Я изучаю анализ данных и в этом году заканчиваю университет. Как я попал в Unity? Я отправил им заявку на стажировку и успешно прошел собеседования.
Unity Technologies – американская компания по разработке видеоигр. Основная цель организации – «демократизировать разработку игр» и сделать возможным создание интерактивного контента 2D и 3D как можно более доступным для как можно большего числа людей во всем мире.
Вот чему научился, работая в большой технологической компании.
Важность эмпатии
Последнее время многие говорят, что эмпатия – необходимый навык для дата-сайентиста. Не знаю, правда это или нет, но я уверен, что для анализа данных и сообщения результатов эмпатия очень важна. Способность поставить себя на место другого человека может быть очень мощным инструментом.
Дата-сайентисты работают с данными, чтобы принести ценность. Мы очень просто можем забыть, что данные – это не просто биты или байты – а отражение голоса пользователя. Без эмпатии мы упустим общую картину и не сможем выполнить значимую работу.
Информации недостаточно
Проведение анализа и оглашение выводов – важная часть работы дата-сайентистов. Заметьте, я сказал «выводов», а не «информации». Между этими словами есть огромная разница, и многие начинающие специалисты без опыта работы (включая меня) из-за непонимания этого часто допускают серьезные ошибки.
Информация представляет собой набор данных, используемый для понимания чего-то. Выводы показывают, как мы можем использовать эту информацию для совершения действий.
Я думал об этом все лето. Раньше я презентовал анализ, после которого меня спрашивали: «А каков здесь вывод?». Это более вежливый способ спросить: «А что я должен с этим делать?». Теперь я понимаю, что совершал ошибку, предоставляя информацию, а не выводы.
Когда вы заканчиваете анализ, задайте себе следующие вопросы:
- Какие здесь ключевые выводы?
- Что должны сделать заинтересованные стороны?
Поразмыслите над ними и озвучьте свое мнение на презентации. Так вы не только донесете четкий посыл, но и сделаете своей работой серьезный вклад в развитие компании.
Мыслить, как новичок
Бесспорно, моя любимая часть опыта работы в большой компании – возможность проводить время с умными и талантливыми людьми. Вы наверняка слышали цитату американского оратора Джима Рона «Вы – это пять людей, с которыми больше всего проводите времени». Это правило актуально не только для небольшого круга друзей.
Если вы окружите себя умными людьми, у вас будет мотивация самому стать умнее. Но все не так просто. Все мы отчасти эгоистичны и самоуверенны. Нам нравится, когда мы правы и с нами соглашаются.
Сейчас я могу сказать, что пришел в компанию чересчур самоуверенным. Буквально спустя неделю я понял, что, чтобы получить опыт, мне нужно изменить образ мышления. Я должен был просить других о помощи, признавать, что неправ, и задавать глупые вопросы.
Всегда комфортно чувствовать себя самым умным человеком в помещении. Комфорт – это хорошо, но он всегда является врагом роста. Чтобы ощутить на себе преимущества, о которых говорил Джим Рон, вы должны принять образ мышления новичка и постоянно стремиться к знаниям – в личной жизни и карьере.
Надежный анализ данных
Этим летом я прочитал отличную статью профессора Роджера Пенга, в которой он описывает, как следует рассматривать процесс анализа данных. Свою концепцию он назвал «ABC анализа данных».
«A» представляет собой анализ, который вы презентуете заинтересованным сторонам, «B» – анализ, который вы проделали, но не включили в отчет, «C» – то, что вы либо не успели проверить, либо о чем забыли.
В общем и целом, вы должны оптимизировать «А» для четкости, закрепить «B» для доказательства и минимизировать «С».
Придерживаясь этой структуры, вы сможете эффективнее подготовиться к возможным вопросам касательно анализа. В итоге результаты окажутся более убедительными, и вам не нужно будет постоянно повторять фразу «Я уточню это».
Ставьте под вопрос предположения
На работе вы столкнетесь с массой препятствий, о которых вам не рассказывали в университете. Во время учебы вам просто показывают структурированную проблему, а вы даете ответ. На работе все по-другому. Проблемы часто бывают неструктурированными, неопределенными и сложными. Вы не можете сделать точные предположения в таких ситуациях; они могут сильно вас подвести.
Всегда стоит рассмотреть проблему вплоть до самых мелочей. Делайте все, что угодно: расписывайте ее на доске, проводите исследование. И неважно, сколько времени это займет: несколько минут или пару часов.
Ставьте под сомнение даже самые очевидные предположения. Разговаривайте с другими. Выслушивайте отзывы о ваших идеях. Доверяйте, но проверяйте. Не делайте что-то, потому что «это делается так всегда». Более того, не бойтесь сделать несколько шагов назад.
Заключение
Прошлой осенью я записал в блокнот все цели, которых хотел достичь за год. Прежде всего, я хотел улететь в Калифорнию и стать более опытным дата-сайентистом.
Это определенно было непросто. Я постоянно терпел неудачи и жертвовал многим, но я очень благодарен за возможность провести несколько месяцев в одной из ведущих технологических компаний.
Я изучаю анализ данных и в этом году заканчиваю университет. Как я попал в Unity? Я отправил им заявку на стажировку и успешно прошел собеседования.
Unity Technologies – американская компания по разработке видеоигр. Основная цель организации – «демократизировать разработку игр» и сделать возможным создание интерактивного контента 2D и 3D как можно более доступным для как можно большего числа людей во всем мире.
Вот чему научился, работая в большой технологической компании.
Важность эмпатии
Последнее время многие говорят, что эмпатия – необходимый навык для дата-сайентиста. Не знаю, правда это или нет, но я уверен, что для анализа данных и сообщения результатов эмпатия очень важна. Способность поставить себя на место другого человека может быть очень мощным инструментом.
Дата-сайентисты работают с данными, чтобы принести ценность. Мы очень просто можем забыть, что данные – это не просто биты или байты – а отражение голоса пользователя. Без эмпатии мы упустим общую картину и не сможем выполнить значимую работу.
Информации недостаточно
Проведение анализа и оглашение выводов – важная часть работы дата-сайентистов. Заметьте, я сказал «выводов», а не «информации». Между этими словами есть огромная разница, и многие начинающие специалисты без опыта работы (включая меня) из-за непонимания этого часто допускают серьезные ошибки.
Информация представляет собой набор данных, используемый для понимания чего-то. Выводы показывают, как мы можем использовать эту информацию для совершения действий.
Я думал об этом все лето. Раньше я презентовал анализ, после которого меня спрашивали: «А каков здесь вывод?». Это более вежливый способ спросить: «А что я должен с этим делать?». Теперь я понимаю, что совершал ошибку, предоставляя информацию, а не выводы.
Когда вы заканчиваете анализ, задайте себе следующие вопросы:
Поразмыслите над ними и озвучьте свое мнение на презентации. Так вы не только донесете четкий посыл, но и сделаете своей работой серьезный вклад в развитие компании.
Мыслить, как новичок
Бесспорно, моя любимая часть опыта работы в большой компании – возможность проводить время с умными и талантливыми людьми. Вы наверняка слышали цитату американского оратора Джима Рона «Вы – это пять людей, с которыми больше всего проводите времени». Это правило актуально не только для небольшого круга друзей.
Если вы окружите себя умными людьми, у вас будет мотивация самому стать умнее. Но все не так просто. Все мы отчасти эгоистичны и самоуверенны. Нам нравится, когда мы правы и с нами соглашаются.
Сейчас я могу сказать, что пришел в компанию чересчур самоуверенным. Буквально спустя неделю я понял, что, чтобы получить опыт, мне нужно изменить образ мышления. Я должен был просить других о помощи, признавать, что неправ, и задавать глупые вопросы.
Всегда комфортно чувствовать себя самым умным человеком в помещении. Комфорт – это хорошо, но он всегда является врагом роста. Чтобы ощутить на себе преимущества, о которых говорил Джим Рон, вы должны принять образ мышления новичка и постоянно стремиться к знаниям – в личной жизни и карьере.
Надежный анализ данных
Этим летом я прочитал отличную статью профессора Роджера Пенга, в которой он описывает, как следует рассматривать процесс анализа данных. Свою концепцию он назвал «ABC анализа данных».
«A» представляет собой анализ, который вы презентуете заинтересованным сторонам, «B» – анализ, который вы проделали, но не включили в отчет, «C» – то, что вы либо не успели проверить, либо о чем забыли.
В общем и целом, вы должны оптимизировать «А» для четкости, закрепить «B» для доказательства и минимизировать «С».
Придерживаясь этой структуры, вы сможете эффективнее подготовиться к возможным вопросам касательно анализа. В итоге результаты окажутся более убедительными, и вам не нужно будет постоянно повторять фразу «Я уточню это».
Ставьте под вопрос предположения
На работе вы столкнетесь с массой препятствий, о которых вам не рассказывали в университете. Во время учебы вам просто показывают структурированную проблему, а вы даете ответ. На работе все по-другому. Проблемы часто бывают неструктурированными, неопределенными и сложными. Вы не можете сделать точные предположения в таких ситуациях; они могут сильно вас подвести.
Всегда стоит рассмотреть проблему вплоть до самых мелочей. Делайте все, что угодно: расписывайте ее на доске, проводите исследование. И неважно, сколько времени это займет: несколько минут или пару часов.
Ставьте под сомнение даже самые очевидные предположения. Разговаривайте с другими. Выслушивайте отзывы о ваших идеях. Доверяйте, но проверяйте. Не делайте что-то, потому что «это делается так всегда». Более того, не бойтесь сделать несколько шагов назад.
Заключение
Прошлой осенью я записал в блокнот все цели, которых хотел достичь за год. Прежде всего, я хотел улететь в Калифорнию и стать более опытным дата-сайентистом.
Это определенно было непросто. Я постоянно терпел неудачи и жертвовал многим, но я очень благодарен за возможность провести несколько месяцев в одной из ведущих технологических компаний.