Vos 90 premiers jours en tant que Data Scientist

J’ai DoorDash il y a environ cinq mois. C’est la première fois que je débute dans une nouvelle entreprise en tant que Data Science Manager. DoorDash évolue rapidement, les attentes sont élevées et le contexte du domaine est profond, ce qui rend l’intégration difficile. Cependant, cela a également été l’une des périodes où la croissance a été la plus rapide de ma carrière.

Les trois premiers mois de tout nouvel emploi sont fondamentalement une phase de construction — établir des connexions, une compréhension du domaine et une connaissance des données – et une intégration fluide jette les bases d’un succès ultérieur. Par conséquent, dans cet article, je partagerai ce qui comptait le plus au cours des premiers mois et ma liste de contrôle pour toute intégration de la science des données.

I. Établir des connexions

Avant toute chose, permettez-moi de commencer par établir des liens. Quand j’étais à l’école, j’imaginais les data scientists comme des gens passant toute la journée tête baissée à écrire du code et à créer des modèles. Cependant, au fur et à mesure que j’ai pris de l’expérience, j’ai réalisé que les data scientists avaient un impact réel en s’implantant profondément dans l’entreprise, en utilisant les données pour identifier les opportunités et en pilotant les décisions commerciales. Cela est particulièrement vrai aujourd’hui avec des effectifs DS plus réduits et une IA qui automatise les flux de travail de codage et d’analyse de base.

Par conséquent, établir des liens et gagner une place à la table devraient être une priorité absolue lors de l’intégration. Cela comprend :

• Séances d’intégration fréquentes avec votre responsable et votre compagnon d’intégration. Ce sont les personnes qui comprennent le mieux votre portée future, vos attentes et vos priorités. Dans mon cas, mon manager était mon compagnon d’intégration et nous nous sommes rencontrés presque quotidiennement pendant les deux premières semaines. Je venais toujours avec une liste préparée de questions que j’avais rencontrées lors de l’intégration.
• Organisez des appels de rencontre avec des partenaires interfonctionnels.Voici l’agenda que je suis habituellement lors de ces appels :
  • 1. Présentations personnelles
  • 2. Leur domaine d’intervention et leurs principales priorités
  • 3. Comment mon équipe peut-elle les soutenir au mieux
  • 4. Tout conseil d’intégration ou « choses que je devrais savoir »
  • J’aime particulièrement la dernière question car elle fournit toujours d’excellentes informations. Il y a cinq ans, lorsque j’ai intégré le Brex, j’ai posé la même question et résumé les réponses en catégories. ici. Le meilleur que j’ai eu cette fois c’est «N’ayez pas peur de poser des questions stupides. Jouez autant que possible la carte du nouvel embauché au cours des trois premiers mois.»
• Pour ces partenaires clés, organisez des 1:1 hebdomadaires/bihebdomadaires et participez aux réunions de projet récurrentes. Vous ne contribuerez peut-être pas beaucoup au début, mais il est utile de simplement écouter et recueillir le contexte et les questions.
• Si vous êtes intégré en tant que manager comme moi, vous devriez commencez tôt à parler à vos subordonnés directs. Lors de l’intégration, mon objectif est d’apprendre trois choses de mes subordonnés directs : 1. Leurs projets et défis, 2. Leurs attentes à mon égard en tant que manager, 3. Leurs objectifs de carrière. Le premier m’aide à monter en puissance dans la zone. Ces deux derniers sont essentiels pour établir dès le début la confiance et une relation de travail collaborative.

II. Créer un contexte de domaine

Les data scientists réussissent lorsqu’ils comprennent suffisamment bien l’entreprise pour influencer les décisions, et pas seulement analyser les résultats. Par conséquent, une autre priorité lors de l’intégration est de développer vos connaissances du domaine. Les stratégies courantes comprennent parler à des gens, lire des documents, rechercher dans Slack et poser beaucoup de questions.

Je commence généralement par des conversations pour identifier le contexte commercial et les projets clés. Ensuite, je fouille dans les documents pertinents dans Google Drive ou Confluence et je lis les messages Slack dans les canaux du projet. Je compile également les questions après avoir lu la documentation et les pose en 1:1.

Cependant, l’un des défis que j’ai rencontrés a été de fouiller dans le terrier des documents. Chaque document mène à d’autres documents contenant de nombreuses mesures, noms d’acronymes et projets inconnus. C’est particulièrement difficile en tant que manager : si chacun des membres de votre équipe a 3 projets, alors 5 personnes signifie 15 projets à rattraper. À un moment donné, le groupe d’onglets « À lire » de mon navigateur contenait plus de 30 onglets ouverts.

Heureusement, les outils d’IA sont là pour nous sauver. Bien que lire tous les documents un par un soit utile pour avoir une compréhension détaillée, les outils d’IA sont parfaits pour fournir une vue globale et relier les points. Par exemple,

• Chez DoorDash, Glean a accès aux documents internes et à Slack. Je discute souvent avec Glean et pose des questions telles que « Comment GOV est-il calculé ? », « Fournissez un résumé du projet X, y compris l’objectif, le calendrier, les résultats et la conclusion. » Il renvoie aux sources des documents, ce qui me permet d’approfondir rapidement si nécessaire.
• Un autre outil que j’ai essayé est NotebookLM. J’ai partagé avec lui des documents sur un sujet spécifique et je lui ai demandé de générer des résumés et des cartes mentales pour que je puisse rassembler mes pensées de manière plus organisée. Il permet également de créer des podcasts, parfois plus digestes que la lecture de documents.
• D’autres outils d’IA comme ChatGPT peuvent également se connecter à des documents internes et remplir un objectif similaire.

III. Développer la connaissance des données

Développer la connaissance des données est aussi important que développer la connaissance du domaine pour les data scientists. En tant que responsable de première ligne, je me tiens à une norme simple : je dois être capable de travailler suffisamment bien sur les données pour fournir des conseils pratiques et crédibles à mon équipe.

Voici ce qui m’a aidé à monter en puissance rapidement :

1. Mettre en place la pile technologique dès la première semaine: Je recommande de configurer la pile technologique et l’environnement de développement dès le début. Pourquoi? Les problèmes d’accès, d’autorisations et d’environnements étranges prennent toujours plus de temps que prévu. Plus tôt vous aurez tout configuré, plus tôt vous pourrez commencer à jouer avec les données.
2. Utiliser pleinement les outils de données assistés par l’IA: Chaque entreprise technologique intègre l’IA dans ses flux de données. Par exemple, chez DoorDash, nous avons Cursor connecté à Snowflake avec une connaissance et un contexte internes des données pour générer des requêtes SQL et des analyses fondées sur nos données. Bien que les requêtes générées ne soient pas encore précises à 100 %, les tables, les jointures et les requêtes passées me semblent constituer d’excellents points de départ. Cela ne remplacera pas votre jugement technique, mais cela réduira considérablement le temps nécessaire pour obtenir un premier aperçu.
3. Comprendre les indicateurs clés et leurs relations: La connaissance des données signifie non seulement être capable d’accéder aux données et de les interroger, mais également de comprendre l’entreprise du point de vue des données. Je commence généralement par des revues commerciales hebdomadaires pour trouver les indicateurs de base et leur tendance. C’est également un excellent moyen de contextualiser les mesures et d’avoir une idée de ce à quoi ressemble la « normale ». J’ai trouvé cela incroyablement utile lors de la vérification intestinale des analyses et des résultats d’expériences plus tard.
4. Se salir les mains : Rien ne renforce davantage la compréhension de vos données qu’un travail pratique. Un bon programme d’intégration comprend généralement un mini-projet de démarrage. Même en tant que manager, j’ai effectué certains travaux de CI lors de mon intégration, notamment la taille des opportunités pour le cycle de planification, la conception et l’analyse de plusieurs expériences, ainsi que le diagnostic et la prévision du mouvement des métriques. Ces projets ont accéléré mon apprentissage bien plus que la lecture passive.

IV. Commencez petit et contribuez tôt

Bien que l’intégration soit avant tout une question d’apprentissage, je recommande fortement de commencer petit et de contribuer tôt. Les premières contributions signalent l’appropriation et renforcent la confiance – souvent plus rapidement que d’attendre un projet « parfait ». Voici quelques pistes concrètes :

• Améliorer la documentation d’intégration : En parcourant le document d’intégration, vous rencontrerez des problèmes techniques aléatoires, remarquerez des liens rompus ou découvrirez des instructions obsolètes. Non seulement les surmonter vous-même, mais améliorer le document d’intégration est un excellent moyen de montrer que vous avez l’esprit d’équipe et que vous souhaitez améliorer l’intégration pour les futures recrues.
• Construire la documentation :Aucune entreprise ne dispose d’une documentation parfaite. D’après ma propre expérience et mes discussions avec mes amis, la plupart des équipes chargées des données sont confrontées au défi d’une documentation obsolète ou manquante. Comme vous êtes en phase d’intégration et que vous n’êtes pas encore occupé par des projets, c’est le moment idéal pour contribuer à combler ces lacunes. Par exemple, j’ai créé un répertoire de projets pour mon équipe afin de centraliser les projets passés et en cours avec les principales conclusions et les points de contact clairs. J’ai également créé une collection d’heuristiques de métriques, résumant la relation causale entre les différentes métriques que nous avons tirées d’expériences et d’analyses passées. Notez que tous ces documents deviennent également un contexte précieux pour les agents d’IA, améliorant la qualité et la pertinence des résultats générés par l’IA.
• Proposer des améliorations de processus: Chaque équipe data fonctionne différemment, avec des avantages et des inconvénients. Rejoindre une nouvelle équipe signifie que vous apportez une nouvelle perspective sur les processus de l’équipe et que vous pourriez repérer des opportunités d’améliorer l’efficacité. Les suggestions réfléchies basées sur votre expérience passée sont extrêmement précieuses.

Selon moi, un onboarding réussi vise à établiralignement interfonctionnel, maîtrise des affaires et intuition des données.

Voici ma liste de contrôle d’intégration :

1. Semaine 1-2 : Fondations
   – Rencontrer des partenaires commerciaux clés
   – Soyez ajouté aux principales réunions interfonctionnelles
   – Comprendre l’orientation et les priorités de l’équipe à un niveau élevé
   – Configurer la pile technologique, l’accès et les autorisations
   – Écrivez votre première ligne de code
   – Lire la documentation et poser des questions
2. Semaine 2 à 6 : Mettez la main à la pâte
   – Plongée en profondeur dans l’OKR de l’équipe et les tableaux de données couramment utilisés
   – Plongez en profondeur dans votre domaine d’intervention (plus de documents et de questions)
   – Réaliser un projet de démarrage de bout en bout
   – Apportez des contributions précoces : mettez à jour les informations obsolètes, créez un élément de documentation ou suggérez une amélioration de processus, etc.
3. Semaine 6 à 12 : propriété
   – Être capable de prendre la parole lors de réunions interfonctionnelles et d’apporter votre point de vue éclairé par les données
   – Établissez la confiance en tant que personne de référence pour votre domaine

L’intégration est différente selon les entreprises, les rôles et les niveaux d’ancienneté. Mais les principes restent cohérents. Si vous commencez bientôt un nouveau rôle, j’espère que cette liste de contrôle vous aidera à progresser avec plus de clarté et de confiance.