সফট স্কিল প্রতিটি ডেটা সায়েন্টিস্টের প্রয়োজন – KDnuggets

লেখকের ছবি
 

আমি এই লোকটিকে জানি যে একজন অবিশ্বাস্য কোডার। তিনি তার কেরিয়ারের সুইচের জন্য পাইথনকে বেছে নিয়েছিলেন, তারপর দ্রুত জাভাস্ক্রিপ্ট, গো, এসকিউএল, এবং আরও কয়েকটিতে স্তুপীকৃত হয়েছিলেন। এবং তিনি ভাল, খুব, শুধুমাত্র এক না যারা তাদের জীবনবৃত্তান্তে ভাষা রাখা যারা না ডেটা সায়েন্টিস্ট দক্ষতা তাদের ব্যাক আপ করতে।

কিন্তু তাকে নিয়োগ পেতে কষ্ট হচ্ছে। আমি কয়েক সপ্তাহ আগে কফির জন্য তার সাথে দেখা করেছি, এবং আমাদের কথোপকথন এই নিবন্ধটিকে অনুপ্রাণিত করেছে। তাকে খুব বেশি অপমান না করে আমি তুলে ধরলাম কিভাবে তার শেষ ইন্টারভিউ চলে গেছে। তিনি একটু দেরিতে দেখাতে চান, তিনি পরে একটি ধন্যবাদ ইমেল পাঠাননি, এবং যখন তিনি প্রতিটি কোডিং সমস্যাকে এগিয়ে নিয়েছিলেন, তখন তিনি একটি সম্পূর্ণ সঠিক উত্তর থুথু দেওয়ার পরিবর্তে হোয়াইটবোর্ডের প্রশ্নগুলির সাথে জড়িত হননি।

"কেভ," আমি তাকে বললাম, "আপনার কোডিং অবিশ্বাস্যভাবে ভাল। যেকোন কোম্পানিই আপনাকে ডেটা সায়েন্টিস্ট হিসেবে পেয়ে ভাগ্যবান হবে। কিন্তু আপনাকে আপনার সফট স্কিল নিয়ে কাজ করতে হবে।”

এখানে চারটি মূল সফট স্কিল রয়েছে যা আমি প্রত্যেক ডেটা সায়েন্টিস্টের জন্য সুপারিশ করছি, আপনি মাঠে নামতে চান, আপনার কর্মজীবনে অগ্রসর হতে চান বা আরও ভালো কাজ করতে চান।

 

লেখকের ছবি

প্রত্যেকেই মনে করে এর অর্থ কীভাবে কথা বলতে হয় তা জানা। এটি বিপরীত: ভাল যোগাযোগ হল কীভাবে শুনতে হয় তা জানা, বিশেষত ডেটা সায়েন্সে।

এই দৃশ্যটি কল্পনা করুন: একজন স্টেকহোল্ডার, হতে পারে মার্কেটিং এর একজন ভিপি, আপনার কাছে একটি প্রচারাভিযান চালানোর বিষয়ে একটি প্রশ্ন নিয়ে আসে। তিনি এটি সম্পর্কে উত্তেজিত এবং তার মনে একটি দৃষ্টিভঙ্গি রয়েছে, কিন্তু তিনি নিশ্চিত নন কিভাবে এর প্রভাব পরিমাপ করবেন বা তার কী ডেটা প্রয়োজন। আপনি কীভাবে ডেটা টানতে পারেন বা আপনি কোন মডেলগুলি ব্যবহার করতে পারেন তার প্রযুক্তিগত বিষয়ে অবিলম্বে ডুব দেওয়ার পরিবর্তে, আপনি প্রথমে শুনুন। আপনি তাকে তার লক্ষ্য, তার উদ্বেগ এবং প্রচারণার মাধ্যমে তিনি কী অর্জন করতে চান তা ব্যাখ্যা করতে দিন।

সক্রিয়ভাবে শোনার মাধ্যমে, আপনি তার অনুরোধের বিস্তৃত প্রেক্ষাপট বুঝতে পারেন। হতে পারে সে শুধু একটি সাধারণ বিশ্লেষণই খুঁজছে না কিন্তু গ্রাহকের আচরণ বুঝতে চায় বা এমনভাবে দর্শকদের সেগমেন্ট করতে চায় যা সে বিবেচনা করেনি। প্রথমে শোনার মাধ্যমে, আপনি একটি সমাধান প্রদান করতে পারেন যা শুধুমাত্র প্রাথমিক কাজ নয়, তার প্রকৃত চাহিদার জন্য তৈরি।

তথ্য বিজ্ঞানে যোগাযোগের চাবিকাঠি। আপনি সারা দিন একটি কীবোর্ডে একটি অন্ধকার বেসমেন্ট টাইপিং কোডে কাজ করবেন না; আপনি অনুরোধগুলি পাবেন এবং উপস্থাপনাগুলি একসাথে রাখতে হবে এবং লোকেদের সাথে ডিল করতে হবে। হিসাবে ডেটা বিশ্লেষক দক্ষতা, আপনাকে সফল হওয়ার জন্য কীভাবে যোগাযোগ করতে হয় তা অবশ্যই জানতে হবে।

StackOverflow 2023 বিকাশকারী সমীক্ষা আসলে অভিযোজনযোগ্যতার একটি দুর্দান্ত উদাহরণ। লেখক প্রথমবারের মতো পরিচয় করিয়ে দেন একটি এআই বিভাগ, উন্নয়নের একটি পরিবর্তিত ল্যান্ডস্কেপের সাথে অসাধারণ অভিযোজনযোগ্যতা দেখাচ্ছে।

AI শুধুমাত্র একটি উদাহরণ। ডেটা সায়েন্স হল সেই পুরানো প্রবাদটির একটি দুর্দান্ত দৃষ্টান্ত: একমাত্র ধ্রুবক হল পরিবর্তন। একজন সফল ডেটা সায়েন্টিস্ট হওয়ার জন্য, আপনাকে পাঞ্চের সাথে রোল করার জন্য প্রস্তুত থাকতে হবে।

এর অর্থ অনেক ভিন্ন জিনিস হতে পারে। সবচেয়ে সুস্পষ্ট অ্যাপ্লিকেশন সহজে নতুন প্রযুক্তি শিখতে সক্ষম হচ্ছে. ক্লাউড প্রযুক্তি নতুন। এআই নতুন। FastAPI নতুন। আপনি এটি সব সঙ্গে রাখা প্রয়োজন.

আরেকটি আবেদন কর্মসংস্থান দৃশ্য সঙ্গে রাখা হয়. ইদানীং প্রবণতাটি কেবল ঐতিহ্যগত অর্থে ডেটা সায়েন্টিস্ট হওয়া নয়; অনেক নিয়োগকর্তা আশা করেন আপনি অনেক টুপি পরবেন। আপনাকে একজন ডেটা ইঞ্জিনিয়ার, একজন মেশিন লার্নিং ইঞ্জিনিয়ার এবং কখনও কখনও এমনকি একজন ডোমেন বিশেষজ্ঞও হতে হবে। এই ভূমিকাগুলির মধ্যে রেখাগুলি অস্পষ্ট, এবং আধুনিক ডেটা বিজ্ঞানীরা প্রায়শই নিজেদেরকে জাগলিং কাজগুলি খুঁজে পান যেগুলি একবার আলাদা ভূমিকায় নিঃশব্দ করা হয়েছিল।

আপনি এটিকে বোঝার এবং প্রতিক্রিয়া সংহত করার অর্থ হিসাবেও নিতে পারেন। ডেটা সায়েন্টিস্ট হিসাবে, আমরা প্রায়শই নির্দিষ্ট অনুমান বা ডেটাসেটের উপর ভিত্তি করে মডেল বা সমাধান তৈরি করি। কিন্তু তারা সবসময় আশানুরূপ কাজ করে না। অভিযোজনযোগ্য হওয়ার অর্থ হল এই প্রতিক্রিয়াটি দ্রুত গ্রহণ করা, আপনার মডেলগুলিতে পুনরাবৃত্তি করা এবং বাস্তব-বিশ্বের ফলাফলের উপর ভিত্তি করে সেগুলিকে উন্নত করা।

সম্ভবত সবচেয়ে খারাপ কিন্তু সবচেয়ে গুরুত্বপূর্ণ অ্যাপ্লিকেশনটি চাকরিচ্যুত বা ছাঁটাই করার জন্য অভিযোজিত হচ্ছে। 2021 এবং 2022 শ্রমের জন্য অদ্ভুত বছর ছিল, টন বড় কোম্পানি সামান্য সতর্কতা সহ প্রচুর কর্মচারীদের ছাঁটাই করেছে। এই সম্ভাব্য ফলাফলের পূর্বাভাস এবং এর জন্য প্রস্তুত হওয়া একটি ভাল ধারণা।

লেখকের ছবি
 

মনে আছে কিভাবে আমি যোগাযোগ সম্পর্কে harped? টিমওয়ার্ক এবং সহযোগিতা একই বন্ধনীতে ফিট করে। একজন ডেটা সায়েন্টিস্ট হিসেবে, আপনি শুধুমাত্র অন্যান্য ডেটা সায়েন্টিস্টদের সাথে কাজ করেন না। প্রত্যেকেই ডেটা-ব্যাকড যেকোনো কিছু পছন্দ করে, তাই আপনি পাওয়ারপয়েন্ট প্রেজেন্টেশন, রিপোর্ট এবং গ্রাফ তৈরি করার জন্য যেকোনো সংখ্যক অনুরোধের প্রাপক হবেন।

এটি সফলভাবে করতে, আপনাকে অন্যদের সাথে সুন্দর খেলতে হবে। ডেটা সায়েন্স প্রকল্পে প্রায়ই ব্যবসা বিশ্লেষক, প্রকৌশলী এবং পণ্য পরিচালক সহ ক্রস-ফাংশনাল টিমের সাথে কাজ করা জড়িত। কার্যকরভাবে সহযোগিতা করতে সক্ষম হওয়া নিশ্চিত করে যে ডেটা বিজ্ঞান সমাধানগুলি ব্যবসায়িক উদ্দেশ্যগুলির সাথে সারিবদ্ধ।

উদাহরণস্বরূপ, আমার আগের ভূমিকাগুলির মধ্যে একটিতে, পণ্য দল আমাদের অ্যাপে একটি নতুন বৈশিষ্ট্য চালু করতে চেয়েছিল। স্পষ্টতই, তাদের সিদ্ধান্ত সমর্থন করার জন্য ডেটা প্রয়োজন ছিল। তারা একই বৈশিষ্ট্য সম্পর্কিত ব্যবহারকারীর আচরণের অন্তর্দৃষ্টির জন্য আমার এবং বাকি ডেটা সায়েন্স টিমের সাথে যোগাযোগ করেছে।

একই সময়ে, বিপণন দল জানতে চেয়েছিল কীভাবে এই নতুন বৈশিষ্ট্যটি ব্যবহারকারীর ব্যস্ততা এবং ধারণকে প্রভাবিত করতে পারে। ইতিমধ্যে, ইঞ্জিনিয়ারিং দলকে প্রযুক্তিগত প্রয়োজনীয়তা এবং ডেটা পাইপলাইনগুলি কীভাবে প্রভাবিত হবে তা বোঝার প্রয়োজন ছিল।

আমাদের দল এর কেন্দ্রীয় হয়ে উঠেছে। আমাদের পণ্য দলের প্রয়োজনীয়তা সংগ্রহ করতে হবে, বিপণন দলকে অন্তর্দৃষ্টি প্রদান করতে হবে এবং মসৃণ ডেটা প্রবাহ নিশ্চিত করতে ইঞ্জিনিয়ারিং দলের সাথে কাজ করতে হবে। এর জন্য শুধু প্রযুক্তিগত দক্ষতাই নয়, প্রতিটি দলের চাহিদা বোঝার, কার্যকরভাবে যোগাযোগ করার – এবং কখনও কখনও বিরোধপূর্ণ স্বার্থের মধ্যে মধ্যস্থতা করার ক্ষমতাও প্রয়োজন।

আমি কপ-আউট রুট নিচ্ছি এবং উল্লেখ করছি না সমস্যা সমাধান চূড়ান্ত নরম দক্ষতা হিসাবে কারণ আমি মনে করি এটি অতিরিক্ত ব্যবহার করা হয়েছে। কিন্তু সত্যি বলতে, কৌতূহল একই জিনিস।

একজন ডেটা সায়েন্টিস্ট হিসেবে, আমার সম্ভবত আপনাকে বলার দরকার নেই যে আপনি অনেক সমস্যার মধ্যে পড়বেন। কিন্তু তাদের মূলে, প্রতিটি সমস্যা আসলে একটি প্রশ্ন।

"আমাদের ব্যবহারকারীরা রূপান্তরিত হচ্ছে না," হয়ে ওঠে "আমরা কীভাবে এই পণ্যটিকে আরও আকর্ষণীয় করতে পারি?"

"আমার মডেল আমাকে সঠিক ভবিষ্যদ্বাণী দিচ্ছে না," হয়ে ওঠে "আমার মডেলটিকে আরও বাস্তবসম্মত করতে আমি কী পরিবর্তন করতে পারি?" 

"গত ত্রৈমাসিকে আমাদের বিক্রয় কমে গেছে," হয়ে ওঠে "কোন বিষয়গুলি এই পতনকে প্রভাবিত করেছে এবং আমরা কীভাবে তাদের সমাধান করতে পারি?"

এই সমস্যাগুলির প্রতিটি, যখন একটি কৌতূহলী মানসিকতার সাথে যোগাযোগ করা হয়, তখন একটি প্রশ্নে রূপান্তরিত হয় যা বোঝার এবং উন্নতি চায়। কৌতূহল আপনাকে আরও গভীরে খনন করতে চালিত করে, শুধুমাত্র মুখ্য মূল্যে জিনিসগুলি গ্রহণ না করতে এবং ক্রমাগত আরও ভাল সমাধান খুঁজতে।

কেভিন, আমার ভূমিকা থেকে, সাধারণভাবে একজন কৌতূহলী ব্যক্তি ছিলেন। কিন্তু কোনো কারণে যখন ডেটা সায়েন্সের কথা আসে, তখন তিনি ব্লিঙ্কার চালু করেছিলেন। প্রতিটি সমস্যা একটি পেরেক হয়ে ওঠে যা একটি কোড হাতুড়ি দিয়ে সমাধান করতে হয়েছিল। এবং বাস্তবতা হল যে ডেটা সায়েন্সের অনেক কাজ সেভাবে করা যায় না।

তিনি আমাকে সম্প্রতি একটি সাক্ষাত্কারে জিজ্ঞাসা করা কিছুর একটি উদাহরণ দিয়েছেন: “গ্রাহক সহায়তা দল ওয়েবসাইটের চেকআউট প্রক্রিয়া সম্পর্কে অভিযোগ পেয়েছে৷ আপনি কিভাবে এটি সম্বোধন করবেন?"

কেভিন কীভাবে তিনি প্রযুক্তিগত ত্রুটি ঠিক করবেন সে সম্পর্কে বিস্তারিত জানালেন। কিন্তু তার সাক্ষাত্কারকারী যে উত্তরটি খুঁজছিলেন তা হল একটি প্রশ্ন যেমন, "কেন ব্যবহারকারীরা চেকআউট প্রক্রিয়াকে জটিল মনে করছেন?"

বাস্তব জগতে, সমস্যা সমাধানের জন্য একজন ডেটা বিজ্ঞানীকে এই প্রশ্নটি জিজ্ঞাসা করতে হবে। স্থানীয় পেমেন্ট গেটওয়ের ইন্টিগ্রেশনের কারণে হয়তো একটি নির্দিষ্ট অঞ্চলের ব্যবহারকারীরা সমস্যার সম্মুখীন হচ্ছেন। অথবা সম্ভবত সাইটের মোবাইল সংস্করণ ব্যবহারকারী-বান্ধব নয়, যা কার্ট পরিত্যাগের দিকে পরিচালিত করে।

সমস্যাটিকে একটি প্রশ্ন হিসাবে প্রণয়ন করে, ডেটা সায়েন্টিস্ট শুধু সমস্যাটিকে চিহ্নিত করেই ক্ষান্ত হন না; তারা এর পিছনে 'কেন' অনুসন্ধান করে। এই পদ্ধতিটি কেবল আরও কার্যকর সমাধানের দিকে পরিচালিত করে না বরং গভীর অন্তর্দৃষ্টিও উন্মোচন করে যা কৌশলগত সিদ্ধান্ত নিতে পারে।

সহানুভূতি, সহানুভূতি, স্থিতিস্থাপকতা, সময় ব্যবস্থাপনা এবং সমালোচনামূলক চিন্তাভাবনার মতো আমি এখানে উল্লেখ করিনি এমন প্রচুর নরম দক্ষতা রয়েছে। কিন্তু যদি আপনি এটি সম্পর্কে চিন্তা করেন, তারা সব সেই বন্ধনীর মধ্যে পড়ে।

মানুষের সাথে যোগাযোগ করুন। কীভাবে পরিবর্তন করতে হয় তা জানুন। অন্যদের সাথে কাজ করতে সক্ষম হন। এবং কৌতূহলের সাথে সমস্যাগুলির সাথে যোগাযোগ করুন। এই চারটি সফট স্কিল দিয়ে, আপনি যেকোনো সমস্যা, চাকরির ইন্টারভিউ বা আপনার পথে আসা বাগ মোকাবেলা করতে সক্ষম হবেন।
 
 

নাট রোসিদি একজন ডেটা সায়েন্টিস্ট এবং পণ্যের কৌশল। এছাড়াও তিনি একজন সহযোগী অধ্যাপক শিক্ষকতা বিশ্লেষণ, এবং এর প্রতিষ্ঠাতা স্ট্র্যাটাস্ক্র্যাচ, একটি প্ল্যাটফর্ম যা তথ্য বিজ্ঞানীদের তাদের ইন্টারভিউয়ের জন্য প্রস্তুত করতে সাহায্য করে যা শীর্ষ কোম্পানিগুলির বাস্তব ইন্টারভিউ প্রশ্ন নিয়ে। তার সাথে সংযোগ করুন টুইটার: StrataScratch or লিঙ্কডইন.

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs