Soft Skills, die jeder Datenwissenschaftler braucht – KDnuggets

Bild vom Autor
 

Ich kenne diesen Kerl, der ein unglaublicher Programmierer ist. Für seinen Karrierewechsel hat er sich Python zugelegt und sich dann schnell auf JavaScript, Go, SQL und ein paar andere konzentriert, nur um Spaß zu haben. Und er ist auch gut, nicht nur einer von denen, die Sprachen mit Nein in ihren Lebenslauf aufnehmen Datenwissenschaftler Fähigkeiten um sie zu unterstützen.

Aber es fällt ihm schwer, eingestellt zu werden. Ich habe ihn vor ein paar Wochen zum Kaffeetrinken getroffen und unser Gespräch hat diesen Artikel inspiriert. Ohne ihn zu sehr beleidigen zu wollen, erzählte ich, wie sein letztes Interview verlaufen war. Er war etwas verspätet aufgetaucht, hatte hinterher keine Dankes-E-Mail geschickt, und obwohl er jedes Codierungsproblem gemeistert hatte, beschäftigte er sich nicht weiter mit den Whiteboard-Fragen, als eine vollkommen richtige Antwort auszuspucken.

„Kev“, sagte ich zu ihm, „deine Codierung ist unglaublich gut. Jedes Unternehmen kann sich glücklich schätzen, Sie als Datenwissenschaftler zu haben. Aber Sie müssen an Ihren Soft Skills arbeiten.“

Hier sind die vier wichtigsten Soft Skills, die ich jedem Datenwissenschaftler empfehle, egal ob Sie in das Feld einsteigen, Ihre Karriere vorantreiben oder einfach einen besseren Job machen möchten.

 

Bild vom Autor

Jeder denkt, das bedeute, sprechen zu können. Das Gegenteil ist der Fall: Bei guter Kommunikation kommt es darauf an, zuzuhören, insbesondere in der Datenwissenschaft.

Stellen Sie sich dieses Szenario vor: Ein Stakeholder, vielleicht ein Marketing-Vizepräsident, kommt mit einer Frage zu einer Kampagne, die er durchführen möchte, zu Ihnen. Sie ist davon begeistert und hat eine Vision im Kopf, ist sich aber nicht sicher, wie sie deren Wirkung messen soll oder welche Daten sie benötigt. Anstatt sich sofort mit den technischen Details zu befassen, wie Sie die Daten abrufen oder welche Modelle Sie verwenden können, hören Sie zunächst zu. Sie lassen sie ihre Ziele, ihre Bedenken und ihre Ziele mit der Kampagne erläutern.

Indem Sie aktiv zuhören, können Sie den größeren Kontext ihrer Anfrage verstehen. Vielleicht sucht sie nicht nur nach einer einfachen Analyse, sondern möchte das Kundenverhalten verstehen oder die Zielgruppe auf eine Weise segmentieren, an die sie nicht gedacht hatte. Indem Sie zuerst zuhören, können Sie eine Lösung anbieten, die auf ihre tatsächlichen Bedürfnisse zugeschnitten ist und nicht nur auf die ursprüngliche Aufgabe.

Kommunikation ist der Schlüssel in der Datenwissenschaft. Sie werden nicht den ganzen Tag in einem dunklen Keller arbeiten und Code in eine Tastatur eingeben; Sie erhalten Anfragen, müssen Präsentationen zusammenstellen und mit Menschen umgehen. Wie in Datenanalytiker-Fähigkeiten, Sie müssen wissen, wie man kommuniziert, um erfolgreich zu sein.

Die Entwicklerumfrage von StackOverflow 2023 ist tatsächlich ein großartiges Beispiel für Anpassungsfähigkeit. Die Autoren stellten zum ersten Mal vor ein KI-Bereichund zeigt eine bemerkenswerte Anpassungsfähigkeit an eine sich verändernde Entwicklungslandschaft.

KI ist nur ein Beispiel. Die Datenwissenschaft ist ein großartiges Beispiel für dieses alte Sprichwort: Die einzige Konstante ist der Wandel. Um ein erfolgreicher Datenwissenschaftler zu sein, müssen Sie bereit sein, alles zu meistern.

Dies kann viele verschiedene Dinge bedeuten. Die offensichtlichste Anwendung besteht darin, neue Technologien leicht erlernen zu können. Cloud-Technologie ist neu. KI ist neu. FastAPI ist neu. Sie müssen mit allem Schritt halten.

Eine weitere Anwendung besteht darin, mit der Beschäftigungsszene Schritt zu halten. Der Trend geht in letzter Zeit nicht nur dahin, Datenwissenschaftler im herkömmlichen Sinne zu sein; Viele Arbeitgeber erwarten von Ihnen, dass Sie viele Aufgaben übernehmen. Sie müssen außerdem ein Dateningenieur, ein Ingenieur für maschinelles Lernen und manchmal sogar ein Domänenexperte sein. Die Grenzen zwischen diesen Rollen verschwimmen und moderne Datenwissenschaftler jonglieren oft mit Aufgaben, die früher in getrennten Rollen untergebracht waren.

Man kann darunter auch verstehen, Feedback zu verstehen und zu integrieren. Als Datenwissenschaftler erstellen wir häufig Modelle oder Lösungen, die auf bestimmten Annahmen oder Datensätzen basieren. Aber sie funktionieren nicht immer wie erwartet. Anpassungsfähig zu sein bedeutet, dieses Feedback gelassen zu nutzen, Ihre Modelle zu iterieren und sie auf der Grundlage realer Ergebnisse zu verbessern.

Die vielleicht schlimmste, aber wichtigste Anwendung besteht darin, sich an eine Entlassung oder Entlassung anpassen zu können. 2021 und 2022 waren seltsame Arbeitsjahre, in denen unzählige große Unternehmen ohne Vorwarnung große Teile ihrer Mitarbeiter entlassen haben. Es ist eine gute Idee, dieses mögliche Ergebnis vorherzusehen und darauf vorbereitet zu sein.

Bild vom Autor
 

Erinnern Sie sich, wie ich über Kommunikation geredet habe? Teamwork und Zusammenarbeit passen in dieselbe Kategorie. Als Data Scientist arbeiten Sie nicht nur mit anderen Data Scientists zusammen. Jeder liebt alles, was auf Daten basiert, daher erhalten Sie unzählige Anfragen zur Erstellung von PowerPoint-Präsentationen, Berichten und Grafiken.

Um dies erfolgreich zu tun, muss man nett zu anderen sein. Bei Data-Science-Projekten wird oft mit funktionsübergreifenden Teams zusammengearbeitet, darunter Business-Analysten, Ingenieure und Produktmanager. Die Fähigkeit zur effektiven Zusammenarbeit stellt sicher, dass die Data-Science-Lösungen mit den Geschäftszielen übereinstimmen.

In einer meiner vorherigen Rollen wollte das Produktteam beispielsweise eine neue Funktion in unsere App einführen. Offensichtlich waren Daten erforderlich, um ihre Entscheidung zu untermauern. Sie wandten sich an mich und den Rest des Data-Science-Teams, um Einblicke in das Benutzerverhalten im Zusammenhang mit ähnlichen Funktionen zu erhalten.

Gleichzeitig wollte das Marketingteam wissen, wie sich diese neue Funktion auf das Engagement und die Bindung der Benutzer auswirken könnte. In der Zwischenzeit musste das Ingenieurteam die technischen Anforderungen und die Auswirkungen auf die Datenpipelines verstehen.

Unser Team spielte dabei eine zentrale Rolle. Wir mussten Anforderungen vom Produktteam sammeln, dem Marketingteam Erkenntnisse liefern und mit dem Technikteam zusammenarbeiten, um einen reibungslosen Datenfluss sicherzustellen. Dies erfordert nicht nur technisches Fachwissen, sondern auch die Fähigkeit, die Bedürfnisse jedes Teams zu verstehen, effektiv zu kommunizieren – und manchmal zwischen widersprüchlichen Interessen zu vermitteln.

Ich wähle den Ausweg und erwähne es nicht Problemlösung als die ultimative Soft Skill, weil ich denke, dass sie überstrapaziert wird. Aber ehrlich gesagt ist Neugier dasselbe.

Als Datenwissenschaftler muss ich Ihnen wahrscheinlich nicht sagen, dass Sie auf viele Probleme stoßen werden. Aber im Kern ist jedes Problem eigentlich eine Frage.

„Unsere Nutzer konvertieren nicht“ wird zu „Wie können wir dieses Produkt attraktiver machen?“

„Mein Modell liefert mir keine genauen Vorhersagen“ wird zu „Was kann ich ändern, um mein Modell realistischer zu machen?“ 

„Unser Umsatz ist im letzten Quartal gesunken“ wird zu „Welche Faktoren haben diesen Rückgang beeinflusst und wie können wir dagegen vorgehen?“

Jedes dieser Probleme verwandelt sich, wenn man es mit einer neugierigen Einstellung angeht, in eine Frage, die nach Verständnis und Verbesserung sucht. Neugier treibt Sie dazu, tiefer zu graben, Dinge nicht nur für bare Münze zu nehmen und kontinuierlich nach besseren Lösungen zu suchen.

Kevin war, wie ich in meiner Einleitung erfahren habe, im Allgemeinen ein neugieriger Mensch. Aber aus irgendeinem Grund hatte er Scheuklappen, wenn es um Datenwissenschaft ging. Jedes Problem wurde zu einem Nagel, der mit einem Codehammer gelöst werden musste. Und die Realität ist, dass auf diese Weise nicht viel datenwissenschaftliche Arbeit geleistet werden kann.

Er gab mir ein Beispiel für eine Frage, die ihm kürzlich in einem Interview gestellt wurde: „Das Kundensupport-Team hat Beschwerden über den Checkout-Prozess der Website erhalten. Wie würden Sie das angehen?“

Kevin erläuterte ausführlich, wie er den technischen Fehler beheben würde. Aber die Antwort, nach der sein Interviewer suchte, war eine Frage wie: „Warum empfinden Benutzer den Checkout-Prozess als umständlich?“

In der realen Welt müsste ein Datenwissenschaftler diese Frage stellen, um das Problem zu lösen. Möglicherweise haben Benutzer aus einer bestimmten Region aufgrund der Integration eines lokalen Zahlungsgateways Probleme. Oder vielleicht ist die mobile Version der Website nicht so benutzerfreundlich, was dazu führt, dass der Warenkorb abgebrochen wird.

Indem der Datenwissenschaftler das Problem als Frage formuliert, begnügt er sich nicht damit, das Problem zu identifizieren; Sie erforschen das „Warum“ dahinter. Dieser Ansatz führt nicht nur zu effektiveren Lösungen, sondern liefert auch tiefere Erkenntnisse, die strategische Entscheidungen vorantreiben können.

Es gibt jede Menge Soft Skills, die ich hier nicht erwähnt habe, wie zum Beispiel Empathie, Belastbarkeit, Zeitmanagement und kritisches Denken, um nur einige zu nennen. Aber wenn Sie darüber nachdenken, fallen sie alle in diese Klammern.

Mit Leuten kommunizieren. Wissen, wie man sich verändert. In der Lage sein, mit anderen zusammenzuarbeiten. Und Probleme mit Neugier angehen. Mit diesen vier Soft Skills sind Sie in der Lage, jedes Problem, jedes Vorstellungsgespräch oder jeden Fehler, der auf Sie zukommt, zu bewältigen.
 
 

Nate Rosidi ist Data Scientist und in der Produktstrategie. Er ist auch außerplanmäßiger Professor für Analytik und Gründer von StrataScratch, eine Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Top-Unternehmen auf ihre Interviews vorzubereiten. Verbinde dich mit ihm auf Twitter: StrataScratch or LinkedIn.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs