מיומנויות רכות שכל מדען נתונים צריך - KDnuggets

תמונה מאת המחבר
 

אני מכיר את הבחור הזה שהוא קודן מדהים. הוא הרים את Python למעבר הקריירה שלו, ואז ערם במהירות על JavaScript, Go, SQL ועוד כמה אחרים רק בשביל בעיטות. והוא גם טוב, לא רק אחד מאותם אנשים ששמים שפות בקורות החיים שלהם ללא כישורי מדען נתונים כדי לגבות אותם.

אבל הוא מתקשה להתקבל לעבודה. פגשתי אותו לקפה לפני כמה שבועות, והשיחה שלנו שימשה השראה למאמר הזה. בלי לרצות להעליב אותו יותר מדי, העליתי איך עבר הראיון האחרון שלו. הוא הופיע קצת באיחור, הוא לא שלח אימייל תודה לאחר מכן, ובעוד הוא התמודד עם כל בעיית קידוד, הוא לא עסק בשאלות הלוח יותר מאשר לירוק תשובה נכונה לחלוטין.

"קב," אמרתי לו, "הקידוד שלך טוב להפליא. כל חברה תהיה בר מזל לקבל אותך בתור מדען נתונים. אבל אתה צריך לעבוד על הכישורים הרכים שלך."

להלן ארבעת המיומנויות הרכות העיקריות שאני ממליץ לכל מדען נתונים, בין אם אתה רוצה להיכנס לתחום, להתקדם בקריירה שלך או פשוט לעשות עבודה טובה יותר.

 

תמונה מאת המחבר

כולם חושבים שזה אומר לדעת איך לדבר. זה הפוך: תקשורת טובה היא רק לדעת להקשיב, במיוחד במדעי הנתונים.

דמיינו את התרחיש הזה: בעלת עניין, אולי סמנכ"לית שיווק, מגיעה אליכם עם שאלה לגבי קמפיין שהיא רוצה לנהל. היא מתרגשת מזה ויש לה חזון בראש, אבל היא לא בטוחה איך למדוד את השפעתו או לאילו נתונים היא צריכה. במקום לצלול מיידית לעניינים הטכניים של איך אתה יכול למשוך את הנתונים או באילו דגמים אתה יכול להשתמש, אתה קודם כל מקשיב. אתה נותן לה להסביר את המטרות שלה, החששות שלה ומה היא מקווה להשיג עם הקמפיין.

על ידי הקשבה פעילה, תוכל להבין את ההקשר הרחב יותר של בקשתה. אולי היא לא רק מחפשת ניתוח פשוט אלא רוצה להבין את התנהגות הלקוחות או לפלח את הקהל בצורה שהיא לא שקלה. על ידי הקשבה תחילה, תוכל לספק פתרון המותאם לצרכיה בפועל, לא רק למשימה הראשונית.

תקשורת היא המפתח במדעי הנתונים. לא תעבוד במרתף חשוך בהקלדת קוד במקלדת כל היום; תקבלו בקשות ותצטרכו להרכיב מצגות ולהתמודד עם אנשים. כמו ב כישורי מנתח נתונים, אתה חייב לדעת איך לתקשר כדי להצליח.

סקר המפתחים של StackOverflow 2023 הוא למעשה דוגמה מצוינת להתאמה. המחברים הציגו לראשונה קטע בינה מלאכותית, מראה יכולת הסתגלות יוצאת דופן לנוף משתנה של התפתחות.

AI הוא רק דוגמה אחת. מדע הנתונים הוא המחשה כל כך נהדרת לאותה פתגם ישן: הקבוע היחיד הוא שינוי. כדי להיות מדען נתונים מצליח, אתה צריך להיות מוכן להתגלגל עם האגרופים.

זה יכול להיות הרבה דברים שונים. היישום הברור ביותר הוא היכולת ללמוד טכנולוגיה חדשה בקלות. טכנולוגיית הענן היא חדשה. AI חדש. FastAPI חדש. אתה צריך לעמוד בקצב של כל זה.

אפליקציה נוספת היא להתעדכן בסצנת התעסוקה. המגמה לאחרונה היא לא רק להיות מדען נתונים במובן המסורתי; מעסיקים רבים מצפים ממך לחבוש כובעים רבים. אתה גם צריך להיות מהנדס נתונים, מהנדס למידת מכונה, ולפעמים אפילו מומחה לתחום. הקווים בין התפקידים הללו מיטשטשים, ומדעני נתונים מודרניים מוצאים את עצמם לעתים קרובות מלהטט במשימות שפעם הוחתמו לתפקידים נפרדים.

אתה יכול גם לקחת את זה כמשמעות של הבנה ושילוב משוב. כמדעני נתונים, לעתים קרובות אנו בונים מודלים או פתרונות המבוססים על הנחות או מערכי נתונים מסוימים. אבל הם לא תמיד עובדים כמצופה. להיות מסתגל פירושו לקחת את המשוב הזה בקלות, לחזור על המודלים שלך ולשפר אותם על סמך תוצאות בעולם האמיתי.

אולי היישום הגרוע אך החשוב ביותר הוא הסתגלות לפיטורין או פיטורים. 2021 ו-2022 היו שנים מוזרות לעבודה, עם טונות של חברות גדולות שפיטרו חלקים גדולים של עובדים ללא אזהרה קטנה. זה רעיון טוב לצפות את התוצאה הפוטנציאלית הזו ולהיות מוכנים אליה.

תמונה מאת המחבר
 

זוכרת איך הלכתי על תקשורת? עבודת צוות ושיתוף פעולה מתאימים לאותו סוגר. כמדען נתונים, אתה לא עובד רק עם מדעני נתונים אחרים. כולם אוהבים כל דבר מגוב נתונים, אז אתה תהיה הנמען של כל מספר של בקשות להפקת מצגות, דוחות וגרפים PowerPoint.

כדי לעשות זאת בהצלחה, אתה צריך לשחק יפה עם אחרים. פרויקטים של מדעי הנתונים כוללים לעתים קרובות עבודה עם צוותים מגוונים, כולל אנליסטים עסקיים, מהנדסים ומנהלי מוצר. היכולת לשתף פעולה ביעילות מבטיחה שפתרונות מדעי הנתונים עולים בקנה אחד עם היעדים העסקיים.

לדוגמה, באחד מהתפקידים הקודמים שלי, צוות המוצר רצה להציג תכונה חדשה באפליקציה שלנו. ברור שהיה צורך בנתונים כדי לגבות את החלטתם. הם פנו אליי ואל שאר צוות מדעי הנתונים לקבלת תובנות על התנהגות משתמשים הקשורים לתכונות דומות.

במקביל, צוות השיווק רצה לדעת כיצד תכונה חדשה זו עשויה להשפיע על מעורבות המשתמשים ושימורם. בינתיים, צוות ההנדסה היה צריך להבין את הדרישות הטכניות וכיצד יושפעו צינורות הנתונים.

הצוות שלנו הפך למרכזי בזה. היינו צריכים לאסוף דרישות מצוות המוצר, לספק תובנות לצוות השיווק ולעבוד עם צוות ההנדסה כדי להבטיח זרימת נתונים חלקה. זה דורש לא רק מומחיות טכנית אלא גם את היכולת להבין את הצרכים של כל צוות, לתקשר ביעילות - ולפעמים לתווך בין אינטרסים מנוגדים.

אני לוקח את מסלול היציאה של השוטר ולא מזכיר פתרון בעיות בתור המיומנות הרכה האולטימטיבית כי אני חושב שזה נעשה שימוש יתר. אבל בכנות, סקרנות מסתכמת באותו דבר.

בתור מדען נתונים, אני כנראה לא צריך להגיד לך שתיתקל בהרבה בעיות. אבל בבסיסם, כל בעיה היא בעצם שאלה.

"המשתמשים שלנו לא מבצעים המרה", הופך להיות "כיצד נוכל להפוך את המוצר הזה לאטרקטיבי יותר?"

"המודל שלי לא נותן לי תחזיות מדויקות", הופך להיות "מה אני יכול לשנות כדי להפוך את המודל שלי למציאותי יותר?" 

"המכירות שלנו ירדו ברבעון האחרון", הופך להיות "אילו גורמים השפיעו על הירידה הזו וכיצד נוכל לטפל בהם?"

כל אחת מהבעיות הללו, כאשר פונים אליהן עם חשיבה סקרנית, הופכת לשאלה המבקשת הבנה ושיפור. הסקרנות מניעה אותך לחפור עמוק יותר, לא רק לקבל דברים כערך נקוב, ולחפש ללא הרף פתרונות טובים יותר.

קווין, מהאינטרו שלי, היה אדם סקרן באופן כללי. אבל מסיבה כלשהי כשזה הגיע למדעי הנתונים, היו לו מצמוצים. כל בעיה הפכה למסמר שהיה צריך לפתור עם פטיש קוד. והמציאות היא שלא הרבה מעבודת מדעי הנתונים יכולה להיעשות כך.

הוא נתן לי דוגמה למשהו שנשאל בראיון לאחרונה: "צוות תמיכת הלקוחות קיבל תלונות על תהליך התשלום של האתר. איך היית מתייחס לזה?"

קווין המשיך בפירוט על איך הוא יתקן את התקלה הטכנית. אבל התשובה שחיפש המראיין שלו הייתה שאלה כמו, "מדוע למשתמשים תהליך התשלום מסורבל?"

בעולם האמיתי, מדען נתונים יצטרך לשאול את השאלה הזו כדי לפתור את הבעיה. אולי משתמשים מאזור מסוים מתמודדים עם בעיות עקב שילוב של שער תשלום מקומי. או אולי הגרסה הניידת של האתר אינה ידידותית למשתמש, מה שמוביל לנטישת העגלה.

על ידי מסגור הבעיה כשאלה, מדען הנתונים לא עוצר רק בזיהוי הנושא; הם מתעמקים ב'למה' מאחורי זה. גישה זו לא רק מובילה לפתרונות יעילים יותר אלא גם חושפת תובנות עמוקות יותר שיכולות להניע החלטות אסטרטגיות.

יש טונות של מיומנויות רכות שלא הזכרתי כאן, כמו אמפתיה, חוסן, ניהול זמן וחשיבה ביקורתית, אם להזכיר כמה. אבל אם אתה חושב על זה, כולם נופלים בסוגריים האלה.

לתקשר עם אנשים. לדעת לשנות. להיות מסוגל לעבוד עם אחרים. ולגשת לבעיות בסקרנות. עם ארבעת המיומנויות הרכות האלה, תוכל להתמודד עם כל בעיה, ראיון עבודה או באג שיקרה בדרכך.
 
 

נייט רוזידי הוא מדען נתונים ואסטרטגיית מוצר. הוא גם פרופסור עזר המלמד אנליטיקה, והוא המייסד של StrataScratch, פלטפורמה המסייעת למדעני נתונים להתכונן לראיונות שלהם עם שאלות ראיונות אמיתיות מחברות מובילות. התחבר אליו הלאה טוויטר: StrataScratch or לינקדין.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs