Competenze trasversali di cui ogni data scientist ha bisogno: KDnuggets

Immagine dell'autore
 

Conosco questo ragazzo che è un programmatore incredibile. Ha scelto Python per il suo cambio di carriera, poi si è rapidamente dedicato a JavaScript, Go, SQL e alcuni altri solo per divertimento. Ed è anche bravo, non solo uno di quelli che mettono le lingue nel curriculum senza il no competenze di data scientist per sostenerli.

Ma ha difficoltà a farsi assumere. L'ho incontrato per un caffè qualche settimana fa e la nostra conversazione ha ispirato questo articolo. Senza volerlo insultare troppo, ho accennato a come era andato il suo ultimo colloquio. Si era presentato un po' in ritardo, non aveva inviato un'e-mail di ringraziamento e, pur superando ogni problema di codifica, non si era impegnato con le domande sulla lavagna oltre a sputare una risposta perfettamente corretta.

“Kev”, gli dissi, “la tua codifica è incredibilmente buona. Qualsiasi azienda sarebbe fortunata ad averti come data scientist. Ma devi lavorare sulle tue soft skills”.

Ecco le quattro competenze trasversali chiave che consiglio a ogni data scientist, sia che tu voglia entrare nel campo, avanzare nella tua carriera o semplicemente fare un lavoro migliore.

 

Immagine dell'autore

Tutti pensano che questo significhi saper parlare. È il contrario: una buona comunicazione sta tutto nel saper ascoltare, soprattutto nella scienza dei dati.

Immagina questo scenario: uno stakeholder, forse un vicepresidente del marketing, viene da te con una domanda su una campagna che vuole condurre. Ne è entusiasta e ha una visione in mente, ma non è sicura di come misurarne l'impatto o di quali dati ha bisogno. Invece di immergerti immediatamente negli aspetti tecnici di come estrarre i dati o quali modelli puoi utilizzare, prima ascolti. Le permetti di spiegare i suoi obiettivi, le sue preoccupazioni e cosa spera di ottenere con la campagna.

Ascoltando attivamente, puoi comprendere il contesto più ampio della sua richiesta. Forse non sta solo cercando una semplice analisi, ma vuole comprendere il comportamento dei clienti o segmentare il pubblico in un modo che non aveva considerato. Ascoltando prima, puoi fornire una soluzione su misura per le sue reali esigenze, non solo per l'attività iniziale.

La comunicazione è fondamentale nella scienza dei dati. Non lavorerai in un seminterrato buio digitando il codice su una tastiera tutto il giorno; riceverai richieste e dovrai mettere insieme presentazioni e trattare con le persone. Come in capacità di analista di dati, devi sapere come comunicare per avere successo.

Il sondaggio per sviluppatori StackOverflow 2023 è in realtà un ottimo esempio di adattabilità. Gli autori si sono presentati per la prima volta una sezione AI, mostrando una notevole adattabilità a un panorama di sviluppo in evoluzione.

L’intelligenza artificiale è solo un esempio. La scienza dei dati è un ottimo esempio di quel vecchio adagio: l’unica costante è il cambiamento. Per essere un data scientist di successo, devi essere pronto a dare il massimo.

Questo può significare molte cose diverse. L'applicazione più ovvia è la capacità di apprendere facilmente nuove tecnologie. La tecnologia cloud è nuova. L'intelligenza artificiale è nuova. L'API veloce è nuova. Devi stare al passo con tutto questo.

Un'altra applicazione è tenere il passo con la scena occupazionale. La tendenza ultimamente non è solo quella di essere uno scienziato dei dati nel senso tradizionale; molti datori di lavoro si aspettano che tu indossi molti cappelli. Devi anche essere un ingegnere dei dati, un ingegnere dell'apprendimento automatico e talvolta anche un esperto di dominio. I confini tra questi ruoli sono sempre più sfumati e i moderni data scientist spesso si ritrovano a destreggiarsi tra compiti che una volta erano suddivisi in ruoli separati.

Puoi anche interpretarlo nel senso di comprendere e integrare il feedback. In qualità di data scientist, spesso creiamo modelli o soluzioni basati su determinati presupposti o set di dati. Ma non sempre funzionano come previsto. Essere adattabili significa accettare questo feedback con calma, ripetere i propri modelli e migliorarli in base ai risultati del mondo reale.

Forse l'applicazione peggiore ma più importante è adattarsi al licenziamento o al licenziamento. Il 2021 e il 2022 sono stati anni strani per il lavoro, con tonnellate di grandi aziende che hanno licenziato grandi fasce di dipendenti con poco preavviso. È una buona idea anticipare questo potenziale risultato ed essere pronti ad affrontarlo.

Immagine dell'autore
 

Ricordi come insistevo sulla comunicazione? Il lavoro di squadra e la collaborazione rientrano nella stessa fascia. In qualità di data scientist, non lavori solo con altri data scientist. Tutti amano qualsiasi cosa supportata dai dati, quindi sarai il destinatario di un numero qualsiasi di richieste per produrre presentazioni, report e grafici PowerPoint.

Per farlo con successo, devi comportarti bene con gli altri. I progetti di data science spesso implicano il lavoro con team interfunzionali, tra cui analisti aziendali, ingegneri e product manager. Essere in grado di collaborare in modo efficace garantisce che le soluzioni di data science siano allineate agli obiettivi aziendali.

Ad esempio, in uno dei miei ruoli precedenti, il team del prodotto voleva introdurre una nuova funzionalità nella nostra app. Ovviamente, erano necessari dati per sostenere la loro decisione. Si sono rivolti a me e al resto del team di data science per ottenere approfondimenti sul comportamento degli utenti relativi a funzionalità simili.

Allo stesso tempo, il team di marketing voleva sapere in che modo questa nuova funzionalità avrebbe potuto influire sul coinvolgimento e sulla fidelizzazione degli utenti. Nel frattempo, il team di ingegneri doveva comprendere i requisiti tecnici e il modo in cui sarebbero stati influenzati i flussi di dati.

Il nostro team è diventato centrale in questo. Abbiamo dovuto raccogliere i requisiti dal team di prodotto, fornire approfondimenti al team di marketing e collaborare con il team di ingegneri per garantire un flusso di dati regolare. Ciò richiede non solo competenze tecniche, ma anche la capacità di comprendere le esigenze di ciascun team, comunicare in modo efficace e talvolta mediare tra interessi contrastanti.

Sto prendendo la via della scappatoia e non lo dico problem-solving come soft skill definitiva perché penso che sia abusata. Ma onestamente, la curiosità equivale alla stessa cosa.

In qualità di scienziato dei dati, probabilmente non ho bisogno di dirti che incontrerai molti problemi. Ma in fondo, ogni problema è in realtà una domanda.

"I nostri utenti non convertono" diventa "Come possiamo rendere questo prodotto più attraente?"

"Il mio modello non fornisce previsioni accurate" diventa "Cosa posso modificare per rendere il mio modello più realistico?" 

“Le nostre vendite sono diminuite nell’ultimo trimestre”, diventa “Quali fattori hanno influenzato questo calo e come possiamo affrontarli?”

Ognuno di questi problemi, se affrontato con una mentalità curiosa, si trasforma in una domanda che cerca comprensione e miglioramento. La curiosità ti spinge a scavare più a fondo, a non accettare solo le cose per oro colato e a cercare continuamente soluzioni migliori.

Kevin, dalla mia introduzione, era una persona curiosa in generale. Ma per qualche motivo, quando si trattava di scienza dei dati, aveva i paraocchi. Ogni problema diventava un chiodo da risolvere con un martello codificatore. E la realtà è che non gran parte del lavoro di data science può essere svolto in questo modo.

Mi ha fatto un esempio di qualcosa che gli è stato chiesto di recente in un'intervista: “Il team di assistenza clienti ha ricevuto reclami sulla procedura di pagamento del sito web. Come affronteresti questo problema?"

Kevin ha spiegato dettagliatamente come risolvere il problema tecnico. Ma la risposta che il suo intervistatore stava cercando era una domanda del tipo: "Perché gli utenti trovano complicato il processo di pagamento?"

Nel mondo reale, uno scienziato dei dati dovrebbe porre questa domanda per risolvere il problema. Forse gli utenti di una particolare regione stanno riscontrando problemi a causa dell'integrazione di un gateway di pagamento locale. O forse la versione mobile del sito non è così facile da usare, portando all'abbandono del carrello.

Inquadrando il problema come una domanda, il data scientist non si limita a identificare il problema; approfondiscono il "perché" dietro di esso. Questo approccio non solo porta a soluzioni più efficaci, ma svela anche insight più profondi che possono guidare decisioni strategiche.

Ci sono tantissime competenze trasversali che non ho menzionato qui, come empatia, resilienza, gestione del tempo e pensiero critico, solo per citarne alcune. Ma se ci pensi, rientrano tutti in quella fascia.

Comunicare con le persone. Sapere come cambiare. Essere in grado di lavorare con gli altri. E affronta i problemi con curiosità. Con queste quattro competenze trasversali sarai in grado di affrontare qualsiasi problema, colloquio di lavoro o bug che ti si presenta.
 
 

Nato Rosidi è un data scientist e nella strategia di prodotto. È anche un professore a contratto che insegna analisi ed è il fondatore di Strata Scratch, una piattaforma che aiuta i data scientist a prepararsi per le loro interviste con domande di interviste reali delle migliori aziende. Connettiti con lui su Twitter: Strata Scratch or LinkedIn.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs