И что делать, чтобы этого не произошло
Harvard Business Review назвал специалиста по обработке данных самой сексуальной работой 21 века, но многие из этих профессий не являются сексуальными, и люди часто увольняются, потому что ожидания не соответствуют действительности. Как человек, который работал специалистом по данным и аналитиком данных, я хочу поделиться своими советами о том, как избежать желания бросить работу аналитика данных в течение нескольких месяцев после начала работы.
Ожидание 1: я смогу использовать передовые алгоритмы машинного обучения для решения сложных проблем, которые повлияют на бизнес.
К сожалению, это не относится к большинству вакансий в области науки о данных, потому что вам нужно уравновешивать потребности бизнеса со временем. Трудно оправдать высшему руководству время, которое вы потратите на погоню за незначительным повышением точности с помощью блестящих новых алгоритмов, когда простой дает аналогичные результаты.
Как специалист по данным, я поддерживал электронный маркетинг и большую часть времени тратил на построение моделей покупательской склонности. У меня не было возможности попробовать другие модели, потому что в этом не было необходимости для бизнеса. Моя работа не имела большого влияния, потому что электронный маркетинг составлял небольшую часть общего дохода. Я так сильно хотел уйти, что чуть не ушел, не найдя сначала другую работу. Учитесь на моих ошибках.
Как стать ближе к вашим ожиданиям:
- Внимательно прочтите описание должности. Основная ответственность - создание моделей машинного обучения? Остерегайтесь названий должностей, потому что должности аналитика данных могут иметь звания аналитика данных.
- Уточните ожидания от должности во время собеседования. Если в описание должности входит создание информационных панелей или конвейеров ETL, спросите, какой процент вашего времени будет посвящен этим обязанностям. Если ожидается, что моделирование займет лишь небольшую часть вашего времени, тогда эта работа не для вас.
- Спросите, какие группы в компании вы будете поддерживать. Не все группы созданы равными. Группы, приносящие доход, такие как продажи или продукты, становятся более заметными, если ваш вклад может повлиять на их KPI. Задайте вопросы о бизнес-модели и о том, как компания зарабатывает деньги. Какие группы помогают развивать бизнес? Если ваша роль поддерживает эти группы, ваши модели потенциально могут иметь большое влияние на доход. Это не означает, что вам следует отклонить предложение, если роль поддерживает центр затрат, но вы должны принять это во внимание.
Ожидание 2: я весь день собираю модели.
Чтобы иметь возможность создавать модели в течение всего дня, вам нужна соответствующая инфраструктура данных и технологии, поддерживающие это. Во всех компаниях, в которых я работал, мне приходилось иметь дело с данными, которые были децентрализованными, грязными, недокументированными или комбинацией этих трех.
Как стать ближе к вашим ожиданиям:
- Спросите о стеке технологий. Если интервьюер упоминает электронные таблицы Excel и базу данных Access, бегите за горами. (К сожалению, в то время я был консультантом, а это был клиент, поэтому мне пришлось остаться на месте.) Если интервьюер упоминает недавнее программное обеспечение и инструменты, вы знакомы с этим хороший знак.
- Спросите о доступности данных. Подтвердите, что у компании есть база данных с данными. Некоторые компании только начинают свою деятельность, и данных для моделирования может быть очень мало. Есть ли инженеры по обработке данных, которые помогут вам загрузить новые данные, или вы должны заниматься разработкой ETL самостоятельно? Если данных мало или вы тратите дни на загрузку данных, у вас не будет времени на построение моделей, а это не та работа, которая вам нужна.
- Спросите, как организована группа данных. Убедитесь, что вы нанимаете данные первым, потому что, скорее всего, вы будете работать над любой задачей, связанной с данными, а моделирование будет последним, что вам нужно будет делать. Спросите, сколько еще аналитиков данных входит в команду. Проверьте, есть ли отдельная команда аналитиков данных. Лучшим сценарием является работа в компании с отдельными командами по обработке и анализу данных. Наличие двух команд означает, что вы с большей вероятностью будете строить модели, в то время как аналитики данных создают информационные панели и проводят анализ данных.
Ожидание 3. Компания понимает ценность науки о данных, потому что еще зачем они наняли меня.
В отчете Deloitte говорится, что важность анализа данных растет и играет важную роль в качестве ресурса принятия решений для руководителей. Однако информационная грамотность - распространенная проблема в организациях. Компании хотят быть управляемыми данными, как и все остальные, но большинство из них не понимают, как использовать науку о данных для увеличения стоимости бизнеса.
Как стать ближе к вашим ожиданиям:
- Спросите о примерах прошлых проблем и о том, какие модели использовались для их решения. Этот вопрос поможет вам оценить зрелость науки о данных в компании. Если вы не можете получить хороший ответ, это красный флаг. Скорее всего, они плохо понимают, какой вклад может внести наука о данных, и вы будете разочарованы из-за недостаточной грамотности данных. Остерегайтесь работать в компаниях, где наука о данных еще не доказана, потому что вы столкнетесь с большим сопротивлением при внедрении.
- Узнайте, как представить машинное обучение нетехническим специалистам. Скорее всего, вам придется представить результаты своей модели разным аудиториям. Многие из них не понимают, что такое машинное обучение. Научитесь объяснять, как ваша модель может принести пользу бизнесу. Этот навык принесет вам пользу на любой должности в области науки о данных и поможет заинтересованным сторонам оценить ценность, которую вы добавляете.
Я надеюсь, что эти советы помогут вам найти работу специалиста по обработке данных, которая будет соответствовать вашим ожиданиям. Хотя временами это расстраивает, вознаграждение стоит затраченных усилий. Спасибо за чтение и, пожалуйста, не отказывайтесь от науки о данных!
