Puha készségek, amelyekre minden adattudósnak szüksége van – KDnuggets

A kép szerzője
 

Ismerem ezt a srácot, aki hihetetlen kódoló. Karrierváltáshoz a Pythont választotta, majd gyorsan felvette a JavaScriptet, a Go-t, az SQL-t és még néhányat, csak a rúgások kedvéért. És ő is jó, nem csak egyike azoknak, akik nyelveket írnak az önéletrajzukba, és nem adattudós képességek hogy támogassa őket.

De nehezen veszi fel. Néhány hete találkoztam vele kávézni, és beszélgetésünk ihlette ezt a cikket. Anélkül, hogy túlságosan sértegetni akartam volna, felhoztam, hogyan zajlott az utolsó interjú. Kicsit későn jelent meg, nem küldött utána köszönő e-mailt, és bár minden kódolási problémát megoldott, nem foglalkozott tovább a tábla kérdéseivel, mint hogy kiköpött egy tökéletesen helyes választ.

– Kev – mondtam neki –, a kódolásod hihetetlenül jó. Bármely cég szerencsés lenne, ha Ön adattudós lenne. De dolgoznod kell a puha készségeiden."

Íme a négy kulcsfontosságú soft skill, amelyet minden adattudósnak ajánlok, függetlenül attól, hogy a pályára szeretne kerülni, előre szeretne lépni a karrierjében, vagy egyszerűen csak jobb munkát szeretne végezni.

 

A kép szerzője

Mindenki azt gondolja, hogy ez azt jelenti, hogy tudni kell beszélni. Ennek az ellenkezője: a jó kommunikáció lényege, hogy tudjunk hallgatni, különösen az adattudományban.

Képzelje el ezt a forgatókönyvet: egy érdekelt fél, esetleg a marketing alelnöke egy olyan kampánnyal kapcsolatos kérdéssel fordul Önhöz, amelyet szeretne futtatni. Izgatott a dolog, és van egy elképzelés a fejében, de nem tudja, hogyan mérje fel a hatását, vagy hogy milyen adatokra van szüksége. Ahelyett, hogy azonnal belemerülne az adatok lekérésének technikai részleteibe vagy a használható modellekbe, először figyeljen. Hagyja, hogy elmagyarázza céljait, aggodalmait, és azt, hogy mit szeretne elérni a kampánnyal.

Ha aktívan hallgatod, megértheted kérésének tágabb kontextusát. Lehet, hogy nem csak egy egyszerű elemzést keres, hanem meg akarja érteni az ügyfelek viselkedését, vagy olyan módon szeretné szegmentálni a közönséget, ahogyan eddig nem vette figyelembe. Ha először meghallgat, olyan megoldást kínálhat, amely az ő tényleges szükségleteihez igazodik, nem csak a kezdeti feladathoz.

A kommunikáció kulcsfontosságú az adattudományban. Nem fog egész nap sötét pincében dolgozni, miközben a kódot a billentyűzetbe gépeli; kéréseket fog kapni, és prezentációkat kell összeállítania, és emberekkel kell foglalkoznia. Mint a adatelemzői képességek, tudnia kell, hogyan kell kommunikálni a sikerhez.

A StackOverflow 2023 fejlesztői felmérés valójában az alkalmazkodóképesség nagyszerű példája. A szerzők először mutatkoztak be egy AI szekció, amely figyelemre méltó alkalmazkodóképességet mutat a változó fejlődési környezethez.

Az AI csak egy példa. Az adattudomány nagyszerűen illusztrálja azt a régi közmondást: az egyetlen állandó a változás. Ahhoz, hogy sikeres adattudós legyél, készen kell állnod az ütésekre.

Ez sokféle dolgot jelenthet. A legkézenfekvőbb alkalmazás az új technológiák könnyű elsajátítása. A felhő technológia új. Az AI új. A FastAPI új. Mindennel lépést kell tartanod.

Egy másik alkalmazás lépést tartani a foglalkoztatási színtérrel. Az utóbbi időben nem csak a hagyományos értelemben vett adattudósnak lenni a trend; sok munkáltató elvárja, hogy sok kalapot viseljen. Ezenkívül adatmérnöknek, gépi tanulási mérnöknek, sőt néha tartományszakértőnek is kell lennie. A szerepek közötti határvonalak elmosódnak, és a modern adattudósok gyakran azon kapják magukat, hogy olyan feladatokkal zsonglőrködnek, amelyeket egykor külön szerepkörökbe osztottak.

Értheti úgy is, hogy a visszajelzések megértését és integrálását jelenti. Adattudósként gyakran készítünk modelleket vagy megoldásokat bizonyos feltételezések vagy adatkészletek alapján. De nem mindig úgy működnek, ahogy elvárták. Az alkalmazkodóképesség azt jelenti, hogy ezt a visszajelzést nyugodtan veszi, ismételje meg modelljeit, és javítsa azokat a valós eredmények alapján.

Talán a legrosszabb, de legfontosabb alkalmazás az elbocsátáshoz vagy elbocsátáshoz való alkalmazkodás. 2021 és 2022 fura év volt a munkaerő szempontjából, amikor a nagyvállalatok tonnányi tömegét bocsátották el minimális figyelmeztetés nélkül. Jó ötlet előre látni ezt a lehetséges eredményt, és készen állni rá.

A kép szerzője
 

Emlékszel, hogyan bántam a kommunikációval? A csapatmunka és az együttműködés ugyanabba a keretbe illeszkedik. Adattudósként Ön nem csak más adattudósokkal dolgozik együtt. Mindenki szeret bármit, ami adatalapú, így Ön tetszőleges számú PowerPoint-prezentációk, jelentések és grafikonok készítésére irányuló kérések címzettje lesz.

Ahhoz, hogy ez sikeres legyen, kedvesen kell játszani másokkal. Az adattudományi projektek gyakran többfunkciós csapatokkal dolgoznak együtt, beleértve az üzleti elemzőket, mérnököket és termékmenedzsereket. A hatékony együttműködés biztosítja, hogy az adattudományi megoldások összhangban legyenek az üzleti célkitűzésekkel.

Például az egyik korábbi szerepkörömben a termékcsapat egy új funkciót akart bevezetni az alkalmazásunkba. Nyilvánvalóan adatokra volt szükség a döntésük alátámasztásához. Megkerestek engem és az adattudományi csapat többi tagját, hogy betekintést kapjanak a hasonló funkciókkal kapcsolatos felhasználói viselkedésbe.

A marketingcsapat ugyanakkor tudni akarta, hogy ez az új funkció hogyan befolyásolhatja a felhasználók elköteleződését és megtartását. Eközben a mérnöki csapatnak meg kellett értenie a műszaki követelményeket és azt, hogy az adatfolyamokat hogyan érintené.

Csapatunk központi szerepet kapott ebben. Össze kellett gyűjtenünk a termékcsapat követelményeit, betekintést kellett nyújtanunk a marketingcsapatnak, és együtt kellett működnünk a mérnöki csapattal a zökkenőmentes adatáramlás biztosítása érdekében. Ehhez nem csak technikai szakértelemre van szükség, hanem arra is, hogy megértsük az egyes csapatok igényeit, hatékonyan kommunikáljunk – és néha közvetítsünk az ütköző érdekek között.

A zsaru útját választom, és nem említem problémamegoldás mint a végső soft skill, mert szerintem túl van használva. De őszintén szólva, a kíváncsiság ugyanazt jelenti.

Adattudósként valószínűleg nem kell mondanom, hogy sok problémába ütközik majd. De lényegükben minden probléma valójában egy kérdés.

A „felhasználóink ​​nem konvertálnak” a „Hogyan tehetjük vonzóbbá ezt a terméket?”

„A modellem nem ad pontos előrejelzéseket” lesz „Mit változtathatnék, hogy valósághűbbé tegyem a modellemet?” 

„Eladásaink visszaestek az elmúlt negyedévben”, „Milyen tényezők befolyásolták ezt a csökkenést, és hogyan kezelhetjük őket?”

Ezen problémák mindegyike, ha kíváncsi gondolkodásmóddal közelítjük meg őket, olyan kérdéssé alakul át, amely megértést és javítást keres. A kíváncsiság arra késztet, hogy mélyebbre áss, ne csak névértéken fogadd el a dolgokat, hanem folyamatosan keress jobb megoldásokat.

Kevin a bevezetőm alapján általában kíváncsi ember volt. De valamiért, ha adattudományról volt szó, villogó volt rajta. Minden probléma szöggé vált, amit kódkalapáccsal kellett megoldani. És a valóság az, hogy nem sok adattudományi munkát lehet így elvégezni.

Mondott egy példát arra, amit nemrégiben megkérdeztek tőle: „Az ügyfélszolgálati csapathoz panaszok érkeztek a webhely fizetési folyamatával kapcsolatban. Hogyan kezelné ezt?”

Kevin részletesen folytatta, hogyan oldja meg a műszaki hibát. De a kérdező által keresett válasz egy ilyen kérdés volt: „Miért találják a felhasználók nehézkesnek a fizetési folyamatot?”

A való világban egy adattudósnak fel kell tennie ezt a kérdést a probléma megoldásához. Lehet, hogy egy adott régióból származó felhasználók problémákkal szembesülnek a helyi fizetési átjáró integrációja miatt. Vagy talán a webhely mobil verziója nem olyan felhasználóbarát, ami a kosár elhagyásához vezet.

Azzal, hogy a problémát kérdésként fogalmazza meg, az adatkutató nem csak a probléma azonosításánál áll meg; belemerülnek a „miért” mögött. Ez a megközelítés nemcsak hatékonyabb megoldásokhoz vezet, hanem mélyebb meglátásokat is feltár, amelyek a stratégiai döntések meghozatalához vezethetnek.

Rengeteg puha készség van, amelyeket itt nem említettem, mint például az empátia, a rugalmasság, az időgazdálkodás és a kritikus gondolkodás, hogy csak néhányat említsünk. De ha belegondolunk, mind ebbe a zárójelbe esik.

Kommunikálj az emberekkel. Tudja, hogyan kell változtatni. Legyen képes másokkal együtt dolgozni. És kíváncsian közelítse meg a problémákat. Ezzel a négy puha készséggel képes leszel bármilyen problémát, állásinterjút vagy hibát megbirkózni, ami az útjába kerül.
 
 

Nate Rosidi adattudós és termékstratégia. Emellett analitikát tanító adjunktus, és az alapítója StrataScratch, egy platform, amely segíti az adattudósokat az interjúkra való felkészülésben a vezető cégektől származó valódi interjúkérdések segítségével. Kapcsolatba lépni vele Twitter: StrataScratch or LinkedIn.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs