모든 데이터 과학자에게 필요한 소프트 스킬 - KDnuggets

플라톤에 의해 재발행

팔로워 : 0

모든 데이터 과학자에게 필요한 소프트 스킬
작성자 별 이미지

나는 놀라운 코더인 이 사람을 알고 있습니다. 그는 경력 전환을 위해 Python을 선택한 다음 재미로 JavaScript, Go, SQL 및 기타 몇 가지를 빠르게 쌓았습니다. 그리고 그 사람도 좋은 사람이에요. 이력서에 아무 것도 없이 언어를 쓰는 사람 중 한 명이 아니죠. 데이터 과학자 기술 백업합니다.

하지만 그는 채용에 어려움을 겪고 있습니다. 나는 몇 주 전에 그를 만나 커피를 마셨고, 우리의 대화가 이 기사에 영감을 주었습니다. 나는 그 사람을 너무 모욕하고 싶지 않고 그의 마지막 인터뷰가 어떻게 진행되었는지 이야기했습니다. 그는 조금 늦게 나타났고, 그 후에도 감사 이메일을 보내지 않았고, 모든 코딩 문제를 해결했지만 화이트보드 질문에는 완벽하게 정답을 내뱉는 것 외에는 더 이상 관여하지 않았습니다.

“Kev, 당신의 코딩은 믿을 수 없을 정도로 훌륭해요. 당신을 데이터 과학자로 모신다면 어느 회사에서나 행운이 있을 것입니다. 하지만 소프트 스킬을 연마해야 합니다.”

다음은 현장에 진출하고 싶든, 경력을 쌓고 싶든, 아니면 단순히 더 나은 일을 하고 싶든 관계없이 모든 데이터 과학자에게 추천하는 네 가지 핵심 소프트 스킬입니다.

모든 데이터 과학자에게 필요한 소프트 스킬
작성자 별 이미지

모두는 이것이 말하는 방법을 아는 것을 의미한다고 생각합니다. 그 반대입니다. 좋은 의사소통은 특히 데이터 과학에서 듣는 방법을 아는 것입니다.

이런 시나리오를 상상해 보십시오. 마케팅 부사장일 수도 있는 이해관계자가 자신이 실행하고 싶은 캠페인에 대한 질문을 가지고 여러분에게 옵니다. 그녀는 그것에 대해 기대하고 마음 속에 비전을 가지고 있지만 그 영향을 측정하는 방법이나 필요한 데이터가 무엇인지 확신하지 못합니다. 데이터를 가져오는 방법이나 사용할 수 있는 모델에 대한 기술을 즉시 살펴보는 대신 먼저 들어보세요. 그녀가 자신의 목표, 우려사항, 캠페인을 통해 달성하고자 하는 바를 설명하게 하세요.

적극적으로 경청함으로써 그녀의 요청의 더 넓은 맥락을 이해할 수 있습니다. 아마도 그녀는 단순한 분석을 원하는 것이 아니라 고객 행동을 이해하거나 자신이 고려하지 않은 방식으로 고객을 분류하고 싶을 수도 있습니다. 먼저 경청함으로써 초기 작업뿐만 아니라 실제 요구 사항에 맞는 솔루션을 제공할 수 있습니다.

데이터 과학에서는 의사소통이 핵심입니다. 하루 종일 어두운 지하실에서 키보드에 코드를 입력하면서 일하지는 않을 것입니다. 요청을 받고 프레젠테이션을 준비하고 사람들을 상대해야 합니다. 에서와 같이 데이터 분석가 기술, 성공하려면 의사소통 방법을 알아야 합니다.

StackOverflow 2023 개발자 설문조사는 실제로 적응성의 좋은 예입니다. 처음으로 소개하는 작가 AI 섹션, 변화하는 개발 환경에 대한 놀라운 적응력을 보여줍니다.

AI는 하나의 예일 뿐이다. 데이터 과학은 변하지 않는 것은 오직 변화뿐이라는 오래된 속담을 잘 보여주는 사례입니다. 성공적인 데이터 과학자가 되려면 펀치를 날릴 준비가 되어 있어야 합니다.

이는 다양한 의미를 가질 수 있습니다. 가장 확실한 적용은 새로운 기술을 쉽게 배울 수 있다는 것입니다. 클라우드 기술은 새로운 것입니다. AI는 새로운 것이다. FastAPI는 새로운 기능입니다. 당신은 모든 것을 따라잡아야 합니다.

또 다른 응용 프로그램은 취업 현장을 따라잡는 것입니다. 최근의 추세는 단순히 전통적인 의미의 데이터 과학자가 되는 것이 아닙니다. 많은 고용주는 당신이 많은 모자를 쓰기를 기대합니다. 또한 데이터 엔지니어, 기계 학습 엔지니어, 때로는 도메인 전문가여야 합니다. 이러한 역할 사이의 경계가 모호해지고 있으며, 현대 데이터 과학자들은 한때 별도의 역할로 분리되어 있던 작업을 저글링하는 경우가 많습니다.

피드백을 이해하고 통합하는 것을 의미할 수도 있습니다. 데이터 과학자로서 우리는 특정 가정이나 데이터 세트를 기반으로 모델이나 솔루션을 구축하는 경우가 많습니다. 그러나 항상 예상대로 작동하는 것은 아닙니다. 적응력이 있다는 것은 이러한 피드백을 적극적으로 받아들이고, 모델을 반복하고, 실제 결과를 기반으로 모델을 개선하는 것을 의미합니다.

아마도 최악이지만 가장 중요한 응용 프로그램은 해고되거나 해고되는 상황에 적응할 수 있다는 것입니다. 2021년과 2022년은 노동력에 있어 이상한 해였습니다. 수많은 대기업이 경고도 없이 엄청난 양의 직원을 해고했습니다. 이러한 잠재적인 결과를 예상하고 이에 대비하는 것이 좋습니다.

모든 데이터 과학자에게 필요한 소프트 스킬
작성자 별 이미지

내가 의사소통에 관해 어떻게 이야기했는지 기억하시나요? 팀워크와 협업도 같은 부류에 속합니다. 데이터 과학자로서 당신은 다른 데이터 과학자들과만 협력하는 것이 아닙니다. 누구나 데이터 기반의 무엇이든 좋아하므로 PowerPoint 프레젠테이션, 보고서 및 그래프를 생성해 달라는 요청을 많이 받게 될 것입니다.

이를 성공적으로 수행하려면 다른 사람들과 잘 어울려야 합니다. 데이터 과학 프로젝트에는 비즈니스 분석가, 엔지니어, 제품 관리자를 포함한 다기능 팀과의 작업이 포함되는 경우가 많습니다. 효과적으로 협업할 수 있으면 데이터 과학 솔루션이 비즈니스 목표에 부합할 수 있습니다.

예를 들어, 이전 역할 중 하나에서 제품 팀은 우리 앱에 새로운 기능을 도입하고 싶었습니다. 분명히 그들의 결정을 뒷받침하려면 데이터가 필요했습니다. 그들은 유사한 기능과 관련된 사용자 행동에 대한 통찰력을 얻기 위해 나와 나머지 데이터 과학 팀에 접근했습니다.

동시에 마케팅 팀은 이 새로운 기능이 사용자 참여 및 유지에 어떤 영향을 미칠 수 있는지 알고 싶었습니다. 한편 엔지니어링 팀은 기술 요구 사항과 데이터 파이프라인이 어떤 영향을 받는지 이해해야 했습니다.

우리 팀이 이 일의 중심이 되었습니다. 우리는 제품팀의 요구사항을 수집하고, 마케팅팀에 통찰력을 제공하고, 엔지니어링팀과 협력하여 원활한 데이터 흐름을 보장해야 했습니다. 이를 위해서는 기술적 전문 지식뿐만 아니라 각 팀의 요구 사항을 이해하고 효과적으로 의사소통하며 때로는 상충되는 이해 관계를 중재하는 능력도 필요합니다.

난 경찰 아웃 경로를 택하고 언급하지 않을거야 문제 해결 과도하게 사용되는 것 같아서 궁극의 소프트 스킬로 사용합니다. 하지만 솔직히 호기심도 마찬가지입니다.

데이터 과학자로서 나는 아마도 많은 문제에 직면하게 될 것이라고 말할 필요가 없을 것입니다. 그러나 핵심적으로 모든 문제는 실제로 질문입니다.

“사용자가 전환하지 않고 있습니다.”는 “어떻게 하면 이 제품을 더 매력적으로 만들 수 있을까요?”가 됩니다.

"내 모델이 정확한 예측을 제공하지 않습니다."는 "내 모델을 보다 현실적으로 만들기 위해 무엇을 변경할 수 있습니까?"가 됩니다.

"지난 분기에 매출이 감소했습니다."는 "이 감소에 영향을 준 요인은 무엇이며 이를 어떻게 해결할 수 있습니까?"가 됩니다.

이러한 각각의 문제는 호기심을 가지고 접근하면 이해와 개선을 추구하는 질문으로 변합니다. 호기심은 사물을 액면 그대로 받아들이지 않고 더 깊이 파고들며 지속적으로 더 나은 솔루션을 찾도록 만듭니다.

내 소개에 등장한 Kevin은 일반적으로 호기심이 많은 사람이었습니다. 그러나 어떤 이유에서인지 데이터 과학에 관해서 그는 눈을 깜박였습니다. 모든 문제는 코드 망치로 해결해야 하는 못이 되었습니다. 그리고 현실은 데이터 과학 작업 중 많은 부분이 그런 방식으로 수행될 수 없다는 것입니다.

그는 최근 인터뷰에서 질문받은 내용의 예를 들었습니다. “고객 지원팀은 웹사이트의 결제 과정에 대한 불만을 접수해 왔습니다. 이 문제를 어떻게 해결하시겠습니까?”

Kevin은 기술적인 결함을 어떻게 고칠 것인지 자세히 설명했습니다. 하지만 면접관이 원하는 대답은 "왜 사용자들은 결제 과정을 번거롭게 생각하는가?"와 같은 질문이었습니다.

현실 세계에서 데이터 과학자는 문제를 해결하기 위해 이 질문을 해야 합니다. 특정 지역의 사용자는 현지 결제 게이트웨이 통합으로 인해 문제에 직면할 수 있습니다. 또는 사이트의 모바일 버전이 사용자 친화적이지 않아 장바구니 이탈로 이어질 수도 있습니다.

문제를 질문으로 구성함으로써 데이터 과학자는 문제를 식별하는 데 그치지 않습니다. 그들은 그 뒤에 숨겨진 '이유'를 탐구합니다. 이러한 접근 방식은 보다 효과적인 솔루션으로 이어질 뿐만 아니라 전략적 결정을 내릴 수 있는 더 깊은 통찰력을 제공합니다.

공감, 탄력성, 시간 관리, 비판적 사고 등 여기서 언급하지 않은 소프트 스킬이 많이 있습니다. 하지만 곰곰히 생각해 보면 모두 그 괄호에 속합니다.

사람들과 소통하세요. 변화하는 방법을 알아라. 다른 사람들과 함께 일할 수 있습니다. 그리고 호기심을 가지고 문제에 접근하세요. 이 XNUMX가지 소프트 스킬을 사용하면 어떤 문제, 취업 면접 또는 발생하는 버그를 해결할 수 있습니다.

네이트 로시디 데이터 과학자이자 제품 전략 분야의 전문가입니다. 그는 분석을 가르치는 겸임 교수이기도 하며, 스트라타스크래치, 데이터 사이언티스트가 상위 기업의 실제 인터뷰 질문을 통해 인터뷰를 준비하는 데 도움이 되는 플랫폼입니다. 그와 연결 트위터: StrataScratch or 링크드인.