مهارت‌های نرمی که هر دانشمند داده به آن نیاز دارد - KDnuggets

بازنشر افلاطون

دنبال: 0

مهارت های نرمی که هر دانشمند داده به آن نیاز دارد
تصویر توسط نویسنده

من این مرد را می شناسم که یک کدنویس باورنکردنی است. او پایتون را برای سوئیچ شغلی خود انتخاب کرد، سپس به سرعت جاوا اسکریپت، Go، SQL و چند مورد دیگر را فقط برای ضربه زدن روی هم گذاشت. و او نیز خوب است، نه تنها یکی از آن افرادی که زبان‌هایی را در رزومه خود با شماره قرار می‌دهند مهارت های دانشمند داده برای پشتیبان گیری از آنها

اما او برای استخدام کار سختی دارد. چند هفته پیش او را برای قهوه ملاقات کردم و گفتگوی ما الهام بخش این مقاله شد. بدون اینکه بخواهم زیاد به او توهین کنم به این موضوع پرداختم که آخرین مصاحبه او چگونه بوده است. او کمی دیر ظاهر شده بود، بعد از آن ایمیل تشکری نفرستاده بود، و در حالی که به هر مشکل کدنویسی پاسخ می‌داد، بیشتر از این که یک پاسخ کاملاً درست را بیرون آورد، با سؤالات تخته سفید درگیر نشد.

به او گفتم: «Kev»، «کدنویسی شما به طرز باورنکردنی خوب است. هر شرکتی خوش شانس خواهد بود که شما را به عنوان یک دانشمند داده داشته باشد. اما باید روی مهارت های نرم خود کار کنید.»

در اینجا چهار مهارت نرم کلیدی وجود دارد که من برای هر دانشمند داده توصیه می کنم، چه بخواهید وارد این رشته شوید، چه در حرفه خود پیشرفت کنید یا فقط کار بهتری انجام دهید.

مهارت های نرمی که هر دانشمند داده به آن نیاز دارد
تصویر توسط نویسنده

همه فکر می کنند این به معنای دانستن نحوه صحبت کردن است. این برعکس است: ارتباط خوب همه چیز در مورد دانستن نحوه گوش دادن است، به ویژه در علم داده.

این سناریو را تصور کنید: یک ذینفع، شاید معاون بازاریابی، با سؤالی در مورد کمپینی که می‌خواهد اجرا کند، به شما مراجعه می‌کند. او در مورد آن هیجان زده است و چشم اندازی در ذهن خود دارد، اما مطمئن نیست که چگونه تأثیر آن را اندازه گیری کند یا به چه داده هایی نیاز دارد. به جای این که فوراً به نکات فنی بپردازید که چگونه می توانید داده ها را جمع آوری کنید یا از چه مدل هایی می توانید استفاده کنید، ابتدا گوش می دهید. به او اجازه می‌دهید اهداف، نگرانی‌هایش و آنچه را که امیدوار است با کمپین به دست آورد توضیح دهد.

با گوش دادن فعالانه، می توانید زمینه گسترده تر درخواست او را درک کنید. شاید او فقط به دنبال یک تحلیل ساده نیست، بلکه می‌خواهد رفتار مشتری را درک کند یا مخاطب را به روشی تقسیم کند که در نظر نگرفته است. با اول گوش دادن، می توانید راه حلی ارائه دهید که متناسب با نیازهای واقعی او باشد، نه فقط وظیفه اولیه.

ارتباطات کلیدی در علم داده است. شما نمی توانید در یک زیرزمین تاریک در تمام طول روز کد را روی صفحه کلید تایپ کنید. شما درخواست ها را دریافت خواهید کرد و باید ارائه ها را جمع آوری کنید و با مردم برخورد کنید. همانطور که در مهارت های تحلیلگر داده، برای موفقیت باید نحوه برقراری ارتباط را بلد باشید.

نظرسنجی توسعه دهندگان StackOverflow 2023 در واقع یک نمونه عالی از سازگاری است. نویسندگان برای اولین بار معرفی کردند یک بخش هوش مصنوعی، سازگاری قابل توجهی را با چشم انداز در حال تغییر توسعه نشان می دهد.

هوش مصنوعی تنها یک مثال است. علم داده نمونه ای عالی از آن ضرب المثل قدیمی است: تنها ثابت تغییر است. برای اینکه یک دانشمند داده موفق باشید، باید آماده باشید تا با پانچ ها حرکت کنید.

این می تواند به معنای چیزهای مختلفی باشد. واضح ترین برنامه این است که بتوانیم فناوری جدید را به راحتی یاد بگیریم. فناوری ابری جدید است. هوش مصنوعی جدید است. FastAPI جدید است. شما باید با همه اینها همراه باشید.

یکی دیگر از برنامه های کاربردی همگام شدن با صحنه اشتغال است. گرایش اخیراً صرفاً دانشمند داده به معنای سنتی نیست. بسیاری از کارفرمایان از شما انتظار دارند که کلاه های زیادی بر سر داشته باشید. شما همچنین باید یک مهندس داده، یک مهندس یادگیری ماشین و گاهی حتی یک متخصص حوزه باشید. خطوط بین این نقش‌ها محو شده‌اند و دانشمندان داده‌های مدرن اغلب خود را درگیر وظایفی می‌بینند که زمانی به نقش‌های جداگانه تقسیم می‌شدند.

شما همچنین می توانید آن را به معنای درک و ادغام بازخورد در نظر بگیرید. به عنوان دانشمندان داده، ما اغلب مدل‌ها یا راه‌حل‌هایی را بر اساس مفروضات یا مجموعه داده‌های خاص می‌سازیم. اما آنها همیشه آنطور که انتظار می رود کار نمی کنند. انطباق پذیر بودن به این معنی است که این بازخورد را با سرعت زیاد انجام دهید، مدل های خود را تکرار کنید و آنها را بر اساس نتایج دنیای واقعی بهبود بخشید.

احتمالاً بدترین اما مهم ترین برنامه سازگاری با اخراج یا اخراج است. سال‌های 2021 و 2022 سال‌های عجیب و غریبی برای نیروی کار بودند، به طوری که هزاران شرکت بزرگ تعداد زیادی از کارمندان خود را با هشدار کمی اخراج کردند. این ایده خوبی است که این نتیجه بالقوه را پیش بینی کنید و برای آن آماده باشید.

مهارت های نرمی که هر دانشمند داده به آن نیاز دارد
تصویر توسط نویسنده

یادتان هست که چگونه در مورد ارتباط چنگ زدم؟ کار تیمی و همکاری در همین قشر قرار می گیرد. به عنوان یک دانشمند داده، شما فقط با سایر دانشمندان داده کار نمی کنید. همه عاشق هر چیزی هستند که با پشتوانه داده ها باشد، بنابراین شما دریافت کننده هر تعداد درخواستی برای تولید ارائه های پاورپوینت، گزارش ها و نمودارها خواهید بود.

برای انجام موفقیت آمیز این کار، باید با دیگران خوب بازی کنید. پروژه های علم داده اغلب شامل کار با تیم های متقابل از جمله تحلیلگران تجاری، مهندسان و مدیران محصول می شود. توانایی همکاری موثر تضمین می کند که راه حل های علم داده با اهداف تجاری هماهنگ هستند.

به عنوان مثال، در یکی از نقش های قبلی من، تیم محصول می خواست یک ویژگی جدید را در برنامه ما معرفی کند. بدیهی است که برای حمایت از تصمیم آنها به داده هایی نیاز بود. آنها به من و بقیه تیم علم داده مراجعه کردند تا اطلاعاتی در مورد رفتار کاربر در رابطه با ویژگی های مشابه داشته باشند.

در همان زمان، تیم بازاریابی می خواست بداند این ویژگی جدید چگونه می تواند بر تعامل و حفظ کاربر تأثیر بگذارد. در همین حال، تیم مهندسی نیاز به درک الزامات فنی و نحوه تأثیرگذاری خطوط لوله داده داشت.

تیم ما در این امر محوری شد. ما باید نیازمندی‌های تیم محصول را جمع‌آوری می‌کردیم، بینش‌هایی را برای تیم بازاریابی ارائه می‌کردیم و با تیم مهندسی کار می‌کردیم تا از جریان روان داده اطمینان حاصل کنیم. این امر نه تنها به تخصص فنی بلکه به توانایی درک نیازهای هر تیم، برقراری ارتباط مؤثر - و گاهی اوقات میانجیگری بین منافع متضاد نیاز دارد.

من مسیر پلیس را انتخاب می کنم و اشاره نمی کنم حل مسئله به عنوان مهارت نرم نهایی، زیرا فکر می کنم بیش از حد از آن استفاده شده است. اما صادقانه بگویم، کنجکاوی همان چیزی است.

به عنوان یک دانشمند داده، احتمالاً نیازی نیست به شما بگویم که با مشکلات زیادی مواجه خواهید شد. اما در هسته آنها، هر مشکلی در واقع یک سوال است.

«کاربران ما تبدیل نمی‌شوند» به «چگونه می‌توانیم این محصول را جذاب‌تر کنیم؟» می‌شود.

«مدل من پیش‌بینی‌های دقیقی به من نمی‌دهد»، تبدیل به «چه چیزی را می‌توانم تغییر دهم تا مدلم واقعی‌تر شود؟»

"فروش ما در سه ماهه گذشته کاهش یافته است"، تبدیل می شود به "چه عواملی بر این کاهش تاثیر گذاشت و چگونه می توانیم آنها را برطرف کنیم؟"

هر یک از این مشکلات، زمانی که با یک ذهنیت کنجکاو برخورد کنیم، به سؤالی تبدیل می‌شوند که به دنبال درک و بهبود است. کنجکاوی شما را به کنجکاوی عمیق تر سوق می دهد، فقط چیزها را به صورت ظاهری نپذیرید، و پیوسته به دنبال راه حل های بهتر باشید.

کوین، از مقدمه من، به طور کلی یک فرد کنجکاو بود. اما به دلایلی وقتی نوبت به علم داده می‌رسید، او چشمک‌زنی داشت. هر مشکلی به میخ تبدیل می شد که باید با چکش کد حل می شد. و واقعیت این است که بسیاری از کارهای علم داده را نمی توان به این روش انجام داد.

او نمونه‌ای از چیزی را که اخیراً در مصاحبه‌ای از او پرسیده شد، به من گفت: «تیم پشتیبانی مشتری شکایت‌هایی در مورد فرآیند پرداخت وب‌سایت دریافت کرده است. چگونه به این موضوع رسیدگی می‌کنید؟»

کوین به تفصیل درباره نحوه رفع نقص فنی صحبت کرد. اما پاسخی که مصاحبه کننده او به دنبال آن بود، سوالی بود مانند "چرا کاربران فرآیند پرداخت را دست و پا گیر می دانند؟"

در دنیای واقعی، یک دانشمند داده باید این سوال را بپرسد تا مشکل را حل کند. شاید کاربران یک منطقه خاص به دلیل ادغام درگاه پرداخت محلی با مشکلاتی مواجه شوند. یا شاید نسخه موبایلی سایت چندان کاربرپسند نباشد و منجر به رها شدن سبد خرید شود.

با طرح مسئله به عنوان یک سوال، دانشمند داده فقط در شناسایی موضوع متوقف نمی شود. آنها به "چرا" پشت آن می پردازند. این رویکرد نه تنها منجر به راه‌حل‌های مؤثرتر می‌شود، بلکه بینش‌های عمیق‌تری را نیز آشکار می‌کند که می‌تواند تصمیمات استراتژیک را هدایت کند.

چندین مهارت نرم وجود دارد که من در اینجا به آنها اشاره نکردم، مانند همدلی، انعطاف پذیری، مدیریت زمان، و تفکر انتقادی، به نام چند. اما اگر در مورد آن فکر کنید، همه آنها در آن پرانتز قرار می گیرند.

با مردم ارتباط برقرار کنید. بدانید چگونه تغییر کنید. بتواند با دیگران کار کند. و با کنجکاوی به مشکلات برخورد کنید. با این چهار مهارت نرم، می‌توانید با هر مشکل، مصاحبه شغلی یا اشکالی که برایتان پیش می‌آید مقابله کنید.

ناتی روزیدی یک دانشمند داده و در استراتژی محصول است. او همچنین یک استاد کمکی در تدریس تجزیه و تحلیل است و بنیانگذار آن است StrataScratch، پلتفرمی است که به دانشمندان داده کمک می کند تا برای مصاحبه های خود با سؤالات مصاحبه واقعی از شرکت های برتر آماده شوند. با او ارتباط برقرار کنید توییتر: StrataScratch or لینک.