5 ডেটা সায়েন্স ক্যারিয়ারের ভুল এড়ানো

ট্যাগ্স: পেশা পরামর্শ, ডেটা বিজ্ঞান, ভুল

প্রত্যেকেই ভুল করে, যা একটি ভাল জিনিস হতে পারে যখন তারা সময়ের সাথে সাথে শেখার এবং উন্নতির দিকে নিয়ে যায়। তবে, আমরা আমাদের ব্যক্তিগত বৃদ্ধি ত্বরান্বিত করার জন্য প্রথমে অন্যদের কাছ থেকে শেখার চেষ্টা করতে পারি। শুরু করার জন্য, এই পাঠগুলি কঠিন উপায়ে শেখা বিবেচনা করুন, যাতে আপনাকে এটি করতে হবে না।

মন্তব্য

By টেসা জি, ক্রুজের সিনিয়র ডেটা সায়েন্টিস্ট

দ্বারা ফোটো ব্রুস মার্স on Unsplash.

যখন আমি প্রথম ফিনান্স থেকে ডেটা সায়েন্সে রূপান্তর করেছি, তখন আমার মনে হয়েছিল আমি বিশ্বের শীর্ষে আছি — আমি আমার স্বপ্নের ক্ষেত্রে একটি চাকরি পেয়েছি, আমার ক্যারিয়ার ট্র্যাক সেট করা হয়েছে, আমি শুধু মাথা নিচু করে কঠোর পরিশ্রম করব, কি ভুল হতে পারে? ঠিক আছে, সেখানে কয়েকটি জিনিস ছিল... পরের বছর একজন ডেটা সায়েন্টিস্ট হিসেবে, বেশ কিছু ভুল ছিল যেগুলো আমি আমার ক্যারিয়ারের শুরুর দিকে নিজেকে ধরতে পেরে আনন্দিত। এইভাবে, খুব দেরি হওয়ার আগে আমার প্রতিফলন এবং কোর্স-সঠিক সময় ছিল। কিছুক্ষণ পরে, আমি বুঝতে পারি যে এই ভুলগুলি বেশ সাধারণ। প্রকৃতপক্ষে, আমি আমার আশেপাশে অনেক ডিএসকে এখনও এই ভুলগুলি করে দেখেছি, তারা জানি না যে তারা দীর্ঘমেয়াদে তাদের ডেটা ক্যারিয়ারে ক্ষতি করতে পারে।

যদি আমার 5 টি পাঠ ম্যাককিনসে আমাকে শিখিয়েছে যা আপনাকে আরও ভাল ডেটা বিজ্ঞানী করে তুলবে আমি সেরা থেকে যা শিখেছি, এই নিবন্ধের পাঠগুলি হল সেইগুলি যা আমি কঠিনভাবে শিখেছি, এবং আমি আশা করি আমি আপনাকে একই ভুলগুলি এড়াতে সাহায্য করতে পারি৷

ভুল 1: চিন্তার অংশীদারের পরিবর্তে নিজেকে একজন পাদদেশ সৈনিক হিসাবে দেখা

বড় হয়ে, বিশেষ করে স্কুলে আমরা কতটা ভালো নিয়ম ও আদেশ অনুসরণ করতে পারি তার উপর ভিত্তি করে আমাদের সবসময় মূল্যায়ন করা হয়েছে। আপনি যদি পাঠ্যবই অনুসরণ করেন এবং পরীক্ষা অনুশীলন করেন এবং কঠোর পরিশ্রম করেন তবে আপনি শীর্ষ শিক্ষার্থী হবেন। অনেক লোক তাদের কাজের পরিবেশে এই "পাদদেশ সৈনিক" মানসিকতা বহন করে বলে মনে হচ্ছে। আমার মতে, এটি সঠিক মানসিকতা যা অনেক ডেটা বিজ্ঞানীদের তাদের প্রভাব সর্বাধিক করতে এবং তাদের সমবয়সীদের থেকে আলাদা হতে বাধা দিচ্ছে। আমি অনেক ডিএসকে দেখেছি, বিশেষ করে জুনিয়ররা, মনে করে তাদের সিদ্ধান্ত গ্রহণের প্রক্রিয়ায় অবদান রাখার মতো কিছুই নেই এবং তারা বরং পটভূমিতে ফিরে যাবে এবং তাদের জন্য নেওয়া সিদ্ধান্তগুলি নিষ্ক্রিয়ভাবে বাস্তবায়ন করবে। এটি একটি দুষ্টচক্র শুরু করে — আপনি সেই আলোচনাগুলিতে যত কম অবদান রাখবেন, তত কম স্টেকহোল্ডাররা ভবিষ্যতের মিটিংগুলিতে আপনাকে জড়িত করবে এবং ভবিষ্যতে অবদান রাখার কম সুযোগ পাবেন।

মডেল ডেভেলপমেন্টের ক্ষেত্রে একজন পাদদেশ সৈনিক এবং একজন চিন্তার অংশীদারের মধ্যে পার্থক্যের একটি সুনির্দিষ্ট উদাহরণ দেওয়া যাক। তথ্য সংগ্রহ এবং ফিচার ব্রেনস্টর্মিং মিটিংয়ে, পুরানো আমি স্টেকহোল্ডারদের পরামর্শের উপর প্যাসিভভাবে নোট নিতেন যাতে আমি পরে সেগুলিকে "নিখুঁতভাবে" বাস্তবায়ন করতে পারি। যখন কেউ এমন একটি বৈশিষ্ট্যের প্রস্তাব দেয় যার জন্য আমি জানতাম যে আমাদের কাছে ডেটা নেই, তখন আমি এই ধারণার ভিত্তিতে কিছু বলব না যে তারা আরও সিনিয়র এবং তারা অবশ্যই এমন কিছু জানেন যা আমি উপেক্ষা করেছি। কিন্তু কি অনুমান, তারা না. আমি পরে এমন পরিস্থিতির মুখোমুখি হব যে 50% বৈশিষ্ট্যগুলির XNUMX% অতিরিক্ত ডেটা সংগ্রহের প্রয়োজন হবে যা আমাদের প্রকল্পের সময়সীমাকে ঝুঁকিতে ফেলবে। ফলস্বরূপ, আমি প্রায়ই নিজেকে শেষ পর্যন্ত খারাপ-সংবাদ বহনকারী বার্তাবাহকের অবাঞ্ছিত অবস্থানে পেয়েছি। আজকাল একজন চিন্তার অংশীদার হওয়ার চেষ্টা করে, আমি কথোপকথনের প্রথম দিকে নিজেকে জড়িত করি এবং ডেটার সবচেয়ে কাছের ব্যক্তি হিসাবে আমার অনন্য অবস্থানকে কাজে লাগাই৷ এইভাবে, আমি শুরুতেই স্টেকহোল্ডারদের প্রত্যাশা পরিচালনা করতে পারি এবং দলকে এগিয়ে যেতে সাহায্য করার জন্য পরামর্শ দিতে পারি।

কীভাবে এটি এড়ানো যায়:

নিশ্চিত করুন যে আপনি এমন মিটিংগুলিতে পিছিয়ে থাকবেন না যেখানে আপনি ডেটা দৃষ্টিকোণ থেকে কিছু অবদান রাখতে পারেন: স্টেকহোল্ডাররা যা পরিমাপ করতে চান তার জন্য মেট্রিক্সের সংজ্ঞা কি যথেষ্ট? মেট্রিক্সের সেট পরিমাপের জন্য কি ডেটা পাওয়া যায়? যদি না হয়, আমরা কি আমাদের কাছে থাকা ডেটার জন্য প্রক্সি খুঁজে পেতে পারি?
ইমপোস্টার সিন্ড্রোম বাস্তব, বিশেষ করে জুনিয়র ডিএসের মধ্যে। নিশ্চিত করুন যে আপনি এটি সম্পর্কে অবগত আছেন, এবং যখনই আপনি প্রশ্ন করছেন যে আপনার এমন কিছু বলা উচিত যা "অন্যরা ইতিমধ্যেই ভাবতে পারে" বা একটি "বোকা পরিষ্কার প্রশ্ন" জিজ্ঞাসা করা উচিত।
অন্য লোকেরা কী কাজ করছে সে সম্পর্কে কৌতূহলের একটি স্তর বজায় রাখুন। এমন অনেক ঘটনা আছে যেখানে আমি দেখেছি যে কোম্পানির ডেটা সম্পর্কে তাদের বোঝার অভাবের কারণে অন্য লোকেরা উপেক্ষা করেছে এমন ফাঁকগুলি লক্ষ্য করে আমি মূল্য যোগ করতে পারি।

ভুল 2: ডাটা সায়েন্সের একটি নির্দিষ্ট এলাকায় নিজেকে কবুতর হোল করুন

আমি কি ডেটা ইঞ্জিনিয়ার বা ডেটা সায়েন্টিস্ট হতে চাই? আমি কি বিপণন এবং বিক্রয় ডেটা নিয়ে কাজ করতে চাই নাকি ভূ-স্থানিক বিশ্লেষণ করতে চাই? আপনি হয়তো লক্ষ্য করেছেন যে আমি এখন পর্যন্ত এই নিবন্ধে DS শব্দটি অনেকের জন্য একটি সাধারণ শব্দ হিসাবে ব্যবহার করছি ডেটা-সম্পর্কিত কর্মজীবনের পথ (যেমন, ডেটা ইঞ্জিনিয়ার, ডেটা সায়েন্টিস্ট, ডেটা বিশ্লেষক, ইত্যাদি)। কারণ আজকাল ডেটা জগতে এই শিরোনামগুলির মধ্যে লাইনগুলি এতটাই অস্পষ্ট, বিশেষত ছোট সংস্থাগুলিতে। আমি দেখেছি অনেক ডেটা সায়েন্টিস্ট নিজেদেরকে শুধুমাত্র ডেটা সায়েন্টিস্ট হিসেবে দেখেন যারা মডেল তৈরি করেন এবং এমন কোন ব্যবসায়িক দিক বা ডেটা ইঞ্জিনিয়ারদের দিকে মনোযোগ দেন না যারা শুধুমাত্র ডেটা পাইপলাইনিং এর উপর ফোকাস করেন এবং যে মডেলিং চলছে সে সম্পর্কে কিছু জানতে চান না। কোম্পানি.

সেরা ডেটা প্রতিভা হল তারা যারা একাধিক টুপি পরতে পারে বা কমপক্ষে অন্যান্য ডেটা ভূমিকার প্রক্রিয়াগুলি বুঝতে সক্ষম। এটি বিশেষভাবে কার্যকর হয় যদি আপনি প্রাথমিক পর্যায়ে বা বৃদ্ধির পর্যায়ে স্টার্টআপে কাজ করতে চান, যেখানে ফাংশনগুলি এখনও বিশেষায়িত নাও হতে পারে এবং আপনি নমনীয় হবেন এবং বিভিন্ন ডেটা-সম্পর্কিত দায়িত্বগুলি কভার করবেন বলে আশা করা হয়। এমনকি যদি আপনি একটি স্পষ্টভাবে সংজ্ঞায়িত কাজের প্রোফাইলে থাকেন, আপনি সময়ের সাথে সাথে আরও অভিজ্ঞতা পান, আপনি হয়তো আবিষ্কার করতে পারেন যে আপনি একটি ভিন্ন ধরনের ডেটা ভূমিকায় রূপান্তর করতে আগ্রহী। এই পিভটটি অনেক সহজ হবে যদি আপনি একটি নির্দিষ্ট ভূমিকার সংকীর্ণ ফোকাসে নিজেকে এবং আপনার দক্ষতাকে কবুতর হোল না করেন।

কীভাবে এটি এড়ানো যায়:

আবার, অন্যান্য ডেটা ভূমিকাগুলি যে প্রকল্পগুলিতে কাজ করছে সেগুলি সম্পর্কে আগ্রহী হন। আকর্ষণীয় প্রকল্পগুলি সম্পর্কে একে অপরের সাথে কথা বলার জন্য সহকর্মীদের সাথে পর্যায়ক্রমিক বৈঠকের সময়সূচী করুন বা বিভিন্ন ডেটা দল পর্যায়ক্রমে একে অপরের সাথে তাদের কাজ/প্রকল্পগুলি ভাগ করে নিন।
আপনি যদি কর্মক্ষেত্রে অন্যান্য ডেটা ভূমিকার সংস্পর্শে আসতে না পারেন তবে আপনার অবসর সময়ে আপনি যে ডেটা দক্ষতাগুলি ব্যবহার করেন না সেগুলি বজায় রাখার/অনুশীলন করার চেষ্টা করুন। উদাহরণস্বরূপ, আপনি যদি একজন ডেটা বিশ্লেষক হন এবং কিছুক্ষণের মধ্যে মডেলিং স্পর্শ না করেন, তাহলে কাগল প্রতিযোগিতার মতো বাইরের প্রকল্পগুলির মাধ্যমে দক্ষতা অনুশীলন করার কথা বিবেচনা করুন।

ভুল 3: ক্ষেত্রের উন্নয়নের সাথে তাল মিলিয়ে না রাখা

আত্মতৃপ্তি মেরে ফেলে

প্রতিটি সৈনিক এটি জানে, এবং প্রতিটি ডিএসেরও উচিত। আপনার ডেটা দক্ষতা সম্পর্কে আত্মতুষ্ট হওয়া এবং নতুন শিখতে সময় না দেওয়া একটি সাধারণ ভুল। ডেটা ফিল্ডে এটি করা অন্য কিছু ক্ষেত্রের চেয়ে বেশি বিপজ্জনক কারণ ডেটা সায়েন্স এমন একটি ক্ষেত্র যা তুলনামূলকভাবে নতুন এবং এখনও কঠোর পরিবর্তন এবং উন্নয়নের সম্মুখীন হচ্ছে। প্রতিনিয়ত নতুন অ্যালগরিদম, নতুন টুলস, এমনকি নতুন প্রোগ্রামিং ভাষা চালু হচ্ছে।

আপনি যদি এমন একজন ডেটা বিজ্ঞানী হতে না চান যিনি এখনও 2021 সালে STATA ব্যবহার করতে জানেন (তিনি আছেন, আমি তার সাথে কাজ করেছি), তাহলে আপনাকে ক্ষেত্রের উন্নয়নের সাথে তাল মিলিয়ে চলতে হবে।

এটা আপনি হতে দেবেন না (জিআইএফ GIPHY দ্বারা)

কীভাবে এটি এড়ানো যায়:

অনলাইন ক্লাসের জন্য সাইন আপ করুন নতুন ধারণা এবং অ্যালগরিদম সম্পর্কে জানতে অথবা আপনি যেগুলি ইতিমধ্যে জানেন কিন্তু চাকরিতে কিছুক্ষণ ব্যবহার করেননি সেগুলি ব্রাশ করতে৷ শেখার ক্ষমতা হল একটি পেশী যা প্রত্যেকেরই অনুশীলন করা উচিত, এবং সারাজীবন শিক্ষিকা হওয়া সম্ভবত আপনি নিজেকে দিতে পারেন সেরা উপহার।
একটি DS নিউজলেটারের জন্য সাইন আপ করুন বা মিডিয়াম-এ একটি DS ব্লগার/প্রকাশনা অনুসরণ করুন এবং DS "সংবাদ" অনুসরণ করার অভ্যাস গড়ে তুলুন।

ভুল 4: আপনার বিশ্লেষণাত্মক পেশী overflexing

যদি আপনার কাছে একটি হাতুড়ি থাকে তবে সবকিছুই পেরেকের মতো দেখায়। এমন ডিএস হবেন না যে সবকিছুতে এমএল ব্যবহার করার চেষ্টা করে। যখন আমি প্রথমবার ডেটা সায়েন্সের জগতে প্রবেশ করি, তখন আমি স্কুলে যে সমস্ত অভিনব মডেল শিখেছিলাম সেগুলি সম্পর্কে আমি খুব উত্তেজিত ছিলাম এবং বাস্তব-বিশ্বের সমস্যাগুলির জন্য সেগুলি চেষ্টা করার জন্য অপেক্ষা করতে পারিনি৷ কিন্তু বাস্তব জগত একাডেমিক গবেষণা থেকে ভিন্ন, এবং 80/20 বিধি সবসময় খেলা হয়.

সম্পর্কে আমার আগের নিবন্ধে "5 পাঠ ম্যাককিনসে আমাকে শিখিয়েছে,” আমি লিখেছিলাম যে কীভাবে ব্যবসায়িক প্রভাব এবং ব্যাখ্যাযোগ্যতা কখনও কখনও আপনার মডেলের নির্ভুলতার অতিরিক্ত কয়েক শতাংশ পয়েন্টের চেয়ে বেশি গুরুত্বপূর্ণ। কখনও কখনও হয়ত একটি অনুমান-চালিত এক্সেল মডেল একটি বহু-স্তরযুক্ত নিউরাল নেট থেকে আরও বেশি বোধগম্য করে তোলে। এই ক্ষেত্রে, আপনার বিশ্লেষণাত্মক পেশীকে অতিরিক্ত ফ্লেক্স করবেন না এবং আপনার পদ্ধতিকে ওভারকিল করবেন না। পরিবর্তে, আপনার ব্যবসায়িক পেশী ফ্লেক্স করুন এবং ডিএস হন যার ব্যবসায়িক দক্ষতাও রয়েছে।

কীভাবে এটি এড়ানো যায়:

আপনার অস্ত্রাগারে বিশ্লেষণাত্মক দক্ষতা/সরঞ্জামের সম্পূর্ণ পরিসর রয়েছে, সাধারণ এক্সেল থেকে উন্নত ML মডেলিং দক্ষতা, যাতে আপনি সর্বদা মূল্যায়ন করতে পারেন যে কোন সরঞ্জামটি ব্যবহার করা সবচেয়ে ভাল এবং ছুরির লড়াইয়ে বন্দুক নিয়ে আসবেন না।
বিশ্লেষণে যাওয়ার আগে ব্যবসার প্রয়োজনীয়তাগুলি বুঝুন। কখনও কখনও স্টেকহোল্ডাররা একটি ML মডেলের জন্য অনুরোধ করে কারণ এটি একটি জনপ্রিয় ধারণা, এবং ML মডেলগুলি কী করতে পারে সে সম্পর্কে তাদের অবাস্তব প্রত্যাশা রয়েছে৷ DS হিসাবে আপনার প্রত্যাশাগুলি পরিচালনা করা এবং তাদের লক্ষ্য অর্জনের জন্য আরও ভাল এবং সহজ উপায় খুঁজে পেতে সহায়তা করা আপনার কাজ। মনে আছে? চিন্তার সঙ্গী হোন, পায়ের সৈনিক নয়।

ভুল 5: মনে করুন একটি ডেটা সংস্কৃতি তৈরি করা অন্য কারো কাজ

আমার নিবন্ধে "একটি দুর্দান্ত ডেটা সংস্কৃতি গড়ে তোলার জন্য 6টি প্রয়োজনীয় পদক্ষেপ৷"আমি লিখেছিলাম কিভাবে ডেটা বিজ্ঞানীদের জীবন ভয়ঙ্কর এবং অনুৎপাদনশীল হতে পারে যদি কোম্পানির একটি দুর্দান্ত ডেটা সংস্কৃতি না থাকে। প্রকৃতপক্ষে, আমি অনেক ডিএসকে অনুৎপাদনশীল অ্যাডহক ডেটা অনুরোধ সম্পর্কে অভিযোগ করতে শুনেছি যেগুলি স্বয়ংসম্পূর্ণ ফ্যাশনে স্টেকহোল্ডারদের দ্বারা সহজেই পরিচালনা করা উচিত (উদাহরণস্বরূপ, লুকারে মাসিক থেকে দৈনিক একত্রিতকরণ পরিবর্তন করা, যা আক্ষরিক অর্থে দুটি ক্লিক নিয়ে গঠিত। ) ভাববেন না যে সংস্কৃতি পরিবর্তন করা অন্যের কাজ। আপনি যদি পরিবর্তন দেখতে চান, সেগুলি করুন। সর্বোপরি, ডেটা সংস্কৃতি গড়ে তুলতে এবং ডেটা বিজ্ঞানীদের চেয়ে স্টেকহোল্ডারদের ডেটা সম্পর্কে শিক্ষিত করতে কে ভাল অবস্থানে রয়েছে? কোম্পানিতে ডেটা সংস্কৃতি গড়ে তুলতে সাহায্য করা আপনার জীবনকে রাস্তার পাশাপাশি আপনার স্টেকহোল্ডারদের জন্য অনেক সহজ করে তুলবে।

কীভাবে এটি এড়ানো যায়:

অ-বিশ্লেষণমূলক স্টেকহোল্ডারদের জন্য প্রশিক্ষণ পরিচালনা করা এবং স্ব-পরিষেবা সংস্থান বিকাশ করা আপনার দায়িত্ব করুন।
নিশ্চিত করুন যে আপনি যা প্রচার করছেন তা অনুশীলন করা শুরু করুন, স্লাইডে প্রশ্নগুলি লিঙ্ক করা শুরু করুন, নথিতে সত্যের ডেটা উত্সগুলি লিঙ্ক করুন এবং আপনার কোড এবং ডেটাবেসগুলি নথিভুক্ত করা শুরু করুন৷ আপনি রাতারাতি ডেটা সংস্কৃতি তৈরি করতে পারবেন না, তাই এটি অবশ্যই ধৈর্য্য লাগে।

আমি উল্লেখ করতে চাই যে আপনার ক্যারিয়ারে ভুল করা ঠিক আছে। সবচেয়ে গুরুত্বপূর্ণ বিষয় হল সেই ভুলগুলো থেকে শিক্ষা নেওয়া এবং ভবিষ্যতে এড়িয়ে যাওয়া। অথবা আরও ভাল, অন্যদের একই ভুল করা এড়াতে সাহায্য করার জন্য সেগুলি লিখুন।

মূল। অনুমতি নিয়ে পোস্ট করা।

বায়ো: টেসা জি এমআইটি থেকে ফিন্যান্সিয়াল ইঞ্জিনিয়ারিং-এ স্নাতকোত্তর ডিগ্রির পর একটি শক্তিশালী ইঞ্জিনিয়ারিং ব্যাকগ্রাউন্ড সহ ডেটা সায়েন্স, এসকিউএল, আর, পাইথন, কনজিউমার রিসার্চ এবং ইকোনমিক রিসার্চে দক্ষ একজন অভিজ্ঞ অ্যাডভান্সড অ্যানালিটিক্স কনসালটেন্ট।

সম্পর্কিত: