Bløde færdigheder, som enhver dataforsker har brug for - KDnuggets

Genudgivet af Platon

Abonnenter: 0

Bløde færdigheder, som enhver dataforsker har brug for
Billede af forfatter

Jeg kender denne fyr, som er en utrolig koder. Han hentede Python til sit karriereskifte, og stak derefter hurtigt på JavaScript, Go, SQL og et par andre bare for at sparke. Og han er også god, ikke bare en af de mennesker, der sætter sprog på deres CV med nej data scientist færdigheder at bakke dem op.

Men han har svært ved at blive ansat. Jeg mødte ham til kaffe for et par uger siden, og vores samtale inspirerede til denne artikel. Uden at ville fornærme ham for meget, bragte jeg op, hvordan hans sidste interview var gået. Han dukkede op lidt for sent, han havde ikke sendt en tak-e-mail bagefter, og mens han klarede alle kodningsproblemer, beskæftigede han sig ikke med whiteboard-spørgsmålene længere end at spytte et helt korrekt svar ud.

"Kev," sagde jeg til ham, "din kodning er utrolig god. Enhver virksomhed ville være heldig at have dig som dataforsker. Men du skal arbejde på dine bløde færdigheder.”

Her er de fire nøglebløde færdigheder, jeg anbefaler til enhver dataforsker, uanset om du ønsker at komme ind i feltet, avancere i din karriere eller bare gøre et bedre stykke arbejde.

Bløde færdigheder, som enhver dataforsker har brug for
Billede af forfatter

Alle tror, at det betyder, at man ved, hvordan man taler. Det er det modsatte: god kommunikation handler om at vide, hvordan man lytter, især inden for datavidenskab.

Forestil dig dette scenarie: en interessent, måske en VP for marketing, kommer til dig med et spørgsmål om en kampagne, hun ønsker at køre. Hun er begejstret for det og har en vision i sit sind, men hun er ikke sikker på, hvordan hun skal måle virkningen, eller hvilke data hun har brug for. I stedet for straks at dykke ned i det tekniske med, hvordan du kan trække dataene eller hvilke modeller du kan bruge, lytter du først. Du lader hende forklare sine mål, sine bekymringer og hvad hun håber at opnå med kampagnen.

Ved aktivt at lytte kan du forstå den bredere kontekst af hendes anmodning. Måske leder hun ikke bare efter en simpel analyse, men ønsker at forstå kundeadfærd eller segmentere publikum på en måde, hun ikke havde overvejet. Ved at lytte først, kan du levere en løsning, der er skræddersyet til hendes faktiske behov, ikke kun den indledende opgave.

Kommunikation er nøglen i datavidenskab. Du vil ikke arbejde i en mørk kælder ved at skrive kode på et tastatur hele dagen; du vil modtage forespørgsler og skal sammensætte præsentationer og beskæftige dig med mennesker. Som i dataanalytikerfærdigheder, skal du vide, hvordan du kommunikerer for at få succes.

StackOverflow 2023-udviklerundersøgelsen er faktisk et godt eksempel på tilpasningsevne. Forfatterne introducerede for første gang en AI-sektion, der viser bemærkelsesværdig tilpasningsevne til et skiftende udviklingslandskab.

AI er blot et eksempel. Datavidenskab er sådan en fantastisk illustration af det gamle ordsprog: den eneste konstant er forandring. For at blive en succesfuld dataforsker skal du være klar til at rulle med slagene.

Dette kan betyde mange forskellige ting. Den mest oplagte applikation er let at lære ny teknologi. Cloud-teknologi er ny. AI er nyt. FastAPI er nyt. Du skal følge med det hele.

En anden applikation er at følge med i beskæftigelsesscenen. Tendensen på det seneste er ikke kun at være data scientist i traditionel forstand; mange arbejdsgivere forventer, at du har mange hatte på. Du skal også være dataingeniør, maskinlæringsingeniør og nogle gange endda domæneekspert. Grænserne mellem disse roller udviskes, og moderne datavidenskabsmænd finder ofte i at jonglere med opgaver, der engang blev sat ind i separate roller.

Du kan også tage det til at betyde forståelse og integration af feedback. Som data scientists bygger vi ofte modeller eller løsninger baseret på bestemte antagelser eller datasæt. Men de virker ikke altid som forventet. At være tilpasningsdygtig betyder at tage denne feedback i stiv arm, at gentage dine modeller og forbedre dem baseret på resultater fra den virkelige verden.

Den værste, men vigtigste applikation er muligvis at tilpasse sig til at blive fyret eller afskediget. 2021 og 2022 var mærkelige år for arbejdskraft, med tonsvis af store virksomheder, der afskedigede store dele af medarbejdere med lidt advarsel. Det er en god idé at forudse dette potentielle resultat og være klar til det.

Bløde færdigheder, som enhver dataforsker har brug for
Billede af forfatter

Kan du huske, hvordan jeg talte om kommunikation? Teamwork og samarbejde passer ind i den samme parentes. Som data scientist arbejder du ikke kun sammen med andre data scientists. Alle elsker dataunderstøttet alt, så du vil være modtageren af et vilkårligt antal anmodninger om at producere PowerPoint-præsentationer, rapporter og grafer.

For at gøre dette med succes, skal du spille godt med andre. Datavidenskabsprojekter involverer ofte arbejde med tværfunktionelle teams, herunder forretningsanalytikere, ingeniører og produktchefer. At være i stand til at samarbejde effektivt sikrer, at de datavidenskabelige løsninger stemmer overens med forretningsmålene.

For eksempel, i en af mine tidligere roller, ønskede produktteamet at introducere en ny funktion i vores app. Det er klart, at data var nødvendige for at støtte deres beslutning. De henvendte sig til mig og resten af datavidenskabsteamet for at få indsigt i brugeradfærd relateret til lignende funktioner.

Samtidig ønskede marketingteamet at vide, hvordan denne nye funktion kunne påvirke brugerengagement og fastholdelse. I mellemtiden skulle ingeniørteamet forstå de tekniske krav, og hvordan datapipelines ville blive påvirket.

Vores team blev centralt i dette. Vi skulle indsamle krav fra produktteamet, give indsigt til marketingteamet og arbejde sammen med ingeniørteamet for at sikre et jævnt dataflow. Dette kræver ikke kun teknisk ekspertise, men også evnen til at forstå hvert teams behov, kommunikere effektivt – og nogle gange mægle mellem modstridende interesser.

Jeg tager betjent-out-ruten og nævner ikke problemløsning som den ultimative bløde færdighed, fordi jeg synes, den er overudnyttet. Men ærligt talt er nysgerrighed det samme.

Som data scientist behøver jeg nok ikke fortælle dig, at du vil løbe ind i en masse problemer. Men i deres kerne er ethvert problem faktisk et spørgsmål.

"Vores brugere konverterer ikke," bliver "Hvordan kan vi gøre dette produkt mere attraktivt?"

"Min model giver mig ikke præcise forudsigelser," bliver "Hvad kan jeg ændre for at gøre min model mere realistisk?"

"Vores salg er faldet i det sidste kvartal," bliver "Hvilke faktorer har påvirket dette fald, og hvordan kan vi håndtere dem?"

Hvert af disse problemer, når de behandles med en nysgerrig tankegang, forvandles til et spørgsmål, der søger forståelse og forbedring. Nysgerrighed driver dig til at grave dybere, til ikke bare at acceptere ting for pålydende, og til konstant at søge bedre løsninger.

Kevin, fra min intro, var generelt en nysgerrig person. Men af en eller anden grund, når det kom til datavidenskab, havde han blink på. Ethvert problem blev et søm, der skulle løses med en kodehammer. Og virkeligheden er, at ikke meget af datavidenskabsarbejdet kan udføres på den måde.

Han gav mig et eksempel på noget, han blev spurgt til ved et interview for nylig: “Kundesupportteamet har modtaget klager over hjemmesidens betalingsproces. Hvordan ville du forholde dig til dette?”

Kevin fortsatte i detaljer om, hvordan han ville rette den tekniske fejl. Men svaret, hans interviewer ledte efter, var et spørgsmål som: "Hvorfor synes brugere, at betalingsprocessen er besværlig?"

I den virkelige verden ville en dataforsker være nødt til at stille dette spørgsmål for at løse problemet. Måske står brugere fra en bestemt region over for problemer på grund af en lokal betalingsgateways integration. Eller måske er mobilversionen af webstedet ikke så brugervenlig, hvilket fører til, at kurven forlades.

Ved at formulere problemet som et spørgsmål, stopper dataforskeren ikke bare med at identificere problemet; de dykker ned i 'hvorfor' bagved. Denne tilgang fører ikke kun til mere effektive løsninger, men afdækker også dybere indsigter, der kan drive strategiske beslutninger.

Der er tonsvis af bløde færdigheder, jeg ikke nævnte her, som empati, robusthed, tidsstyring og kritisk tænkning, for at nævne nogle få. Men hvis du tænker over det, falder de alle ind i de parenteser.

Kommunikere med mennesker. Ved, hvordan man ændrer sig. Kunne arbejde sammen med andre. Og gå til problemer med nysgerrighed. Med disse fire bløde færdigheder vil du være i stand til at tackle ethvert problem, jobsamtale eller fejl, der kommer din vej.

Nate Rosidi er data scientist og i produktstrategi. Han er også adjungeret professor, der underviser i analytics og er grundlæggeren af StrataScratch, en platform, der hjælper dataforskere med at forberede sig til deres interviews med rigtige interviewspørgsmål fra topvirksomheder. Forbind med ham Twitter: StrataScratch or LinkedIn.