सॉफ्ट स्किल्स की आवश्यकता हर डेटा वैज्ञानिक को होती है - केडीनगेट्स

लेखक द्वारा छवि
 

मैं इस आदमी को जानता हूं जो एक अविश्वसनीय कोडर है। उन्होंने अपने करियर में बदलाव के लिए पाइथॉन को चुना, फिर तुरंत ही जावास्क्रिप्ट, गो, एसक्यूएल और कुछ अन्य पर निर्भर हो गए। और वह अच्छा भी है, सिर्फ उन लोगों में से एक नहीं है जो अपने बायोडाटा में 'नहीं' के साथ भाषाएँ लिखते हैं डेटा वैज्ञानिक कौशल उनका समर्थन करने के लिए.

लेकिन उसे काम पर रखने में कठिनाई हो रही है। मैं उनसे कुछ सप्ताह पहले कॉफी के लिए मिला था और हमारी बातचीत ने इस लेख को प्रेरित किया। उनका ज्यादा अपमान न करते हुए मैंने बताया कि उनका आखिरी इंटरव्यू कैसा रहा था। वह थोड़ा देर से आया था, उसने बाद में कोई धन्यवाद ईमेल नहीं भेजा था, और जबकि उसने हर कोडिंग समस्या का समाधान कर लिया था, वह पूरी तरह से सही उत्तर देने के अलावा व्हाइटबोर्ड प्रश्नों में उलझा नहीं था।

"केव," मैंने उससे कहा, "आपकी कोडिंग अविश्वसनीय रूप से अच्छी है। कोई भी कंपनी आपको डेटा वैज्ञानिक के रूप में पाकर भाग्यशाली होगी। लेकिन आपको अपने सॉफ्ट स्किल्स पर काम करने की जरूरत है।

यहां चार प्रमुख सॉफ्ट स्किल्स हैं जो मैं प्रत्येक डेटा वैज्ञानिक के लिए सुझाता हूं, चाहे आप इस क्षेत्र में जाना चाहते हों, अपने करियर में आगे बढ़ना चाहते हों, या बस एक बेहतर काम करना चाहते हों।

 

लेखक द्वारा छवि

हर कोई सोचता है कि इसका मतलब यह जानना है कि कैसे बात करनी है। यह इसके विपरीत है: अच्छे संचार का मतलब यह जानना है कि कैसे सुनना है, खासकर डेटा विज्ञान में।

इस परिदृश्य की कल्पना करें: एक हितधारक, शायद मार्केटिंग का उपाध्यक्ष, आपके पास उस अभियान के बारे में एक प्रश्न लेकर आता है जिसे वह चलाना चाहती है। वह इसे लेकर उत्साहित है और उसके मन में एक दृष्टिकोण है, लेकिन वह निश्चित नहीं है कि इसके प्रभाव को कैसे मापा जाए या उसे किस डेटा की आवश्यकता है। आप डेटा कैसे प्राप्त कर सकते हैं या आप किन मॉडलों का उपयोग कर सकते हैं, इसकी तकनीकी बातों में तुरंत जाने के बजाय, आप पहले सुनें। आप उसे अपने लक्ष्य, अपनी चिंताएँ और अभियान से क्या हासिल करने की उम्मीद रखती हैं, यह बताने दें।

सक्रिय रूप से सुनने से, आप उसके अनुरोध के व्यापक संदर्भ को समझ सकते हैं। शायद वह सिर्फ एक साधारण विश्लेषण की तलाश में नहीं है बल्कि ग्राहक के व्यवहार को समझना चाहती है या दर्शकों को उस तरह से विभाजित करना चाहती है जिस पर उसने विचार नहीं किया था। पहले सुनकर, आप एक ऐसा समाधान प्रदान कर सकते हैं जो उसकी वास्तविक जरूरतों के अनुरूप हो, न कि केवल प्रारंभिक कार्य के लिए।

डेटा विज्ञान में संचार महत्वपूर्ण है। आप अंधेरे तहखाने में पूरे दिन कीबोर्ड पर कोड टाइप करने का काम नहीं करेंगे; आपको अनुरोध प्राप्त होंगे और आपको एक साथ प्रस्तुतियाँ देनी होंगी और लोगों के साथ व्यवहार करना होगा। के रूप में डेटा विश्लेषक कौशल, आपको सफल होने के लिए संवाद करना आना चाहिए।

StackOverflow 2023 डेवलपर सर्वेक्षण वास्तव में अनुकूलनशीलता का एक बेहतरीन उदाहरण है। लेखकों ने पहली बार परिचय दिया एक एआई अनुभाग, विकास के बदलते परिदृश्य में उल्लेखनीय अनुकूलनशीलता दिखा रहा है।

एआई तो सिर्फ एक उदाहरण है. डेटा विज्ञान उस पुरानी कहावत का एक बड़ा उदाहरण है: परिवर्तन ही एकमात्र स्थिरांक है। एक सफल डेटा वैज्ञानिक बनने के लिए, आपको जोखिम उठाने के लिए तैयार रहना होगा।

इसके कई अलग-अलग मतलब हो सकते हैं. सबसे स्पष्ट अनुप्रयोग नई तकनीक को आसानी से सीखने में सक्षम होना है। क्लाउड तकनीक नई है. एआई नया है. फास्टएपीआई नया है. आपको यह सब जारी रखना होगा।

एक अन्य एप्लिकेशन रोजगार परिदृश्य को ध्यान में रख रहा है। हाल ही में प्रवृत्ति केवल पारंपरिक अर्थों में डेटा वैज्ञानिक बनने की नहीं है; कई नियोक्ता आपसे कई टोपी पहनने की उम्मीद करते हैं। आपको एक डेटा इंजीनियर, एक मशीन लर्निंग इंजीनियर और कभी-कभी एक डोमेन विशेषज्ञ भी बनना होगा। इन भूमिकाओं के बीच की रेखाएँ धुंधली हो रही हैं, और आधुनिक डेटा वैज्ञानिक अक्सर खुद को उन कार्यों को निपटाते हुए पाते हैं जिन्हें कभी अलग भूमिकाओं में बाँट दिया गया था।

आप इसे फीडबैक को समझने और एकीकृत करने के अर्थ में भी ले सकते हैं। डेटा वैज्ञानिकों के रूप में, हम अक्सर कुछ मान्यताओं या डेटासेट के आधार पर मॉडल या समाधान बनाते हैं। लेकिन वे हमेशा अपेक्षा के अनुरूप काम नहीं करते। अनुकूलनीय होने का अर्थ है इस फीडबैक को धीरे-धीरे लेना, अपने मॉडलों पर पुनरावृत्ति करना और वास्तविक दुनिया के परिणामों के आधार पर उनमें सुधार करना।

संभवतः सबसे खराब लेकिन सबसे महत्वपूर्ण अनुप्रयोग नौकरी से निकाले जाने या नौकरी से निकाले जाने के लिए अनुकूल होना है। 2021 और 2022 श्रम के लिए अजीब वर्ष थे, कई बड़ी कंपनियों ने बिना किसी चेतावनी के बड़ी संख्या में कर्मचारियों को नौकरी से निकाल दिया। इस संभावित परिणाम का अनुमान लगाना और इसके लिए तैयार रहना एक अच्छा विचार है।

लेखक द्वारा छवि
 

याद रखें कि मैंने संचार के बारे में कैसे ज़ोर दिया था? टीम वर्क और सहयोग उसी ब्रैकेट में फिट बैठते हैं। एक डेटा वैज्ञानिक के रूप में, आप केवल अन्य डेटा वैज्ञानिकों के साथ ही काम नहीं करते हैं। हर कोई डेटा-समर्थित किसी भी चीज़ को पसंद करता है, इसलिए आप पावरपॉइंट प्रेजेंटेशन, रिपोर्ट और ग्राफ़ बनाने के लिए किसी भी संख्या में अनुरोध के प्राप्तकर्ता होंगे।

इसे सफलतापूर्वक करने के लिए, आपको दूसरों के साथ अच्छा व्यवहार करना होगा। डेटा विज्ञान परियोजनाओं में अक्सर व्यापार विश्लेषकों, इंजीनियरों और उत्पाद प्रबंधकों सहित क्रॉस-फ़ंक्शनल टीमों के साथ काम करना शामिल होता है। प्रभावी ढंग से सहयोग करने में सक्षम होने से यह सुनिश्चित होता है कि डेटा विज्ञान समाधान व्यावसायिक उद्देश्यों के साथ संरेखित हों।

उदाहरण के लिए, मेरी पिछली भूमिकाओं में से एक में, उत्पाद टीम हमारे ऐप में एक नई सुविधा पेश करना चाहती थी। जाहिर है, उनके निर्णय का समर्थन करने के लिए डेटा की आवश्यकता थी। उन्होंने समान सुविधाओं से संबंधित उपयोगकर्ता व्यवहार पर जानकारी के लिए मुझसे और बाकी डेटा विज्ञान टीम से संपर्क किया।

साथ ही, मार्केटिंग टीम यह जानना चाहती थी कि यह नई सुविधा उपयोगकर्ता की सहभागिता और प्रतिधारण को कैसे प्रभावित कर सकती है। इस बीच, इंजीनियरिंग टीम को तकनीकी आवश्यकताओं को समझने की जरूरत थी और यह भी कि डेटा पाइपलाइन कैसे प्रभावित होंगी।

हमारी टीम इसका केंद्रबिंदु बन गई। हमें उत्पाद टीम से आवश्यकताओं को इकट्ठा करना था, मार्केटिंग टीम को अंतर्दृष्टि प्रदान करनी थी, और सुचारू डेटा प्रवाह सुनिश्चित करने के लिए इंजीनियरिंग टीम के साथ काम करना था। इसके लिए न केवल तकनीकी विशेषज्ञता की आवश्यकता है, बल्कि प्रत्येक टीम की जरूरतों को समझने, प्रभावी ढंग से संवाद करने और कभी-कभी परस्पर विरोधी हितों के बीच मध्यस्थता करने की क्षमता भी आवश्यक है।

मैं पुलिस-बाहर का रास्ता अपना रहा हूं और उल्लेख नहीं कर रहा हूं समस्या को सुलझाना परम सॉफ्ट स्किल के रूप में क्योंकि मुझे लगता है कि इसका अत्यधिक उपयोग किया जाता है। लेकिन ईमानदारी से कहूं तो, जिज्ञासा का स्तर एक ही है।

एक डेटा वैज्ञानिक के रूप में, मुझे शायद आपको यह बताने की ज़रूरत नहीं है कि आपको बहुत सारी समस्याओं का सामना करना पड़ेगा। लेकिन उनके मूल में, प्रत्येक समस्या वास्तव में एक प्रश्न है।

"हमारे उपयोगकर्ता परिवर्तित नहीं हो रहे हैं," बन जाता है "हम इस उत्पाद को और अधिक आकर्षक कैसे बना सकते हैं?"

"मेरा मॉडल मुझे सटीक भविष्यवाणियाँ नहीं दे रहा है," बन जाता है "मैं अपने मॉडल को और अधिक यथार्थवादी बनाने के लिए क्या बदल सकता हूँ?" 

"पिछली तिमाही में हमारी बिक्री में गिरावट आई है," हो जाता है "किन कारकों ने इस गिरावट को प्रभावित किया और हम उन्हें कैसे संबोधित कर सकते हैं?"

इनमें से प्रत्येक समस्या, जब जिज्ञासु मानसिकता के साथ संपर्क किया जाता है, तो एक ऐसे प्रश्न में बदल जाती है जो समझ और सुधार चाहता है। जिज्ञासा आपको गहरी खोज करने, चीजों को अंकित मूल्य पर स्वीकार न करने और लगातार बेहतर समाधान खोजने के लिए प्रेरित करती है।

केविन, मेरे परिचय से, सामान्यतः एक जिज्ञासु व्यक्ति था। लेकिन किसी कारण से जब डेटा विज्ञान की बात आई, तो उन्होंने इसे नजरअंदाज कर दिया। हर समस्या एक कील बन गई जिसे कोड हथौड़े से हल करना पड़ा। और वास्तविकता यह है कि डेटा विज्ञान का अधिकांश कार्य इस तरह से नहीं किया जा सकता है।

उन्होंने हाल ही में एक साक्षात्कार में उनसे पूछे गए एक प्रश्न का उदाहरण दिया: “ग्राहक सहायता टीम को वेबसाइट की चेकआउट प्रक्रिया के बारे में शिकायतें मिल रही हैं। आप इसे कैसे संबोधित करेंगे?”

केविन ने विस्तार से बताया कि वह तकनीकी खराबी को कैसे ठीक करेंगे। लेकिन उनका साक्षात्कारकर्ता जिस उत्तर की तलाश में था वह एक प्रश्न था, "उपयोगकर्ताओं को चेकआउट प्रक्रिया बोझिल क्यों लग रही है?"

वास्तविक दुनिया में, समस्या को हल करने के लिए एक डेटा वैज्ञानिक को यह प्रश्न पूछने की आवश्यकता होगी। हो सकता है कि किसी विशेष क्षेत्र के उपयोगकर्ताओं को स्थानीय भुगतान गेटवे के एकीकरण के कारण समस्याओं का सामना करना पड़ रहा हो। या शायद साइट का मोबाइल संस्करण उपयोगकर्ता के अनुकूल नहीं है, जिसके कारण कार्ट को छोड़ दिया गया है।

समस्या को एक प्रश्न के रूप में तैयार करके, डेटा वैज्ञानिक केवल समस्या की पहचान करने तक ही सीमित नहीं रहता है; वे इसके पीछे 'क्यों' की पड़ताल करते हैं। यह दृष्टिकोण न केवल अधिक प्रभावी समाधानों की ओर ले जाता है बल्कि गहरी अंतर्दृष्टि को भी उजागर करता है जो रणनीतिक निर्णय ले सकता है।

ऐसे कई सॉफ्ट स्किल्स हैं जिनका मैंने यहां उल्लेख नहीं किया है, जैसे सहानुभूति, लचीलापन, समय प्रबंधन और आलोचनात्मक सोच आदि। लेकिन अगर आप इसके बारे में सोचें, तो वे सभी उन कोष्ठक में आते हैं।

लोगो से बाते करो। जानिए कैसे बदलना है. दूसरों के साथ काम करने में सक्षम हो. और समस्याओं को जिज्ञासा से देखें। उन चार सॉफ्ट स्किल्स के साथ, आप अपने रास्ते में आने वाले किसी भी मुद्दे, नौकरी के लिए इंटरव्यू या बग से निपटने में सक्षम होंगे।
 
 

नैट रोसीडि एक डेटा वैज्ञानिक और उत्पाद रणनीति में है। वह एनालिटिक्स पढ़ाने वाले एक सहायक प्रोफेसर भी हैं, और के संस्थापक हैं स्ट्रैट स्क्रैच, शीर्ष कंपनियों के वास्तविक साक्षात्कार प्रश्नों के साथ डेटा वैज्ञानिकों को उनके साक्षात्कार के लिए तैयार करने में मदद करने वाला एक मंच। उसके साथ जुड़ें ट्विटर: स्ट्रैट स्क्रैच or लिंक्डइन.

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs