Узнайте, как Бекки Такер преодолела неудачу в своей академической карьере, чем она занимается в Netflix и как важно слушать с сочувствием.
Netflix произвел революцию в том, как мы смотрим, и превратил потоковый контент на основе подписки в норму. Netflix является доминирующим игроком в этой сфере, имея более 139 миллионов глобальных подписчиков и 51% рынка США.
Бекки Такер работает в Netflix почти пять лет. В настоящее время она работает старшим специалистом по обработке данных в команде Studio Science and Analytics. В этой статье мы говорим о ее переходе в науку о данных из физики, о ее работе в Netflix и о важности слушать с сочувствием и смирением.
Переход к науке о данных
До своей карьеры в области науки о данных Бекки увлекалась физикой и космосом. Она закончила бакалавриат физики в Технологическом институте Джорджии с упором на астрономию. Получив удовольствие от преподавания и обучения, она защитила докторскую диссертацию по физике в Калифорнийском технологическом институте в группе наблюдательной космологии.
Она присоединилась к группе в качестве экспериментатора, выполняя лабораторные работы и анализ данных как в Matlab, так и в Python. Однако к четвертому курсу она начала разочаровываться в перспективах работы в академических кругах. Тип работы, который ее интересовал, означал, что в год будет только две или три академических должности с постоянным сроком, и у них, как правило, была очень жесткая конкуренция.
Что еще хуже, на последнем году обучения в аспирантуре из-за закрытия правительства Управление полярных программ отменило весь сезон запусков приборов, что привело к двухлетней задержке с запуском ее эксперимента. В результате она могла либо остаться еще на два года, чтобы довести свой проект до завершения, либо сделать карьеру чем-то новым.
Поскольку все оборудование ее лаборатории застряло в Новой Зеландии, и пройдет несколько месяцев, прежде чем они смогут его вернуть, у нее было много свободного времени. Это пустое пространство позволило ей пересмотреть свои сомнения относительно академических кругов, поэтому она начала исследовать некоторые типичные альтернативные карьеры для получения докторской степени по физике, включая количественные финансы, аэрокосмическую промышленность, оборону, научный консалтинг и относительно новую область науки о данных. Из ее чтения и обсуждений с людьми в этой области она поняла, что наука о данных идеально подходит для нее.
Хотя у нее был некоторый опыт программирования и она работала с нейронными сетями на нескольких стажировках, эта область была для нее совершенно чужой. К счастью, она наткнулась на Программу Insight Data Science, предназначенную для докторов наук в областях STEM, которые хотят перейти в науку о данных. Учитывая пустое место в ее расписании, она смогла получить благословение своего консультанта на участие.
Приступая к программе, у нее были хорошие навыки Python для физика, но плохие навыки для программиста. У нее также не было знаний о базах данных или SQL, а также она не обладала ограниченными знаниями в области машинного обучения и ряда других концепций, необходимых для того, чтобы стать эффективным специалистом по данным.
Однако благодаря физическому обучению она меньше боялась сложных проблем и уже приобрела навыки самостоятельного обучения сложным понятиям. Этот образ мышления был выражен для нее в немецкой фразе «Sitzfleisch», что примерно переводится как «сидящая плоть» или способность сидеть на стуле достаточно долго, чтобы справиться с трудной проблемой.
Ближе к концу программы у класса была возможность провести роуд-шоу, где они продемонстрировали свои личные проекты в разных компаниях в рамках двухминутной презентации. Проектом Бекки было OnLocationMap, веб-приложение, которое определяло и отображало места, где снимались фильмы с использованием Python и MySQL. Она уже была большим поклонником кино, и в результате проект был тем, что она искренне заинтересована в воплощении в жизнь. Учитывая ее личные интересы в кино и многообещающие навыки работы с данными, роль в Netflix казалась ролью мечты.
После презентации своего проекта в их офисе, она смогла договориться о собеседовании, которое привело к предложению начать работу через три месяца. Это дало ей достаточно времени, чтобы вернуться в аспирантуру и закончить диссертацию (с использованием данных калибровки и испытаний, а не полетных данных), что позволило ей получить степень доктора философии и приступить к своей новой должности.
Вспоминая время, проведенное в Insight, Бекки была благодарна за полученный опыт. Самое ценное, что она извлекла из этого, - это узнать о том, чего она не знала, чего не знала. В частности, как выглядела отрасль, как люди думают о бизнес-показателях, а также о жаргоне и навыках, необходимых для успешной работы в сфере науки о данных. Это также подтвердило ее решение заняться технологиями и оставить академический мир позади.
Наука о данных в Netflix
Только что окончившая аспирантуру, Бекки присоединилась к Netflix в их офисе в Лос-Анджелесе в команде Data Science and Engineering. В то время большая часть компании работала в Лос-Гатосе, поэтому офис в Лос-Анджелесе был довольно небольшим. Ее команда состояла из 12 человек, всего около 250 человек в офисе в Лос-Анджелесе.
Она нашла переход легким, отчасти благодаря замечательным и отзывчивым людям в ее команде, которые помогли ей набрать обороты. Она никогда не чувствовала себя плохо из-за того, что чего-то не знала, и команда активно помогала ей в поиске проектов в первые несколько месяцев.
Вначале большая часть ее работы была связана с анализом сериала Netflix Original, который в то время состоял из трех шоу. Работа над этими проектами резко контрастировала с ее работой в академических кругах, где было трудно увидеть немедленный эффект от ее работы.
Вскоре она оказалась на руководящей должности, где в настоящее время делит свое время между аналитикой и прогнозным моделированием. Тип работы, которую она выполняет, часто меняется, и в любой момент времени она может работать над тремя средними и одним небольшим проектами. Из этих проектов 50% могут окупиться в течение квартала, в то время как другая половина может иметь результаты, выходящие за рамки квартала. Хотя тип работы, которую она выполняет, часто заключается в совместной работе с общими кодовыми базами, большинство ее проектов являются автономными.
Один из ее любимых аспектов культуры Netflix - акцент на контексте, а не на контроле. Хотя ее менеджер и заинтересованные стороны могут рассказать ей о том, что происходит в компании, и о том, что, по их мнению, может быть важным, она сама решает, над чем работать наиболее важно. Обычно это означает определение приоритетности проектов, которые могут оказать наибольшее влияние на бизнес.
Совет для других
Когда ее спросили, какой совет она дала бы себе пять лет назад, она дала следующие советы:
- Не забывайте о важности программной инженерии в науке о данных. Если вы думаете, что код, который вы создаете, проживет несколько кварталов, инвестируйте в создание надежного кода. Это означает добавление комментариев, создание читабельного и понятного кода для дальнейшего обслуживания.
- Хотя машинное обучение может быть важным аспектом ее работы, ее роль специалиста по обработке данных - это как бизнес-роль, так и техническая. В результате для вашего успеха очень важно иметь возможность с сочувствием и смирением выслушивать заинтересованных лиц. Важным переосмыслением является то, что ваша работа должна помогать людям, которые уже являются экспертами, лучше выполнять свою работу, а не указывать им, как выполнять свою работу.
- Продолжай учиться! Все разные, но она обнаружила, что один из лучших способов учиться - это покупать учебники и работать над ними, посвящая 45 минут каждое утро. Умение изучить основы учебника и применить их в работе - отличный способ закрепить концепции. (Она рекомендует Элементы статистического обучения и Проведение байесовского анализа данных)
- Общаясь с заинтересованными сторонами, научитесь использовать метафоры и аналогии, чтобы сделать вашу точку зрения более понятной. Эта стратегия принесла огромные плоды при попытке объяснить причины, по которым что-то может или не может работать, заинтересованным сторонам нетехнического профиля.
