«Поздравляем, вы станете нашим первым специалистом по данным…», «Мы рады приветствовать вас в нашей организации в качестве младшего специалиста по данным..», «Я рад предложить вам должность младшего специалиста по данным в нашей компания". Возможно, вы помните, что несколько недель или месяцев назад получали аналогичное поздравительное письмо от отдела кадров и с большим энтузиазмом относились к тому, чтобы начать работать младшим специалистом по данным в компании; возможно, даже ваша первая работа после получения ученой степени. Однако в первые несколько недель или месяцев работы все может пойти не так, как ожидалось.
Вы чувствуете себя потерянным и обремененным чувством неспособности изящно преуспеть в роли. Это еще более расстраивает, поскольку вы, возможно, единственный в компании, кто хоть как-то разбирается в науке о данных. Вы задаетесь вопросом, было ли это правильным решением принять предложение, поскольку, похоже, вы не занимаетесь тем, на чем специализировались во время учебы в бакалавриате или магистратуре. Если вы ловите себя на том, что щелкаете пальцами или шепчете «я понимаю» эти рассказы, то этот пост для вас. Если вы также рассматриваете возможность стать специалистом по данным в стартапе, то эти советы также могут быть вам полезны.
Быть младшим специалистом по данным в небольшой/стартап-компании (скажем, из 10–100 человек) совсем не так, как в крупной зрелой компании. Это действительно непростая задача. Я говорю это потому, что, по сути, компаниям такого типа нужен не специалист по данным, а скорее универсал данных или просто специалист по данным. Обычно у них нет полного понимания того, для чего им нужно использовать свои данные. Просто есть ощущение, что у них много данных, которые кажутся полезными, но на самом деле нет никого, кто знает, как сделать их полезными. С другой стороны, вы, вероятно, привыкли иметь дело с конкретными, четко определенными исследовательскими проектами/проблемами, что действительно делает вас ученым. Эта головоломка может вывести вас за пределы вашей зоны комфорта и создать бремя или давление, к которым вы, возможно, не готовы. В этом посте я хочу поделиться уроками, которые я узнал о том, как преодолеть давление младшего специалиста по данным и преуспеть в своей роли.
Советы
- Ставьте реалистичные цели. Первый совет, которым я хочу поделиться, заключается в том, что вы не должны подвергать себя ненужному давлению. Ваш работодатель не ожидает, что вы станете чудотворцем; за исключением, конечно, того, что вы обещали им во время вашего интервью творить чудеса. Большинство из этих организаций знают, что для создания компании, зрелой в области данных, требуется время, и поэтому они могут даже не ожидать, что вы выполните проект данных в свой первый год. Усилия, направленные на то, чтобы заставить компанию стать управляемой данными и использовать возможности обработки данных в своих продуктах, обычно требуют многолетних межфункциональных усилий, которые вы не можете решить самостоятельно. Не думайте, что вы не добились успеха, если вы не развернули свою первую модель машинного обучения или не внедрили сценарий использования науки о данных в течение первых шести месяцев. В первые несколько недель подумайте о том, чего вы хотите достичь за год работы с компанией, и продолжайте уточнять эти ожидания, основываясь на ресурсах, поддержке и общем направлении, в котором движется компания. Всегда помогает, если у вас есть личный менеджер или наставник в компании, который может помочь вам привести ваши ожидания в соответствие с целями компании. Если компания не назначит вам такого наставника, наберитесь смелости попросить такого наставника внутри компании.
- Задавайте вопросы. Затем спросите еще раз. Вопросы помогут вам понять проблемы, с которыми сталкивается компания. Это также поможет определить потенциальные исследовательские вопросы, по которым вы можете сформулировать гипотезу, которая приведет к экспериментам или фундаментальным строительным блокам, которые вы сможете начать в течение первых нескольких недель. Задавайте много вопросов о продукте, о том, как клиенты используют продукт, об источниках данных (данные об использовании, данные о клиентах, журналы), о внедрении функций в продукте и т. д. Это поможет вам лучше понять данные. которые есть у компании, и понять потенциальные варианты использования или проекты, которые могут быть запущены в ближайшее время. В первые дни вы хотите знать самые важные вопросы бизнеса, потому что, в конце концов, наука о данных — это средство для достижения цели — развития бизнеса и решения проблем, с которыми сталкивается бизнес. Задавание вопроса также может послужить толчком для новых идей для коллег, которые уже провели значительное время в компании. Озарения и прорывы являются обычным явлением всякий раз, когда присутствуют новые перспективы. Вполне вероятно, что, поскольку вы новичок в компании, вы придете с новыми перспективами, и ваши вопросы могут стать катализатором для прорывов в решении проблемы, с которой столкнулась компания.
- Начните с высокоуровневой статистики. Панель инструментов и аналитика, вероятно, не то, на что вы подписались. Вы можете захотеть внедрить модели машинного обучения с самого начала, но реальность такова, что большинство начинающих/небольших компаний просто недостаточно созрели для возможностей машинного обучения в продукте, который предоставляется их клиентам. То, что дают информационные панели и аналитика, — это представление о производительности и состоянии компании сегодня. Возможный проект данных, над которым вы могли бы работать в первые дни, — предоставление соответствующим заинтересованным сторонам компании информации о том, как клиенты используют продукт или услугу, которую вы им предлагаете. В зависимости от того, сколько усилий вы хотите приложить к такому проекту, вы можете настроить Google Analytics, API и простой веб-интерфейс, или вы можете подумать о создании собственной внутренней системы аналитики (я бы предложил здесь легко использовать доступные аналитические фреймворки). Я помню, как сидел с менеджером по работе с клиентами в течение первых нескольких недель на моей первой работе и формулировал проект отчетности по проверке состояния клиентов. т. е. насколько хорошо клиент взаимодействовал с нашим продуктом и получал от этого пользу. Подобные проекты помогают предоставлять потенциально полезную информацию соответствующим людям, которые затем делают с ней что-то осязаемое, например. предотвращение оттока клиентов.
- Понимание того, что продает компания и что нужно клиентам.Ваша способность находить решения для обработки данных внутри компании столь же эффективна, как и ваше знание продукта, который продает компания, и ваше знание клиентов, которым вы продаете. Это говорит о том, что важно иметь информацию о том, для чего клиенты используют продукт, их болевые точки при использовании продукта, как ваш продукт повышает ценность их повседневной работы и т. д. Не зная об этом, вы можете в конечном итоге решать проблемы, которые не приносят пользы ни вашей компании, ни вашим клиентам. Опять же, наука о данных — это средство для достижения цели — развития бизнеса/решения бизнес-проблем; и поэтому каждое внедряемое решение по науке о данных должно иметь такой результат. Вот почему необходимо быть ближе к продукту и поведению клиентов, чтобы вы могли легко определить ценные варианты использования или решения для науки о данных. Многие крупные и более зрелые компании предлагают обучение по своему продукту новым сотрудникам во время адаптации. Однако это не всегда так для небольших компаний. Поэтому в первые несколько недель проводите обычные беседы с менеджерами по продукту, консультантами и другими коллегами, обладающими обширными знаниями о продукте и клиентах. Вы бы очень хорошо знали области, которые можно улучшить в продукте, используя решения для науки о данных.
- Имейте образ мышления универсального специалиста. Как я уже упоминал ранее, малым/стартапам не нужны специалисты по обработке и анализу данных. Им нужны люди, которые имеют широкое представление о проблемах с данными разного масштаба и могут предложить разумные решения, поскольку многие основы еще предстоит заложить внутри компании. Это означает, что имеющихся у вас знаний может быть недостаточно, чтобы преуспеть в этой роли. Например, чтобы иметь возможность построить аналитическую систему, вам нужно знать, как извлекать данные из нескольких источников данных, преобразовывать данные и загружать их в другой репозиторий данных, например. озеро данных, хранилище данных (этот процесс называется ETL). Этот процесс чаще встречается у специалистов по базам данных или инженеров данных. Однако, поскольку вы, возможно, считаетесь «экспертом по данным» в компании, можно ожидать, что такие задачи соответствуют вашему опыту.
Как специалист по науке о данных, ваш опыт может быть ограничен верхними частями пирамиды в иерархии потребностей, как показано на изображении выше. Однако специалист широкого профиля будет владеть большинством, если не всеми уровнями пирамиды. В этой статье Путь и образ мышления, чтобы стать успешным специалистом по науке о данных, я выделил некоторые аспекты того, что значит и что необходимо для того, чтобы стать специалистом по науке о данных. Таким образом, вам нужно быть открытым для изучения новых вещей и выхода за пределы своей зоны комфорта, потому что вам придется столкнуться с множеством новых задач, выходящих за рамки вашей компетенции. Расширьте свои знания. Читайте глубоко и практикуйте широко. Следите за достижениями в сообществе специалистов по данным, а также быстро учитесь и практикуйтесь в решении задач в других областях, связанных с данными.
Заключение
Эта статья определенно не является исчерпывающей по своему содержанию. Возможно, я упустил из виду некоторые другие важные советы для достижения успеха в качестве младшего специалиста по данным, однако я хотел поделиться важными уроками, которые я извлек из собственного опыта, когда начинал в качестве младшего специалиста по данным. Я надеюсь, что это будет полезно для тех, кто начинает свою карьеру в качестве специалиста по данным в небольшой/стартап-компании.
