Как мой текущий практический проект и предыдущий опыт подготовили меня к карьере аналитика

Я хотел бы рассказать вам историю о том, как мой текущий практический проект (10-месячный практический опыт с SaaS-компанией в рамках программы UC Davis MSBA) подготовил меня к мировой аналитики. Я сосредоточусь на том, что я узнал из:

  • Характер данных: люди вошли, люди вышли
  • Важно иметь хороших союзников
  • Эффективное информирование о своих выводах

Прежде чем я начну, позвольте мне немного рассказать о моем прошлом. Отчасти потому, что это также помогло мне подготовиться к миру аналитики, но главным образом потому, что я буду ссылаться на некоторые из этих событий позже:

  • Бакалавриат компьютерных наук. Я получил степень бакалавра компьютерных наук в Технологическом институте Стивенса. Когда я был там, я имел удовольствие пройти вводный курс по науке о данных, где мы рассмотрели алгоритмы классификации, кластеризацию и навыки презентации. Этот опыт вдохновил меня на то, чтобы узнать больше об этой области, и это помогло мне после окончания учебы работать в команде Data Science в Putnam Investments.
  • Проект системы рекомендаций в Putnam Investments.Как фирма по управлению активами, предлагающая взаимные фонды, торговые представители Putnam работают с финансовыми консультантами, которые управляют активами своих клиентов. У этих торговых представителей есть очень большой список финансовых консультантов, с которыми можно взаимодействовать. Глава отдела продаж попросил нашу команду Data Science проанализировать точки взаимодействия с клиентами и финансовую информацию консультантов, чтобы наилучшим образом распределить усилия торговых представителей. Это означает, что нашу команду попросили помочь решить, кому позвонить дальше? Цель состояла в том, чтобы максимизировать прибыль и свести к минимуму усилия по продажам. Результаты? Результаты нашей модели были объединены с бизнес-правилами для создания совершенно новой стратегии продаж, которая была развернута в следующем январе и помогла увеличить наш доход. Довольно круто, если вы спросите меня, но я здесь предвзят.

Итак, вернемся к нашей основной теме: что подготовило меня к миру аналитики.

Характер данных: люди вошли, люди вышли

Мне интересно смотреть на данные о поведении человека. Когда дело доходит до того, что клиент может или не может делать, я нахожу забавным поставить себя в такую ​​ситуацию. Если я финансовый консультант, работающий со всеми этими большими кошельками и получающий более 30 звонков в день от торговых представителей, что может заставить меня взять трубку? Или, если у меня есть подписка на компанию в течение N месяцев, что заставит меня отказаться от них или стать постоянным клиентом?

В Патнэме мы изучали точки соприкосновения (электронные письма, звонки, обеденные встречи и т. д.), которые происходили между финансовыми консультантами и торговыми представителями.

В моем текущем практическом проекте мы смотрим на данные аккаунта (время, когда они обновляли, понижали или отменяли свои подписки), а также на использование клиентов (какие функции продукта они использовали и когда). .

Эти типы метрик можно найти в инструментах CRM. Salesforce определяет Управление взаимоотношениями с клиентами (CRM) как технологию управления всеми отношениями и взаимодействиями вашей компании с клиентами и потенциальными клиентами. Даже если компании очень разные, их поведенческие данные очень похожи. Вот почему природа данных такова, что люди входят, люди выходят:

Люди в — это человеческое поведение, на которое мы смотрим. Выход людей – это действие, которое другой человек может предпринять, чтобы улучшить деловые отношения.

В разных проектах было приятно видеть, что данные о поведении людей могут немного меняться, но цель улучшения взаимоотношений остается прежней.

Важно иметь хороших союзников

Нет ничего лучше, чем считать с кем-то, кто прикрывает твою спину.

Как в моих проектах в Патнэме, так и в моем текущем практическом опыте мне посчастливилось расчитывать на союзников. Обычно это люди со стороны бизнеса, которые очень тесно сотрудничают с нашей командой, даже если они не считают себя технарем. Они по-прежнему знают общий прогресс и блокираторы. Они также узнают сильные и слабые стороны команды, когда дело доходит до общения. Это очень важно, потому что они могут помочь нам улучшить нашу коммуникацию, прежде чем представлять результаты вышестоящим и исполнительным руководителям.

Союзник поможет вам выяснить, «как члены высшего звена/стейкхолдеры/руководители любят получать информацию?» и «как они, скорее всего, отреагируют на наши слайды?»

Просмотр презентаций с нашими союзниками помог нам обнаружить:

  • Какое количество деталей должно быть на слайдах?
  • Им нравятся серьезные слайд-колоды или они ценят юмор? Можем ли мы включить мемы?
  • Будут ли они i̵n̵t̵e̵r̵r̵u̵p̵t̵ ̵u̵s̵ задавать нам много вопросов во время презентаций? (Примечание: если это так, рассмотрите возможность не оставлять вопросы и ответы на самый конец!)
  • Правильно ли переведены наши результаты с технического жаргона на четкие и простые термины, предназначенные для нетехнической аудитории?
  • Будут ли они скучать? Если да, то как мы можем предотвратить их от скуки?
  • Будут ли они в восторге от конкретных слайдов? Если да, то как мы можем максимизировать это волнение (повысить их вовлеченность)?

Я определенно рекомендую найти этого невероятного делового союзника, который поможет вам получить информацию, которую вы хотите представить своей нетехнической аудитории. Это одно из самых ценных отношений, которые у меня были в различных аналитических проектах.

Эффективное информирование о результатах

Эффективное сообщение результатов зависит от того, как и когда.

Как

Как сообщить о своих выводах выходит за рамки овладения навыками общения. Даже если вы отличный оратор, вам сначала нужно понять тип результатов, которые вы получаете, а это исходит из понимания типа аналитики, которую вы использовали. Многие люди используют основные 3 типа для обозначения «категорий аналитики»:

Однако вместо того, чтобы вдаваться в подробности прогнозной и предписывающей аналитики, я считаю, что проще говорить о том, что у нас есть описательная аналитика, статистика и машинное обучение, что гораздо легче понять и запомнить. Вот как объясняет это Кэсси Козырков, главный специалист по принятию решений в Google:

Описательная аналитика рассматривает имеющиеся данные и создает сводки, но не принимает на их основе решения.

Если вы хотите принимать решения и влиять на действия деловых партнеров, вам нужно полагаться на статистику и машинное обучение. Они прекрасно объяснены Кэсси Козырков в этих блогах:

«Аналитика (также известная как интеллектуальный анализ данных) — отличная идея для каждого проекта, тогда как ML/AI подходит только для проектов, целью которых является использование данных для автоматизации маркировки вещей». — Кэсси Козырков, главный специалист по принятию решений в Google.

Это важно знать, чтобы лучше сообщать о своих выводах, поскольку вам необходимо установить четкие ожидания для своих деловых партнеров. Что может быть лучше для определения типа проблемы, которую вы решаете, чем блок-схема, подобная той, что на изображении выше?

Как только вы и ваши деловые партнеры поймете, какой тип анализа вы проводите и какие у вас ожидания, вы сможете сосредоточиться на эффективном донесении своих выводов и, если применимо, на помощи им в принятии решений.

Когда

Теперь, когда вы знаете, что такое описательная аналитика и что такое «немного больше», вам следует остерегаться появляться на встрече и предоставлять результаты описательной аналитики, когда ваши деловые партнеры на самом деле ожидают, что вы поможете им принять решение. . Если вы сделаете это, вы можете оставить их так:

Это действительно произошло с моей командой. Мы выучили известную фразу "Расскажи мне что-нибудь, чего я не знаю", потому что выдавали результаты только из "описательной" аналитики.

Если им нужны краткие сводки имеющихся данных, интересные выводы в этих сводках и общее вдохновение из данных, то описательный анализ — это то, что им нужно. Вы расскажете им то, что они уже знают, но именно этого они от вас и ожидают. Вы также будете проверять с помощью чисел понятия, которые они уже знают.

Если они хотят большего, обязательно заранее обсудите, что прогнозирует часть проекта ML (что вы маркируете?) и как оценить, насколько это полезно (каковы ваши успехи). показатели?).

В моем практическом проекте наша команда смогла предоставить результаты описательного анализа, а также выполнить машинное обучение, чтобы автоматизировать маркировку клиентов, которые уйдут, и клиентов, которые уйдут. развивать свой бизнес с нашим деловым партнером. Прежде чем сообщать о наших выводах (и даже в слайдах презентации), мы прямо указывали им, когда и какие результаты мы им предоставим. Это помогло нам создать больше доверия в наших отношениях с ними, и это сделало их более восприимчивыми к тому, что мы хотели сказать.

Четкие ожидания и хорошее общение приводят к высоким пятеркам.

В заключении:

  • Я играл с данными — и мне это нравится!
  • Я очень ценю союзников.
  • Я научился рассказывать историю более эффективно, устанавливая ожидания в соответствии с типом проводимой аналитики.

Я считаю, что все это будет отличным подспорьем для продолжения моего пути ««Ана» в Analytics».