Приоритезация работы в Data Science

Приоритезация работы в data science
Приоритезация работы в data science

Как data scientist, пытающийся поддержать организацию, вы должны постоянно решать, над какой задачей  должны работать. Вы можете управлять всеми видами задач, такими как:

    • задачи от заинтересованных сторон, например, составить график продаж с течением времени для большой завтрашней встречи,
    • идеи, по вашему мнению, которые имеют долгосрочную перспективу, например, создание модели CLV для прогнозирования клиентов с высоким доходом и
    • туманные задачи из других направлений бизнеса, например, помощь в определении — почему удержание клиентов происходит в одном из регионов.

Трудно сбалансировать самое главное, и то что можно добавить на задний план, особенно когда у вас есть несколько человек, которые запрашивают у вас анализ данных. И часто работа, которую люди считают очень важной для них, может быть неважной для бизнеса в целом. Часто вы являетесь более младшим сотрудником, чем человек, делающий запрос на анализ данных, что делает его еще более сложным для отклонения, даже если вы это трудно выполнимо. Все это создает среду, в которой решение того, над чем вы работаете, может сильно влиять на бизнес, но также вы ограничены в выборе.

Это тема, с которой я лично боролся в своей карьере. Когда люди со всего бизнеса приходят ко мне с вопросами о данных, я почти всегда хочу ответить на них, а не разочаровывать. И, как правило, я думаю, что запросы интересны! Однако попытка выполнить каждый запрос неустойчива, поскольку запросы на ответы бесконечны. Кроме того, ответ на один вопрос часто приводит к новым вопросам, поэтому выполнение запросов часто создает дополнительную работу, а не уменьшает объем работы, которую нужно выполнять.

Рассматривая возможный анализ, есть два вопроса, на которые я хочу ответить первым:

  • Есть ли понимание того, окажет ли анализ данных существенное влияние на компанию? А также,
  • Является ли эта инновационная работа чем-то новым для бизнеса?

Ответы на эти два вопроса создают четыре типа очень разных видов работы, см. рисунок.

Что мы все хотим, чтобы мы делали (инновационно и результативно) 😊

Идеальный проект — это инновационная работа и изменение бизнеса. Например, проект будет создавать модель churn, которая будет стимулировать маркетинговые усилия, чтобы вернуть клиентов. Это та работа, в которой люди попадают в data science. К сожалению, под эту категории попадает не так много проектов — просто сложно найти новаторские области, где вы действительно можете изменить бизнес. Если вы найдете проект в этой области, сделайте все возможное, чтобы его получить.

Предоставление доказательств (не новаторских, но эффективных) 🙂

Это проекты, которые не новаторские, но изменяют бизнес, поэтому, по определению, работа ценна. Часто это объясняет доказательство того, что все подозревают, верно — это не особенно инновационно, но это помогает. Например, люди в бизнесе могут подозревать, что клиенты некоторых демографических групп с некоторой вероятностью возвращаются. Без этого доказательства, менеджеры не пытаются исправить маркетинговую проблему. Если вы можете сделать некоторые проверки, которые показывают, что гипотеза верна, вы можете помочь решить бизнес — проблему. Это не гламурная работа, но это все еще полезная. Если вы получите такую ​​работу, попробуйте сделать это.

Быть обособленным (инновационно, но не результативно) 🤨

Это новаторская но не полезная для бизнеса работа с большими затрами. Эти проекты часто поступают из Data Science команды, когда у людей есть идеи для новых областей моделирования или анализов, основанных на интересных методологиях. Пример — попытаться использовать машинное обучение для сегментирования клиентов, а не для представления о том, для чего вы будете использовать сегменты. Без человека вне команды, работа, вероятно, не сдвинется с места. Как data scientist’у, вам легко почувствовать что как только вы закончите проект, люди смогут найти для этого применение. На практике, если вы не видите применение, то менеджеры также его не увидят. Не зацикливайтесь на работе над этими проектами, так как они приведут вас к уменьшению личного вклада в работу.

Отчетность (ни инновационная, ни результативная) 😴

Работа, которая ничего не меняет и не является инновационной, обычно заканчивается тем, что она представляет отчетность. Это снабжает людей цифрами и KPI, чтобы они могли контролировать бизнес и обеспечить бесперебойную работу. Иногда предприятия могут иметь хорошие бизнес процессы для анализа отчетов и возможных областей деятельности. В других случаях эти отчеты создаются на постоянной основе, но никогда не рассматриваются. Самый лучший сценарий при составлении отчетов — это то, что вы можете настроить автоматизированный процесс, чтобы быстро генерировать отчет каждый раз, когда требуется новый. Худший вариант сценария заключается в том, что он является ручным процессом и каждый раз, когда вам нужно его обновлять, это сильно затрудняет вашу общую работу. Как data scientist, чем больше вы можете избежать этого, тем лучше ваша работа.

В максимально возможной степени расставьте приоритеты проектов, которые влияют на компанию, и чтобы  они являлись новаторскими (работа, которую мы все хотели бы сделать). В противном случае, попробуйте сделать не инновационную, но полезную работу по предоставлению решений людям, чтобы помочь продвинуть бизнес. Удостоверьтесь, что вы держитесь подальше от полной изоляции, делая интересную работу, не относящуюся к делу, и что вы избегаете застревания, дела только отчетность. Удачи!

Jonathan Nolis
Professional data scientist, amateur software developer

Spread the love

Оставьте первый комментарий

Оставить комментарий