Konwersja problemów biznesowych w problemy z nauką o danych
Opublikowany: 2018-07-03W wielu wywiadach Data Science często zadaje się pytania związane z biznesem. Od rozmówcy oczekuje się rozwiązania problemu, przed którym stoi firma podczas rozmowy kwalifikacyjnej. Na przykład spadają dochody wydawcy gazety, co można zrobić, aby ratować sytuację. W jaki sposób Reliance Jio może zdecydować, czy opłaca się rozpocząć działalność w nowej lokalizacji. Jak uruchomienie Baba Ramdev SIM wpłynie na działalność Reliance Jio itp.
Często zdarza się, że ankietowani dobrze przygotowują się do pytań z zakresu Data Science. Oczekują i dobrze przygotowują się na pytania typu „Jak przypisywać brakujące wartości”, „Jak zdecydować, który algorytm jest odpowiedni dla zbioru danych”. Jednak kandydaci są kompletnie zdumieni, gdy mają do czynienia z uzasadnieniem biznesowym. Częściowo jest to spowodowane tym, że kandydaci nie oczekują pytań dotyczących uzasadnienia biznesowego podczas rozmowy kwalifikacyjnej. Innym powodem, dla którego żaden z blogów ani kursów dotyczących nauki o danych nie jest, nie dotyczy tego, jak przekształcić problemy biznesowe w problemy związane z nauką o danych. Dostępne są frameworki do analizy danych, ale zaskakująco cicho mówią o tym, jak przekonwertować biznes na problemy z danymi. Na przykład platforma CRISP-DM słynie z analizy danych. Pierwszy i drugi etap CRISP-DM to „Zrozumienie biznesu” i „Zrozumienie danych”. Większość aspirujących naukowców zajmujących się danymi nie wie, jak przejść od pierwszego do drugiego kroku. Celem tego artykułu jest wypełnienie tej luki. Książka i filmy Victora Chenga pomogły mi zrozumieć, jak przekształcić problemy biznesowe w problemy z danymi. Ten artykuł jest oparty na jego naukach.
Spis treści
Sposób myślenia ankietera
Zanim zagłębimy się w to, jak odpowiadać na wywiady dotyczące przypadków, pozwól nam zrozumieć sposób myślenia ankietera. Czego szukają ankieterzy, gdy zadają pytania biznesowe? Niektóre z rzeczy, których poszukują ankieterzy to:-
- Czy kandydaci mają nastawienie samodzielnego myślenia?
- Czy odpowiedzi są wystarczająco dobre, jeśli nie precyzyjne?
- Czy rozwiązania oferowane przez kandydata są przyjazne (w przypadku firm konsultingowych)
- Czy rozwiązanie oferowane przez kandydatów jest liniowe?
- Czy kandydat wyjaśnił rozwiązanie wizualnie?
- Czy rozwiązanie kandydata jest praktyczne do wdrożenia?
Kandydujące rozwiązanie powinno przebiegać liniowo i logicznie od wyzwania do rozwiązania. Jeśli rozwiązanie jest rozproszone, przeskakując z jednego punktu do drugiego w sposób arbitralny, to rozmowa jest skończona natychmiast w umyśle ankietera. Ponadto, właściwe podejście z błędną odpowiedzią jest preferowane nad poprawną odpowiedzią z błędnym podejściem. Jeśli podejście jest błędne, a odpowiedź jest prawidłowa, ankieterzy założą, że kandydatowi poszczęściło się. Nie będzie tak we wszystkich sytuacjach. Jeśli podejście jest poprawne, to jest powtarzalne i można je zastosować w wielu sytuacjach biznesowych.
Co to jest nauka o danych? Kim jest analityk danych? Co to jest analityka?
Odpowiadanie na pytania „Sprawa wywiadu”
Odpowiedzi na pytania z wywiadu przypadku można podzielić na trzy etapy. Otwieraj, analizuj i zamykaj. Otwieranie i zamykanie są schematyczne i można na nie łatwo odpowiedzieć dzięki praktyce. Etap analizy różni się w zależności od problemu biznesowego i wymaga myślenia i kreatywności. Zobaczmy, co zrobić na każdym etapie odpowiadania na pytanie.
Etapy odpowiedzi na pytania podczas rozmowy kwalifikacyjnej to:-
- Przeciąganie
- Sprawdź swoje zrozumienie
- Zidentyfikuj strukturę problemu
- Analizować
- Blisko
Przeciąganie (etap otwarcia)
Victor Cheng prosi o pięciosekundową przerwę, zanim powie coś w stylu: „Ach, to bardzo interesujący problem”. Nazywa się to „przeciąganiem”. Jeśli czekasz na odpowiedź dłużej niż pięć sekund, osoba przeprowadzająca rozmowę uzna, że nie znasz rozwiązania. Przeciąganie pomaga w uzyskaniu cennego czasu na przemyślenie problemu.
Sprawdź swoje zrozumienie
Zazwyczaj pytania „Wywiad w sprawie” są jednoliniowe. Wszystkie wymagane informacje nie zostaną podane do odpowiedzi na pytanie. Od kandydatów oczekuje się zadawania pytań i weryfikacji zrozumienia. Jak wspomniano wcześniej, jeśli chodzi o zwiększenie zysków gazety, możesz zadawać pytania typu „jakie tematy porusza gazeta?”, „Jaka jest grupa docelowa tej gazety” itp. Wyjaśnij jakąkolwiek terminologię, której użył ankieter i co do których nie jesteś pewien. Tutaj ważne jest, abyś niczego nie zakładał. Zakładanie może prowadzić do rozwiązania niewłaściwych problemów, z którymi firma nie boryka się. To ćwiczenie poinformuje również ankietera o tym, jak dobrze radzisz sobie z szukaniem pomocy, gdy jest ona potrzebna.
W początkowych fazach udzielania odpowiedzi będziesz mieć swobodę zadawania pytań otwartych. W miarę upływu czasu stracisz wolność i będziesz mógł zadawać tylko pytania nieustalone. Zadawanie pytań otwartych pod koniec sprawi, że ankieter pomyśli, że próbujesz zadać odpowiedzi. Więc nie wahaj się i zadawaj pytania, na które uważasz, że warto odpowiedzieć.
Odpowiedzi na pytanie „Jak zostać analitykiem danych”!
Zidentyfikuj strukturę
Gdy uzyskasz wymagane informacje po zadaniu pytań, zidentyfikuj strukturę, do której należy pytanie. Victor określa cztery różne ramy, do których może należeć pytanie podczas rozmowy kwalifikacyjnej. Ramy w kolejności ważności (według częstotliwości zadawanej w wywiadach) to:
- Zysk
- Sytuacja biznesowa
- Fuzje i przejęcia
- Prośba o zaopatrzenie
Przykładami ram sytuacji biznesowej są – wprowadzenie nowego produktu, reagowanie na zachowanie konkurencji, zmiany popytu, strategie rozwoju firmy itp. Przykładami problemów z podażą/popytem są budowa nowej fabryki lub zamknięcie fabryki, zmiana wydajności poprzez nabycie, zmianę popytu itp.
Te frameworki nie są trudne i szybkie. Problem z zyskiem może ostatecznie skończyć się sytuacją biznesową lub problemem podaży/popytu. Niemniej jednak ta kategoryzacja zapewni strukturę naszemu myśleniu i pomoże nam w sprostaniu stojącemu przed nami wyzwaniu.
Po zidentyfikowaniu struktury problemu i dopasowaniu jej do odpowiedniego frameworka, następnym krokiem jest opisanie kluczowych komponentów frameworka. Na przykład w przypadku zwiększania zysków gazety można mówić o przychodach i kosztach. Bądź ostrożny i nie nazywaj frameworka jawnie. Ramy służą tylko do uporządkowania Twojego myślenia, a nie do informowania o tym osoby przeprowadzającej rozmowę kwalifikacyjną. Narysuj kluczowe elementy frameworka wraz z opisem. Kiedy będziesz ćwiczyć te kroki, stanie się to dla ciebie drugą naturą. Kluczowymi punktami w identyfikacji struktury są:

- Określ naturę problemu
- Dopasuj problem do odpowiednich ram
- Opisz kluczowe elementy frameworka
- Remis
Po wykonaniu tej czynności przejdź do następnego kroku w procesie, którym jest analiza problemu.
Top 17 pytań i odpowiedzi podczas wywiadu z analitykiem danych
Analizować
Tutaj Analiza nie oznacza analizy danych. To jeszcze daleko. Dane przychodzą na końcu. Zanim poprosisz o dane, musisz się zająć innymi sprawami.
Rozpocznij analizę, pytając, od czego zacząć. Aby poprawić rentowność gazety, zapytaj, czy powinieneś postępować z kosztami czy przychodami. W zależności od wyboru ankietera kontynuuj odpowiedź.
Wizualizuj leżący u podstaw problem jako drzewo decyzyjne i zacznij od źródła. Postaw hipotezę i wybierz branżę zgodnie z wyborem ankietera. Zidentyfikuj i określ kluczowe problemy w oddziale. Zadawaj standardowe pytania i kontynuuj drążenie w dół. W tym procesie udoskonalaj swoją hipotezę. Jeśli dojdziesz do ślepego zaułka gałęzi bez żadnego rozwiązania, prześledź do węzła gałęzi i przejdź w przeciwnym kierunku.
Myśl głośno podczas całego procesu. Pomoże to ankieterom poznać Twoje umiejętności myślenia i analizy. Jeśli jest jakiś błąd w twoim myśleniu, mogą go nawet wskazać i pomóc we właściwym kierunku. Dobrą praktyką jest zawsze głośne myślenie o pytaniach podczas rozmowy kwalifikacyjnej.
Gdy dojdziesz do liścia drzewa decyzyjnego z hipotezą lub dojdziesz do punktu, w którym ankieterzy nie są pewni hipotezy, możesz śmiało poprosić o dane. Dane, które mogą pomóc zaakceptować lub obalić twoją hipotezę. Dane, które pomogą uzyskać wgląd i podejmować decyzje biznesowe. Należy pamiętać, że wszystkie żądania danych powinny być poparte solidnym wyjaśnieniem. Prośba o dane bez żadnego wyjaśnienia nie będzie pasować ankieterom ani klientom w przypadku konsultacji.
Na tym kończy się konwersja problemów biznesowych na problem analizy danych. Gdy to zrobisz, teraz wiesz, jak kontynuować analizę danych. Stąd standardowe kroki CRISP-DM:
- Zrozumienie danych
- Modelowanie danych
- Walidacja modelu
- Wdrażanie modelu
- Aktualizowanie modelu i dbanie o jego aktualność
Wskazówki i porady dotyczące odpowiedzi na pytania z wywiadu dotyczącego przypadku
- Segmentuj swoje liczby
- Firma kontra konkurent
- Bieżący rok vs ubiegły rok
- Głośno myśleć
- Wyjaśnij, dlaczego potrzebujesz danych, zanim o nie poprosisz
- Nie zakładaj niczego
- Ćwicz odpowiadanie na problemy biznesowe
Segmentuj swoje liczby
Nauka o danych polega na rozbiciu problemu na części składowe. Przeanalizuj części i uzyskaj spostrzeżenia. Połącz ze sobą części i zaoferuj rekomendacje poparte analizą danych. Ta kombinacja części jest również znana jako „synteza” w języku doradztwa.
Lepsze wglądy można uzyskać, gdy dane są podzielone na części. Załóżmy, że zyski gazety spadły z powodu strat w przychodach. Utrata przychodów jako całość nie daje wielu informacji. Jeśli te przychody zostaną podzielone na różne segmenty w zależności od wieku subskrybentów, może to zapewnić bardziej wartościowe informacje. Firma może wykonać działanie skierowane do określonej grupy wiekowej w celu zwiększenia przychodów. Biorąc pod uwagę problem biznesowy, zawsze sprawdzaj, jak najlepiej podzielić go na różne części.
Biorąc pod uwagę problem biznesowy, zastanów się, czy napotyka go tylko konkretna firma, czy cała branża. Rozwiązanie i zalecenia będą różne w obu przypadkach. Innym sposobem myślenia jest porównywanie wyników z przeszłości i teraźniejszości. Obydwa te myśli wskażą kierunek, w którym należy iść naprzód w odpowiedzi na pytanie z wywiadu.
Znajomość kroków i różnych ram zabierze Cię tylko do pewnego momentu. To, co pomoże Ci skutecznie odpowiedzieć na pytania podczas rozmowy kwalifikacyjnej, to „Praktykuj, ćwicz i więcej Ćwicz”. Nie ma innego wyjścia. Biegłość w zadawaniu pytań weryfikujących, identyfikowaniu struktury, dopasowywaniu problemu do schematu, formułowaniu hipotez, poruszaniu się po drzewie decyzyjnym itp. będzie tylko praktyką. Bez praktyki niemożliwe jest złamanie pytania podczas rozmowy kwalifikacyjnej lub przekształcenie problemu biznesowego w problem z analizą danych.
Naukowcy zajmujący się danymi: mity kontra rzeczywistość
Podsumowując, konwersję problemów biznesowych na problem związany z nauką danych można porównać z pytaniem do rozmowy kwalifikacyjnej. Aby pomyślnie odpowiedzieć na pytania z wywiadu, należy: opóźnić ankietera, określić strukturę problemu, dopasować go do podstawowych ram, sformułować hipotezę, przejść przez drzewo decyzyjne zadając odpowiednie pytania i na koniec poprosić o dane przez wyjaśniając, dlaczego tego chcesz. Wreszcie, aby odnieść sukces w odpowiadaniu na pytania podczas rozmowy kwalifikacyjnej, przećwicz to. Gdy będziesz w stanie przekształcić problem biznesowy w problem związany z nauką o danych, postępuj zgodnie ze strukturą CRISP-DM, aby przeanalizować wyniki i przedstawić zalecenia poparte danymi.
Już dziś dołącz do profesjonalnego programu certyfikacji w dziedzinie nauki o danych w zakresie podejmowania decyzji biznesowych od IIM-Kozhikode!
Czy problem biznesowy można rozwiązać za pomocą Data Science?
Odpowiedź brzmi tak. Obecnie większość problemów biznesowych rozwiązuje się za pomocą Data Science i Analytics. Data Science wykorzystuje 5 kroków do podejścia i rozwiązania problemów biznesowych
1. Zrozumienie problemu biznesowego
2. Wykorzystanie analityki do rozwiązywania problemów biznesowych
3. Przygotowywanie danych
4. Rozwój modelu
5. Testowanie wydajności
Nauka o danych i analityka nie mogą w magiczny sposób rozwiązać wszystkich problemów organizacji. To bardzo przydatne narzędzia, które pomagają firmom podejmować trafne decyzje, automatyzować powtarzalną pracę i wybory, których muszą dokonać zespoły. Podejścia do analizy danych mogą być wykorzystywane przez firmy, aby pomóc ich kierownictwu w podejmowaniu lepszych decyzji, przewidywaniu przyszłych zysków i opracowywaniu lepszych treści.
Jak problem biznesowy można przełożyć na rozwiązanie AI i Data Science?
Aby przełożyć wyzwanie biznesowe na rozwiązanie AI i Data Science, analityk danych musi najpierw zrozumieć problem, a także cele i KPI analizy danych, a także podejścia AI i Data Science, które można wykorzystać do rozwiązania problemu . Analityk danych powinien również rozumieć, czego organizacja oczekuje od analizy danych i jak planuje wykorzystać wyniki.
Jak zastosować Data Science do rozwiązywania rzeczywistych problemów biznesowych?
Obecnie firmy inwestują w Data Science w różnych celach. Prawie wszystkie sektory biznesowe, takie jak finanse, marketing, handel detaliczny, produkcja itp., mogą na różne sposoby wykorzystywać naukę o danych. Ale jedynym celem każdej firmy korzystającej z Data Science jest rozwiązywanie problemów biznesowych.
Naukowcy danych wykorzystują swoje umiejętności na różne sposoby do rozwiązywania problemów biznesowych, takich jak:
1. Innowacje – naukowcy zajmujący się danymi opracowują nowsze sposoby rozwiązywania problemów biznesowych, które istnieją w firmie od dłuższego czasu i których nie można było rozwiązać za pomocą poprzednich metod. Krótko mówiąc, zastępują stare rozwiązania nowymi.
2. Ciągłe doskonalenie — naukowcy zajmujący się danymi stale ulepszają istniejący projekt nauki o danych, aby działał lepiej.
3. Eksploracja wartości danych : Kiedy firmy dopiero zaczynają korzystać z Data Science, mają dużo danych, które są zapisywane w sposób niezorganizowany. Tutaj Data Scientist odgrywa istotną rolę, wydobywając przydatne spostrzeżenia ze wszystkich dostępnych danych i badając je pod kątem potencjalnych możliwości.