о потребностях компании и извлечь данные на их основе. Вы начинаете процесс науки о данных, задавая правильные вопросы, чтобы выяснить, в чем проблема. Возьмем очень распространенную проблему компании по производству сумок - проблему продаж.

Для анализа проблемы вам нужно начать с задания множества вопросов:

а) Кто является целевым рынком и покупателями?

б) Как вы подходите к целевому рынку?

в) Как сейчас выглядит процесс продаж?

г) Какая информация у вас есть о целевом рынке?

д) Как определить клиентов, которые с большей вероятностью купят наш продукт?

После обсуждения с командой маркетинга вам необходимо сосредоточиться на проблеме: Как мы можем определить потенциальных клиентов, которые с большей вероятностью купят наш продукт? Подождите! Вы все еще сомневаетесь или думаете, что этому трудно научиться? Затем ознакомьтесь с разделом Науку о данных сложно изучить! Миф или правда? , чтобы прояснить ваше замешательство.

Следующим шагом для вас будет выяснить, какие все данные доступны вам, чтобы ответить на вышеуказанные вопросы.

2) Получите релевантные данные для анализа проблемы

Теперь, когда вы знаете о своей бизнес-проблеме, пришло время собрать данные, которые помогут вам решить эту проблему. Перед сбором данных вы должны спросить, доступны ли уже требуемые данные в компании?

Во многих случаях вы можете получить наборы данных, ранее собранные в ходе других расследований. Требуются данные, относящиеся к следующему: возраст, пол, история предыдущих транзакций клиентов и т. Д. Спрос на эти данные очень важен, и это причина того, почему Сделка на сумму 15,3 миллиарда долларов между Salesforce и Tableau .

Вы обнаружите, что большая часть данных о клиентах доступна в программном обеспечении компании для управления взаимоотношениями с клиентами (CRM), которым управляет отдел продаж.

База данных SQL - это основной инструмент для программного обеспечения CRM с несколькими таблицами. Когда вы просматриваете базу данных SQL, вы обнаруживаете, что система хранит подробную идентификационную, контактную и демографическую информацию о клиентах (которую они предоставили компании), а также подробный процесс их продаж. Ознакомьтесь с Руководствами по SQL, чтобы получить больше информации.

Если вы считаете, что имеющихся данных недостаточно, вы должны принять меры для сбора новых данных. Вы даже можете получать отзывы от посетителей и клиентов, отображая или распространяя форму обратной связи. Согласен, это большая инженерная работа, требующая времени и усилий.

Собранные вами данные на самом деле являются необработанными данными, которые содержат ошибки и пропущенные значения. Поэтому, прежде чем анализировать данные, вам нужно очистить (обработать) данные.

3) Изучите данные, чтобы исправить ошибки.

Изучение данных на самом деле очищает и систематизирует их. На этот процесс тратится более 70% времени специалистов по данным. Несмотря на то, что вы собрали все данные, вы не готовы их использовать, потому что чаще всего собранные вами необработанные данные, вероятно, содержат странности.

Во-первых, вам нужно убедиться, что данные чистые и не содержат ошибок. Это самый важный шаг в процессе, требующий терпения и сосредоточенности.

Для этого используются различные инструменты и методы, такие как Python, R, SQL и т. Д.

Затем вы начинаете отвечать на эти вопросы:

Есть ли в данных пропущенные значения, т.е. есть ли клиенты без их контактных номеров?

Есть недопустимые значения? Если есть, как это исправить?

Есть несколько наборов данных? Слияние наборов данных - хороший выбор? Если да, то как их объединить?

Как только вы обнаружите недостающие и ложные значения в своих данных, они готовы к анализу. Помните, что получить неверную информацию из данных хуже, чем вообще ничего не понимать.

4) Смоделируйте данные для углубленного анализа

После изучения данных у вас будет достаточно информации, чтобы создать модель, чтобы ответить на вопрос: «Как мы можем определить потенциальных клиентов, которые с большей вероятностью купят наш продукт?»

На этом этапе вы анализируете данные, чтобы получить из них информацию. Анализ данных требует применения различных алгоритмов, которые извлекут из них смысл:

Создайте модель данных, чтобы ответить на вопрос

Проверить модель по собранным данным

Использование различных инструментов визуализации для представления данных

Выполните необходимые алгоритмы и статистический анализ

Сравните результаты с другими методами и источниками

Однако ответы на эти вопросы дадут вам только подсказки и гипотезы. Моделирование данных - это простой способ аппроксимировать данные в правильном уравнении, понятном машине. Вы должны уметь делать прогнозы на основе модели. Возможно, вам придется попробовать несколько моделей, чтобы найти наиболее подходящую.

Возвращаясь к проблеме продаж, эта модель поможет вам предсказать, какие клиенты с большей вероятностью купят. Прогноз может быть конкретным, например, женский возраст от 16 до 36 лет, проживающий в Индии.

5) Сообщите результаты анализа

Коммуникативные навыки - важная часть работы специалиста по данным, но их также очень недооценивают. На самом деле это будет очень сложной частью вашей работы, поскольку она включает в себя представление ваших результатов общественности и другим членам команды в доступной для них форме.

Вам необходимо эффективно сообщить результаты указанной ранее проблемы:

График или диаграмма информации для презентации с помощью инструментов - R, Python, Tableau, Excel

Используйте «рассказывание историй», чтобы соответствовать результатам

Ответьте на различные дополнительные вопросы

Представлять данные в разных форматах - отчеты, веб-сайты

Поверьте, ответы всегда вызывают больше вопросов, и процесс начинается снова.

Резюме:

Надеюсь, вы поняли, как работает наука о данных. Это был взгляд на день в работе аналитика данных. Конкретные задачи включают:

Выявление аналитических проблем, связанных с данными, которые открывают большие возможности для организации.
Сбор больших наборов структурированных и неструктурированных данных из самых разных источников.
Определение правильных наборов данных и переменных.
Очистка и устранение ошибок из данных для обеспечения точности и полноты.
Придумывать и применять модели, алгоритмы и методы для майнинга хранилищ больших данных.
Анализ данных для выявления скрытых закономерностей и тенденций.
Интерпретация данных для поиска решений и возможностей и принятия решений на их основе.
Сообщение результатов менеджерам и другим людям с помощью визуализации и других средств.

Наука о данных - обширная область, основанная на нескольких областях. Повседневная работа - это не прогулка по торту, но необходимо знание основных областей. Но, как справедливо сказано, бесплатного обеда не бывает, получение навыков работы с данными также требует определенных затрат.

Надеюсь, вам понравилась эта статья.