Что отличает выдающегося аналитика данных от хорошего?
5 апреля 2023 г.SQL, Python и другие технические навыки имеют решающее значение, но это только полдела
Почему одни аналитики данных более эффективны, чем другие? Я часто думаю об этом, размышляя о своем опыте руководства и обучения у широкого круга аналитиков данных. Кажется, что ответ всегда связан с конкретными темами, связанными с мышлением, подходом и системами лучших исполнителей, а не с их мастерством в какой-либо одной технической области.
Сильный набор технических навыков в качестве аналитика данных или специалиста по данным является обязательным, но он часто не работает сам по себе. Сочетание технических знаний с правильным сочетанием моделей поведения по пяти темам, описанным ниже, может стать суперсилой. Я воспользуюсь несколькими примерами, чтобы показать, как любой аналитик данных при определенном планировании и тщательности может включить подобное поведение в свой собственный рабочий процесс. Некоторые из этих тем переходят одна в другую, но для ясности мы раскроем каждую отдельно. Я буду писать так, как если бы вы были аналитиком данных в службе потоковой передачи музыки, но основные выводы не должны зависеть от отрасли.
(1) Ожидание & Активность
Для практиков, которые часто очень увлечены прогнозным моделированием, мы не тратим достаточно времени на упражнения в этой способности прогнозирования, чтобы расставлять приоритеты для наших собственных ежедневных или еженедельных задач. Способность предвидеть и проактивно предоставить анализ, модель или просто электронное письмо может иметь большое значение для завоевания доверия и укрепления доверия.
Давайте рассмотрим простой пример этого на практике. Предположим, вы создали полезный автоматический отчет по электронной почте, на который полагаются несколько команд, чтобы отслеживать ежедневные показатели роста и вовлеченности. Если показатель в этом электронном письме значительно падает, несколько команд приостанавливают свою текущую работу, чтобы углубиться и скорректировать курс. Теперь давайте предположим, что это прямо перед Рождеством, и вы помните из предыдущего анализа, что в первую неделю каждого нового года число еженедельных слушателей уменьшается из-за сезонности. Чтобы взволнованные коллеги не обращались к вам за разъяснениями постфактум, вы можете опередить эту тенденцию и заблаговременно отправить электронное письмо с необходимым контекстом до того, как произойдет сброс.
Оглядываясь назад, сообщение об этой грядущей аномалии данных может показаться очевидным, но на практике этого недостаточно. Большинство аналитиков данных намного лучше реагируют на входящие вопросы или запросы, чем предпринимают активные действия. Простое изменение времени действия может значительно повлиять на то, насколько хорошо оно будет воспринято.
Ожидание и проактивность — две стороны одной медали. Способность предвидеть потребность без принятия каких-либо упреждающих действий не будет иметь никакого внешнего воздействия. Это может помочь вам проверить правильность вашего мыслительного процесса, но больше ничего не даст. Точно так же, чтобы действовать упреждающе и полезно, ключевое значение имеет ожидание.
(2) Эмпатия & Уровень детализации
Учитывая, как много уже написано о важности общения и рассказывания историй для аналитика данных, я хочу сосредоточить наше внимание на качестве, лежащем в основе этих навыков , — эмпатии. Значение чуткости для специалиста по работе с данными невозможно переоценить.
Понимание бизнес-проблем, важных для ваших заинтересованных сторон, их болевых точек, их сильных и слабых сторон, положительно повлияет на вашу работу и ее действенность.
Представьте, что вы аналитик данных и работаете с редакцией. Для тех, кто не знаком с областью потоковой передачи музыки, редакционная команда отвечает за курирование списков воспроизведения по различным темам и жанрам. Глава этого отдела обращается к вам за отчетом, содержащим лучшие и худшие плейлисты на основе их количества слушателей и потоков. Как аналитик данных, который сочувствует команде, вы копаете глубже, чтобы понять основную цель запроса. В этом случае получается, что команда пытается определить плейлисты, которые приносят больше всего повторного прослушивания и общего вовлечения на платформе.
Учитывая ваше более глубокое понимание проблемы, вы решаете выйти за рамки того, о чем просили, также включая удержание слушателей и показатели пропусков для каждого плейлиста. Наконец, поскольку каждый редактор в редакционной группе занимается курированием определенного языка, вы также предоставляете возможность фильтровать свой отчет по отдельным языкам.
В этой ситуации простое предоставление того, что было изначально запрошено, возможно, удовлетворило редакцию. Однако, поставив себя на место редакторов и сопереживая им, вы значительно улучшили качество и удобство конечного продукта. При этом вы также приняли важное решение об уровне детализации, необходимом для обеспечения эффективности.
Сознательное обдумывание соответствующего уровня детализации, чтобы донести свою точку зрения, является важным навыком, который идет рука об руку с эмпатией. Выдающиеся аналитики данных могут выявлять ситуации, требующие дополнительной детализации, как в приведенном выше примере, но в равной степени хорошо знают, когда ситуация требует обобщения и простоты.
Например, могут быть случаи, когда вы работаете над очень техническим проектом или проектом, в котором вы изучили несколько подходов, прежде чем нашли прорыв. В таких случаях, представляя ваш окончательный анализ нетехническим заинтересованным сторонам, важно сопротивляться желанию поделиться всеми подробностями о процессе и лежащей в его основе технической теории. Вместо этого акцент должен быть сделан на ключевых выводах и предлагаемых следующих шагах. Если аудитория потребует более подробной информации о процессе и технической теории, обязательно держите эту информацию под рукой, но не делайте ее основной темой своей презентации. п
(3) Отдельные системы и процессы
Учитывая ограниченную пропускную способность и кажущееся бесконечным количество входящих запросов, понятно, что аналитики данных часто оказываются в постоянном цикле перехода от одной операционной задачи к другой.
Выдающиеся аналитики данных знают, что находятся в этих циклах, и знают, когда пора выпрыгнуть и сосредоточиться на повышении общей производительности и эффективности. Они не боятся заранее инвестировать время в создание систем и процессов, если это значительно сэкономит им время в будущем.
Например, предположим, что руководство регулярно связывается с вами, чтобы объяснить, почему общие бизнес-показатели изменились вверх или вниз. В любой день вы можете получать вопросы следующего содержания:
- «Похоже, что вчера наши потоки в целом сильно упали. Это точно? Что случилось?»
- "Эй, я как раз собирал данные о наших ежедневных тенденциях слушателей за последний год. Я заметил несколько выбросов в ежедневных числах, разбросанных в течение года. Не могли бы вы рассказать мне, что происходило в каждую из этих дат? Извините за краткое уведомление, но мне нужно это для предстоящей встречи. Не могли бы вы вернуться ко мне завтра к концу дня? :)”
Два приведенных выше вопроса являются лишь примерами этой общей темы вопросов:
Можете ли вы помочь объяснить, почему определенные ключевые показатели увеличились/уменьшились больше или меньше, чем ожидалось?
Поскольку вы опытный аналитик данных, вы узнали эту тему и решили настроить несколько систем, которые помогут вам с этим повторяющимся типом вопросов в будущем. Во-первых, вы создаете простую электронную таблицу со следующей информацией, автоматически обновляемой ежедневно:
- Ежедневные значения основных бизнес-показателей за последние несколько лет
- Процентное изменение показателей за день, а также z-значения для указания значимости
- Столбец «Примечания», чтобы вы могли вручную добавлять комментарии в будущем. Вы можете использовать это, чтобы вызвать любые внутренние или внешние события, которые повлияли на основные показатели в заданную дату. Например, значение в этом столбце от 26 марта 23 г. может выглядеть так: "Внутренняя инженерная проблема: приложение было недоступно в течение 4 часов, что отрицательно сказалось на ежедневном количестве слушателей и потоков".
В дополнение к приведенному выше листу вы также начинаете тратить время на разработку подробных потоков процессов, к которым вы можете обратиться, когда критические бизнес-показатели упадут. Эти потоки процессов помогают упростить процесс принятия решений и сократить задержку между выявлением проблемы и внедрением корректирующих действий. Вы относитесь к этой системе как к постоянно незавершенной работе, повторяя и улучшая ее с каждым случаем снижения показателей.
Пример такого потока процесса для метрики ежедневных потоков показан ниже: n
Наконец, в заключение этого раздела я хотел бы поделиться цитатой, которую недавно нашел в книге Джеймса Клира Атомные привычки. Он формулирует важность темы «Отдельные системы и процессы» лучше, чем я когда-либо мог:
<цитата>«Вы не достигаете уровня своих целей. Вы опускаетесь до уровня своих систем».
(4) Знание 20 наизнанку
Большинство из нас, возможно, знакомы с принципом Парето или правилом 80/20. Проще говоря, он показывает, как небольшое количество элементов может оказать огромное влияние на конечную цель или результат. Например:
* 80% ваших потоков будут исходить всего от 20% ваших слушателей * 80 % вашего дохода будет приходиться всего на 20 % ваших клиентов
80 и 20 являются приблизительными значениями, но они помогают выделить большую точку. Этот принцип так же уместен при оценке наиболее важных областей вашей работы. Всегда будет небольшой набор определений, метрик, запросов, информационных панелей или других элементов, которые наиболее важно знать изнутри на любом этапе вашей карьеры.
Аналитики данных, которые быстро определяют, что для них значит эта 20-ка, и тратят время на ее глубокое изучение, становятся бесценными для своих команд. Например, предположим, что вы недавно начали работать с командой платных подписок. Эта команда отвечает за рост платежеспособной клиентской базы компании. Они в значительной степени полагаются на ваше аналитическое мнение и активно обращаются к вам за советом во время регулярных командных планирований и мозговых штурмов.
Чтобы внести значимый вклад в эти сессии, вы понимаете, что у вас под рукой есть базовый набор точек данных, которые вам нужно знать. Эти точки данных настолько важны для этой области, что на них ссылаются почти в каждом обсуждении. Итак, вы составляете основной список этих точек данных и решаете каждый день выделять 20–30 минут в день на их изучение. Вы делаете это несколько раз, пока эти данные и лежащие в их основе аналитические сведения не поступят к вам автоматически.
Фактический список этих точек данных («20») будет варьироваться в зависимости от отрасли, компании и контекста команды, но вот один пример того, как этот список может выглядеть для команды платных подписок:
* Общее количество платных подписчиков и тенденция за последние 1–2 года * Пять крупнейших рынков по числу платных подписчиков и тенденция за последние 1–2 года * Пять лучших планов подписки (например, месячный студенческий план, годовой семейный план и т. д.) и тенденция за последние 1–2 года * Количество новых, вернувшихся и реактивированных платных подписчиков * Коэффициент удержания (или отток) для различных планов платной подписки * CAC, LTV и ARPU платного подписчика * Коэффициент перехода от бесплатной пробной версии к платной подписке
На первый взгляд может показаться, что нужно запомнить много информации, но это становится очень выполнимым при некотором внимании, планировании и повторении. Знание точных цифр навскидку менее важно, чем четкое представление об их приблизительном уровне и относительном рейтинге. Кроме того, поскольку фактические значения вряд ли резко изменятся за короткие периоды, полученные знания сослужат вам хорошую службу в течение длительного периода времени.
Это не означает, что вы не должны обращаться к соответствующим информационным панелям, отчетам или анализам в режиме реального времени, когда это необходимо. Напротив, это неизбежно и иногда предпочтительнее, когда требуется высокий уровень детализации или точности. Однако такой уровень детализации требуется лишь в некоторых ситуациях.
Гораздо сложнее опередить игру и активно участвовать в обсуждениях, если вам нужно обращаться к документу для каждой точки данных. Знание своих 20-ти наизнанку поможет вам избежать этого и быть более внимательным.
(5) последовательное обучение
Я уверен, что мы все отвечали или слышали, как кто-то отвечал на вопрос на собеседовании что-то вроде «Я быстро учусь» или «Я этого не знаю, но я могу этому научиться».< /p>
Большинство аналитиков данных выражают желание освоить новый навык или накопить опыт в новой области. Однако зачастую ключевым отличием является не желание или любопытство учиться, а подход к обучению. Люди, которые относятся к обучению как к постоянному путешествию, а не к случайным разовым задачам, выделяются в течение продолжительных периодов времени, поскольку их знания и набор навыков складываются.
Для многих акт обучения становится привязанным исключительно к тому моменту, когда на работе возникает конкретная потребность в нем. Это, однако, дает вашей работе возможность диктовать, что вы изучаете, а также объем и скорость вашего обучения. Это не надежная долгосрочная стратегия. Это может хорошо работать в первые несколько месяцев на новой работе, когда есть чему поучиться, но скорость обучения неизбежно стабилизируется по мере того, как вы будете чувствовать себя более комфортно в своей роли.
Напротив, установка на постоянное обучение означает, что вы будете постоянно уделять небольшое количество времени ежедневно или еженедельно совершенствованию чего-либо. Это что-то может быть связано, а может и не быть связано с тем, что вы делаете на работе в данный момент. Это делает отношения между работой и обучением менее жесткими или транзакционными и более устойчивыми на протяжении многих лет. В некоторых случаях работа будет диктовать, чему вам нужно учиться, а в других случаях то, что вы узнаете, повлияет на ваш план работы.
Заключение
Подводя итог, можно сказать, что большинству из нас хорошо удается быть в курсе последних технических навыков, которые могут помочь нам в карьере. Тем не менее, нам также необходимо применять тот же уровень строгости и внимания к развитию нетехнических тем, выделенных выше. Эта способность сбалансировать эти два аспекта и эффективно развиваться как в технической, так и в нетехнической сфере — вот что помогает лучшим специалистам выделяться среди других.
Оригинал