MyStory:在数据仓库工作6年后,我如何过渡到数据分析?

发布时间: 2020-08-25

在开始学习数据分析之前,我从事数据密集型数据仓库工作已有6年以上。2013年,我有一个做数据分析的机会,在这个机会中,我们需要构建一个模型来预测客户购买产品的可能性,这个数据分析项目扩大了我的视野。

在那之前,我的印象是数据只能用于呈现或分析发生的事情。我对Analytics(分析),Predictive Modeling(预测模型)进行了一些研究,但我意识到,即使它是BI的扩展,它也需要不同的技能。行业之一的统计,机器学习,SQL和业务敏锐度正在发挥作用。

我对SQL有一定的了解,并具有一定的商业头脑。我决心学习统计学和机器学习。2014年,我报了培训班开始学习。

我本来打算修读MBA,但由于无法离职而无法全日制学习。我不想通过远程学习来攻读MBA。根据我的搜索模式,谷歌推荐了一些知名商学院的Google Analytics(分析)计划。我申请了IIM班加罗尔和钦奈大湖管理学院,并且从他们两个入围。

我选择大湖区是因为IIM班加罗尔在周末举行大部分课程,而周六却无法上课。此外,IIMB中没有班级记录。我当时不在班加罗尔,因此通过网络上课意味着对等学习的机会。 

大湖区和Analytics Edge

我在2014-2015年期间接受了大湖区PGPBABI计划。由于我不是MBA毕业生,所以我能够填补自己的职业空白,并在Analytics(分析)上拥有良好的知名度和坚实的基础。

在大湖区完成PGPBABI程序后,我在edx上执行了“ Analytics Edge”程序(此技巧由Kunal分享。感谢Kunal!)。作为Google Analytics(分析)Edge的一部分,我们应该参加评分比赛的Kaggle竞争。我能够在2932名参赛者中排名前90位(前3%),这极大地增强了我的信心。

我所学的应用

现在是时候应用我在职场中学到的东西了。我向我的老板提到了我的兴趣,他很高兴支持我。最初的日子充满挑战,因为“理论上与实践之间稍有很大区别的”。

为了克服这一挑战,Analytics Vidhya(AV)及其社区提供了很多帮助。我过去经常在讨论门户网站上弄清楚我的疑问。更有用的是AV定期举办的黑客马拉松。我指出即使在旅行时也不要错过任何黑客马拉松。

Hackathon允许您与他人进行自我基准比较,并被介绍给更广泛的社区并结交朋友。像许多其他人一样,我从最低处开始,但后来又慢慢提高,在Kaggle比赛中多次进入前10名,并进入前10%。

对于每次黑客马拉松,我都会尝试一些新的东西。有时可以奏效,有时我会因过度安装公共排行榜而感到筋疲力尽。我在骇客马拉松赛中的每一次经验都值得在Gold中发挥作用。托马斯·爱迪生曾经说过:“我没有失败1000次,但发现了1000种不制造灯泡的方法”。我的经验与此类似。

我对目前的AV 排名(在撰写本文时)排名前10 感到满意,但我正在尽力提高自己的排名。在达到@SRK或@Vopani或其他前5名的高度之前,仍然需要走很多距离。它们仍然是我追求卓越的灵感。到我达到那个水平时,我相信他们的水平会翻倍。

这些是中级职业人士的一些常见问题解答,他们希望过渡到数据分析。我已经回答了我所知道的程度。如有错误,请随时纠正我。

转型过渡有多难?

这个问题没有单一答案。实际上,如果有足够的数据,则可以运行分类模型来预测具有以下变量的转变概率(有些我可以想到)

1.多年的经验(0-2,2-5,5-10,10-15,15-20和> 20)

2.内部过渡的机会(是/否)

3.以前的BI经验

4.R方面的专长

5.精通Python

6.SAS专业知识

7.R和Python专业知识

8.领域知识

9.具有强大的营销,风险,供应链,财务等背景知识……

10.SQL方面的专长

11.深入了解统计概念

12.数据分析的热情

13.好奇心

14.数字舒适

要转换到Google Analytics(分析),是否需要具备以上所有条件?不,这取决于总经验的年限(假设相关的分析经验为零),如下所示(对于MBA候选人,假定具有营销,风险,供应链或财务方面的丰富背景):

0 -1年或更小:对数据分析的热情,好奇心和对数字的理解。能够拥有SQL专业知识和对统计概念的深入了解,真是太好了。

1-2年: R + Python或SAS的新生+专业知识

2-5年: 1-2年+对统计概念的深入了解。如果内部过渡的机会或以前的BI经验适用,则过渡的可能性就更大。熟悉R和Python或具有SAS(非数据分析)经验非常好。

5-10年: 2-5年+适用领域知识+ R和Python知识或SAS(非数据分析)经验。如果内部过渡的机会或以前的BI经验适用,则过渡的可能性就更大。如果是非MBA候选人,那么拥有在营销,风险,供应链或财务方面的扎实背景是很好的。

> 10年:全部适用。应该能够制定自己的用例并获得ROI。不应该留下任何机会。

什么有效,什么无效?

内部过渡是进行过渡的更好方法。如果有5年以上的经验,仅学习数据分析课程将无济于事。需要证实他/她的知识,并学习应用其在行业中获得的知识。

对于那些拥有超过10年经验的人,他们应该能够提供端到端解决方案,即从找到用例开始到执行并向利益相关者展示ROI。

过渡期间会遇到什么样的挑战?

失去耐心,对编码的厌恶,应聘者所在行业缺乏领域知识等…

必须有耐心,等待机会,并在机会出现时抓住机会。我见过这样的人,他们在几个月后变得沮丧,并且没有追求数据分析事业的意愿。显然,这也取决于候选人的热情因素。

很少有人接受过GUI驱动的软件(如SAS Enterprise Miner或SPSS)的培训,并且不愿意接受R或Python的培训,因为他们不喜欢编写代码。他们应该克服这种厌恶情绪,以获得更好的机会。

我已经看到某些人,特别是来自软件行业的人缺乏提供端到端解决方案所需的领域知识。他们对编码很满意,但是没有商业头脑。这可能是一个很大的障碍,尤其是当您的经验数量较多而相关经验较少时。

的确,随着不相关经验的增加,过渡到数据分析的机会减少了,但概率永远不会为零。记得!

在正确的时间在正确的位置拥有正确的技能很重要。

对数据分析学习者的建议

“像首席执行官一样思考”。不要将自己仅仅局限于建模。从问题定义到ROI验证,直接参与数据分析的所有阶段。

进行过渡需要多少时间,精力和资源?

在第一年或初始阶段,想象一下自己为奥运会训练的情况。如果一个人在工作,他必须在早上学习2个小时,晚上学习2个小时。处理大量数据并保持积极态度。

接受失败作为成功的垫脚石。过渡所需的时间范围从6个月到2年,或者超过2年。

行业观点如何转变?

业内人士认为,拥有非数据分析总经验少于5年的候选人的过渡非常有利。对于拥有超过五年总经验但在数据分析方面的相关经验较少的其他人,他们认为数据分析技能只是补充。

总结

数据分析与新工具或新技术无关。数据分析中使用的某些算法是30到40年前提出的。都是关于“数据到决策”的。要成为一名优秀的数据分析师,您需要具备编码技能,数据管理技能,建模技能和业务技能的综合才能成功。

不要将自己局限于工具或算法。没有什么比好工具或算法好或坏了。欢迎任何对企业有效的方法来解决他们的问题并提高ROI。职业中期人员的过渡需要时间,并且应该有耐心和激情才能成功过渡。

发表评论

您的电子邮箱地址不会被公开。